Optimized Provisioning Techniques for Geo-Distributed SDP-Enabled Next Generation Networks Security
Notice bibliographique
Résumé
What advancements might Next Generation Networks (NGN) unleash that existing ones cannot? NGNs are envisioned to empower the connection between billions of people and zillions of heterogeneous Internet of Things (IoT) devices while consolidating intelligence and autonomy. However, several security-related challenges will be introduced and apparently, the security solutions and architectures used in previous network generations will not be sufficient. The Cloud Security Alliance's (CSA) Software Defined Perimeter (SDP) is a potential candidate to provide the much-needed security framework for next-generation networks. However, the lack of a scalable SDP controller will be a considerable drawback for the wide adoption of the SDP framework. Therefore, this paper focuses on modeling a multi-SDP controller placement problem as a VNF-FGE in a Geo-distributed NFV-based environment as a potential solution to secure next-generation networks. Due to its NP-hard nature, this type of problem can be addressed by extending the NCO approach via Reinforcement Learning (RL) to optimize the reward policy in accordance with the constraints of the problem. The agent developed can learn the placement decisions of the SDP controllers by inference (i.e., policy strategy) through the RL process. The experiment's analysis reveals the RL approach's superiority over the well-known Gecode optimization solver.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».