論文の概要: An Attentive Graph Agent for Topology-Adaptive Cyber Defence

• arxiv url: http://arxiv.org/abs/2501.14700v1
• Date: Fri, 24 Jan 2025 18:22:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:33.830443
• Title: An Attentive Graph Agent for Topology-Adaptive Cyber Defence
• Title（参考訳）: トポロジ適応型サイバー防御のための注意グラフエージェント
• Authors: Ilya Orson Sandoval, Isaac Symes Thompson, Vasilios Mavroudis, Chris Hicks,
• Abstract要約: 我々は、観測可能なネットワーク状態を有向グラフとしてエンコードするCyber Operations Research Gym(CybORG)環境のカスタムバージョンを開発する。 我々は、グラフ注意ネットワーク(GAT)アーキテクチャを利用してノード、エッジ、グローバルな特徴を処理し、その出力を強化学習におけるポリシー勾配メソッドと互換性のあるように修正する。 我々の研究は、現実世界のネットワークセキュリティの課題に適応できる堅牢なサイバー防衛システムの開発に寄与する。
• 参考スコア（独自算出の注目度）: 1.0812794909131096
• License:
• Abstract: As cyber threats grow increasingly sophisticated, reinforcement learning is emerging as a promising technique to create intelligent, self-improving defensive systems. However, most existing autonomous defensive agents have overlooked the inherent graph structure of computer networks subject to cyber attacks, potentially missing critical information. To address this gap, we developed a custom version of the Cyber Operations Research Gym (CybORG) environment that encodes the observable network state as a directed graph, utilizing realistic and interpretable low-level features. %, like number of open ports and unexpected detected connections. We leverage a Graph Attention Network (GAT) architecture to process node, edge, and global features, and modify its output to be compatible with policy gradient methods in reinforcement learning. GAT policies offer several advantages over standard approaches based on simplistic flattened state observations. They can handle the changes in network topology that occur at runtime when dynamic connections between hosts appear. Policies can be deployed to networks that differ in size to the ones seen during training, enabling a degree of generalisation inaccessible with alternative approaches. Furthermore, the graph neural network policies outputs are explainable in terms of tangible network properties, providing enhanced interpretability of defensive actions. We verify that our low-level graph observations are meaningful enough to train GAT defensive policies that are able to adapt to changing topologies. We evaluate how our trained policies perform when deployed on networks of varying sizes with the same subnetwork structure, comparing them against policies specifically trained for each network configuration. Our study contributes to the development of robust cyber defence systems that can better adapt to real-world network security challenges.
• Abstract（参考訳）: サイバー脅威がますます高度化するにつれ、強化学習は知的で自己改善的な防衛システムを構築するための有望な技術として浮上しつつある。 しかし、既存の自律防衛エージェントのほとんどは、サイバー攻撃を受けたコンピュータネットワーク固有のグラフ構造を見落としており、重要な情報が欠落している可能性がある。 このギャップに対処するため、我々は、現実的で解釈可能な低レベル特徴を利用して、観測可能なネットワーク状態を有向グラフとして符号化するCyber Operations Research Gym(CybORG)環境のカスタムバージョンを開発した。 1%, 開港数, 予期せぬ接続数などであった。 我々は、グラフ注意ネットワーク(GAT)アーキテクチャを利用してノード、エッジ、グローバルな特徴を処理し、その出力を強化学習におけるポリシー勾配メソッドと互換性のあるように修正する。 GATポリシーは、単純化された平坦な状態観測に基づく標準的なアプローチに対して、いくつかの利点を提供する。 ホスト間の動的接続が現れると、実行時に発生するネットワークトポロジの変更を処理できる。 ポリシーは、トレーニング中に見られるものとサイズが異なるネットワークにデプロイできるため、代替のアプローチではアクセスできないような一般化が可能である。 さらに、グラフニューラルネットワークポリシーの出力は、具体的なネットワーク特性の観点から説明可能であり、防御行動の解釈可能性を高めることができる。 我々は、我々の低レベルのグラフ観測が、変化するトポロジに適応可能なGAT防御ポリシーを訓練するのに十分な意味があることを検証する。 トレーニングされたポリシが,異なるサイズのネットワークに同じサブネットワーク構造でデプロイされた場合の動作を評価し,各ネットワーク構成に特化してトレーニングされたポリシと比較する。 我々の研究は、現実世界のネットワークセキュリティの課題に適応できる堅牢なサイバー防衛システムの開発に寄与する。

関連論文リスト

• Structural Generalization in Autonomous Cyber Incident Response with Message-Passing Neural Networks and Reinforcement Learning [0.0]
  小さなネットワーク変更のためのリトレーニングエージェントは、時間とエネルギーを消費する。 ホストの数が異なる元のネットワークの変種を作成し、エージェントを追加のトレーニングなしでテストします。 デフォルトのベクトル状態表現を使用するエージェントのパフォーマンスは向上するが、各ネットワークで特別にトレーニングする必要がある。
  論文  参考訳（メタデータ） (2024-07-08T09:34:22Z)
• What Planning Problems Can A Relational Neural Network Solve? [91.53684831950612]
  本稿では,計画問題のポリシーを表すリレーショナルニューラルネットワークの回路複雑性解析について述べる。 回路幅と深さの増大に関して,計画問題には3つの一般的なクラスが存在することを示す。 また、政策学習のためのニューラルネットワーク設計におけるこの分析の有用性についても解説する。
  論文  参考訳（メタデータ） (2023-12-06T18:47:28Z)
• Genetic Algorithm-Based Dynamic Backdoor Attack on Federated Learning-Based Network Traffic Classification [1.1887808102491482]
  本稿では,GABAttackを提案する。GABAttackは,ネットワークトラフィック分類のためのフェデレーション学習に対する新しい遺伝的アルゴリズムに基づくバックドア攻撃である。 この研究は、ネットワークセキュリティの専門家や実践者がこのような攻撃に対して堅牢な防御策を開発するための警告となる。
  論文  参考訳（メタデータ） (2023-09-27T14:02:02Z)
• Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
  適応型ニューラルネットワークの動的対向攻撃問題について検討する。 本稿では,LGM(Leaded Gradient Method)を提案する。 我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
  論文  参考訳（メタデータ） (2022-10-15T01:32:08Z)
• 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)
• Dynamic Network Reconfiguration for Entropy Maximization using Deep Reinforcement Learning [3.012947865628207]
  ネットワーク理論の鍵となる問題は、定量化対象を最適化するためにグラフを再構成する方法である。 本稿では、マルコフ決定過程(MDP)として、指定された構造特性を最適化するネットワークリウィリングの問題を提起する。 次に,Deep Q-Network(DQN)アルゴリズムとグラフニューラルネットワーク(GNN)に基づく一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-05-26T18:44:22Z)
• The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
  我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。 敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
  論文  参考訳（メタデータ） (2021-06-26T10:50:07Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• 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)

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。