Core Concepts
대규모 그래프 환경에서 연쇄 효과를 유발할 수 있는 공격을 방어하기 위한 효과적인 전략을 제안한다.
Abstract
이 논문은 대규모 그래프 환경에서 연쇄 효과를 유발할 수 있는 공격을 방어하기 위한 효과적인 전략을 제안한다.
사회 기반 시설, 전력망, 통신망, 교통망, 소셜 네트워크 등 많은 분야에서 그래프 구조로 모델링할 수 있는 시스템이 존재한다.
이러한 시스템은 과부하, 잘못된 정보 전파 등으로 인한 연쇄 효과에 취약하다.
악의적인 공격자가 연쇄 효과를 극대화하려 할 때, 연쇄 효과 동역학을 활용하여 가장 큰 영향을 미치는 대상을 사전에 방어할 수 있다.
게임 이론은 최적의 사전 방어 전략을 찾는 데 도움이 되지만, 대규모 그래프 환경에서는 공격자와 방어자가 동시에 여러 대상을 선택할 수 있어 조합이 폭발적으로 증가하는 문제가 있다.
제안 방법은 다중 노드 표현 학습과 반사실 데이터 증강을 사용하여 제한된 하위 집합에서 학습한 내용을 전체 조합 행동 공간에 일반화할 수 있는 데이터 기반 딥러닝 접근 방식을 사용한다.
실험을 통해 제안 방법이 기존 최신 기법보다 덜 취약한 전략을 생성할 수 있으며, 소규모 그래프에서는 내쉬 균형에 근접한 전략을 생성할 수 있음을 보여준다.
Stats
공격자와 방어자가 각각 2개의 노드를 선택할 수 있는 경우, 전체 행동 공간의 크기는 N^2/4이다.
25노드 그래프의 경우 전체 행동 공간의 크기는 약 90,000이다.
100노드 그래프의 경우 전체 행동 공간의 크기는 약 2,500,000이다.
1000노드 그래프의 경우 전체 행동 공간의 크기는 약 250,000,000이다.
Quotes
"대규모 그래프 환경에서 공격자와 방어자가 동시에 여러 대상을 선택할 수 있어 조합이 폭발적으로 증가하는 문제가 있다."
"제안 방법은 다중 노드 표현 학습과 반사실 데이터 증강을 사용하여 제한된 하위 집합에서 학습한 내용을 전체 조합 행동 공간에 일반화할 수 있는 데이터 기반 딥러닝 접근 방식을 사용한다."