文献

J-GLOBAL ID：202202216267373746   整理番号：22A0959940

良い学習,悪い性能:RLベースの輻輳制御システムに対する新たな攻撃【JST・京大機械翻訳】

Good Learning, Bad Performance: A Novel Attack Against RL-Based Congestion Control Systems

著者 (6件)： Yang Zijie (Department of Computer Science and Technology, Institute of Network Science and Technology, Tsinghua University, Beijing, China) ,  Cao Jiahao (Department of Computer Science and Technology, Institute of Network Science and Technology, Tsinghua University, Beijing, China) ,  Liu Zhuotao (Department of Computer Science and Technology, Institute of Network Science and Technology, Tsinghua University, Beijing, China) ,  Zhang Xiaoli (Department of Computer Science and Technology, Institute of Network Science and Technology, Tsinghua University, Beijing, China) ,  Sun Kun (Department of Information Sciences and Technology, George Mason University, Fairfax, VA, USA) ,  Li Qi (Department of Computer Science and Technology, Institute of Network Science and Technology, Tsinghua University, Beijing, China)
資料名： IEEE Transactions on Information Forensics and Security  (IEEE Transactions on Information Forensics and Security)
巻： 17  ページ： 1069-1082  発行年： 2022年 
JST資料番号： W1570A  ISSN： 1556-6013  CODEN： ITIFA6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 強化学習(RL)を適用して,特にTCP輻輳制御において,コンピュータネットワーク設計における意思決定問題を解決した。RLベースの輻輳制御方式が強力な学習能力を可能にするので,それは伝統的方法に関して競合性能と適応性利点を達成した。しかし,RLベースシステムは,性能を著しく劣化させる摂動を生成する敵対攻撃に悩まされる。本論文では,RLベース輻輳制御システムに対する敵対攻撃の包括的な研究を行った。攻撃者が摂動を導入するための入力状態を容易に取得できる画像に対する最先端の敵対攻撃と異なり,攻撃者はエージェントに利用可能な輻輳制御設定における入力状態を直接得ることができない。RLベース輻輳制御モデルに対する入力状態を知ることなしに,効果的な摂動を加えることは挑戦的である。課題を解決するため,目標エージェントの状態を推定するための敵対的攻撃,工芸敵対摂動を開発し,自動方式で生成された摂動を適用した。敵対攻撃が,目標エージェントの意思決定プロセスにどのように影響するかを評価した。著者らの実験は,著者らの攻撃が,36x以上の待ち時間と45%のパケット損失率を増やしながら,約50%の平均スループットを効果的に減らすことができることを例証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  システム ,  適応性 ,  計算機網 ,  スループット ,  待ち時間 ,  方式 ,  摂動 ,  *輻輳制御 ,  エージェント ,  強化学習 ,  *サイバー攻撃
準シソーラス用語： 敵意 ,  パケット損失率 ,  攻撃者 , 【Automatic Indexing@JST】

分類 (3件)： 計算機網  (JC03000K) ,  無線通信一般  (ND08010L) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 学習 ,  輻輳制御 ,  攻撃