MétaCan
Menu
Retour à la cohorte
Enregistrement W4407951213 · doi:10.1109/cdc56724.2024.10886523

Design of Denial-of-Service Attack Strategy With Energy Constraint: An Approximate Dynamic Programming Approach

2024· article· en· W4407951213 sur OpenAlexaff
Kaiyun Xie, Zhan Shu, Junlin Xiong

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueReinforcement Learning in Robotics
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésComputer scienceDenial-of-service attackConstraint (computer-aided design)DenialDynamic programmingComputer securityService (business)Mathematical optimizationDistributed computingEngineeringAlgorithmOperating systemMathematicsBusinessThe Internet

Résumé

récupéré en direct d'OpenAlex

This paper aims to design a denial-of-service attack strategy that maximizes the LQG cost over a finite time. During each attack instance, the attacker chooses from multiple energy levels and expends attack energy to initiate interference. With the limitation of total attack energy, a dynamic programming algorithm is used to search for the optimal attack strategy. However, due to the curse of dimensionality, the algorithm exhibits high computational complexity. To address the issue, an approximate dynamic programming algorithm is presented to design approximately optimal strategies by leveraging the monotonicity of optimal value functions. The new algorithm is capable of obtaining a high-quality attack strategy within a relatively small number of iterations. Finally, a numerical example is provided to demonstrate the superiority of the developed algorithm.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,526
Score d'incertitude au seuil0,655

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,274
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReinforcement Learning in RoboticsTravaux en français237 207