論文の概要: Machine Theory of Mind for Autonomous Cyber-Defence

• arxiv url: http://arxiv.org/abs/2412.04367v1
• Date: Thu, 05 Dec 2024 17:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:41:43.916239
• Title: Machine Theory of Mind for Autonomous Cyber-Defence
• Title（参考訳）: 自律型サイバーディフェンスのための機械理論
• Authors: Luke Swaby, Matthew Stewart, Daniel Harrold, Chris Willis, Gregory Palmer,
• Abstract要約: 自律型サイバー作戦における精神理論(ToM)のアプローチを評価する。 ToMモデルはエージェントの目標、行動、文脈的信念を予測することができる。 本稿では,サイバー防御に適した新しいグラフニューラルネットワーク(GNN)ベースのToMアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Intelligent autonomous agents hold much potential for the domain of cyber-security. However, due to many state-of-the-art approaches relying on uninterpretable black-box models, there is growing demand for methods that offer stakeholders clear and actionable insights into their latent beliefs and motivations. To address this, we evaluate Theory of Mind (ToM) approaches for Autonomous Cyber Operations. Upon learning a robust prior, ToM models can predict an agent's goals, behaviours, and contextual beliefs given only a handful of past behaviour observations. In this paper, we introduce a novel Graph Neural Network (GNN)-based ToM architecture tailored for cyber-defence, Graph-In, Graph-Out (GIGO)-ToM, which can accurately predict both the targets and attack trajectories of adversarial cyber agents over arbitrary computer network topologies. To evaluate the latter, we propose a novel extension of the Wasserstein distance for measuring the similarity of graph-based probability distributions. Whereas the standard Wasserstein distance lacks a fixed reference scale, we introduce a graph-theoretic normalization factor that enables a standardized comparison between networks of different sizes. We furnish this metric, which we term the Network Transport Distance (NTD), with a weighting function that emphasizes predictions according to custom node features, allowing network operators to explore arbitrary strategic considerations. Benchmarked against a Graph-In, Dense-Out (GIDO)-ToM architecture in an abstract cyber-defence environment, our empirical evaluations show that GIGO-ToM can accurately predict the goals and behaviours of various unseen cyber-attacking agents across a range of network topologies, as well as learn embeddings that can effectively characterize their policies.
• Abstract（参考訳）: インテリジェントな自律エージェントは、サイバーセキュリティの領域に対して大きな可能性を秘めている。 しかし、非解釈不可能なブラックボックスモデルに頼っている多くの最先端のアプローチにより、ステークホルダーが潜在する信念やモチベーションに対して明確で実用的な洞察を提供する方法への需要が高まっている。 そこで我々は,自律型サイバーオペレーションにおける心の理論(ToM)アプローチの評価を行った。 堅牢な事前学習を行うと、ToMモデルはエージェントの目標、行動、文脈的信念を予測できる。 本稿では, サイバー防御, Graph-In, Graph-Out (GIGO)-ToM に適した新しい Graph Neural Network (GNN) アーキテクチャを提案する。 後者を評価するために、グラフベースの確率分布の類似性を測定するために、ワッサーシュタイン距離の新たな拡張を提案する。 標準ワッサーシュタイン距離は固定基準スケールを欠いているが、異なる大きさのネットワーク間の標準的な比較を可能にするグラフ理論正規化係数を導入する。 我々は、ネットワークトランスポート距離(NTD)と呼ばれるこの指標に、カスタムノードの特徴に応じて予測を強調する重み付け機能を加え、ネットワークオペレーターが任意の戦略的考察を行えるようにした。 抽象サイバー防御環境におけるGraph-In, Dense-Out (GIDO)-ToMアーキテクチャとベンチマークした結果,GIGO-ToMはネットワークトポロジのさまざまな未確認サイバー攻撃エージェントの目標と振る舞いを正確に予測し,それらのポリシーを効果的に特徴づける埋め込みを学習できることがわかった。

関連論文リスト

• Using Graph Theory for Improving Machine Learning-based Detection of Cyber Attacks [4.465883551216819]
  ネットワーク侵入やサイバー脅威の早期発見は、サイバーセキュリティの主要な柱の1つだ。 この目的のための最も効果的なアプローチの1つは、人工知能アルゴリズムの助けを借りてネットワークトラフィックを分析することである。
  論文  参考訳（メタデータ） (2024-02-12T18:44:02Z)
• Towards a Graph Neural Network-Based Approach for Estimating Hidden States in Cyber Attack Simulations [0.0]
  本稿では,サイバー攻撃シミュレーションにおける新しいグラフニューラルGNN (Graph NeuralGNN) ベースのアプローチのプロトタイプを紹介する。 本フレームワークは,サイバー攻撃の複雑な複雑さを,シミュレーションの膨大なベクトルでマッピングすることを目的としている。 プロトタイプはまだ完成・検証されていないが,その基礎概念,アーキテクチャ,およびコンピュータセキュリティ分野への潜在的影響について論じる。
  論文  参考訳（メタデータ） (2023-12-09T20:14:11Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
  基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。 既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。 本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-24T21:45:06Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
  本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。 我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
  論文  参考訳（メタデータ） (2021-07-30T16:56:39Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。