检索结果-南通市图书馆

应用基础与工程科学学报 2024年第3期32卷 685-701页

作者：陈欣程吉祥姜孪娟南京财经大学管理科学与工程学院江苏南京210023 南京理工大学计算机科学与工程学院江苏南京210014

交通事故已经成为威胁人民生命和财产安全的社会公害之一,车联网(Internet of Vehicles,IoV)作为能够有效增加道路安全的新兴技术,在道路交通安全防控方面扮演着至关重要的角色,在广泛应用的同时也面临着严峻的网络攻击挑战.为分析IoV... 详细信息

交通事故已经成为威胁人民生命和财产安全的社会公害之一,车联网(Internet of Vehicles,IoV)作为能够有效增加道路安全的新兴技术,在道路交通安全防控方面扮演着至关重要的角色,在广泛应用的同时也面临着严峻的网络攻击挑战.为分析IoV系统可靠性对道路安全水平的影响,设计了基于马尔可夫过程的双人随机博弈模型,将受到攻击的IoV系统分为渗透阶段、破坏阶段与主动恢复阶段,基于IoV系统受攻击后的状态转移过程,研究了攻击者和防御者之间动态交互的影响及状态之间的级联关系.将IoV系统的安全部署成本划分为相互依赖的网络层和物理层两部分,在无法完全了解模型参数的情况下通过minimax-q算法预测攻击者行为,探究防御成功率与网络安全部署成本对攻击者策略的影响,评价了不同攻击策略下的系统可靠性(车辆系统平均失败时间、车辆系统稳态可用性和道路信息稳态机密性),并构建了车联网环境下的道路交通安全综合指标,探析了IoV系统网络安全对道路交通安全水平的影响.研究结果表明:(1)在渗透阶段,相比于网络层,物理层安全部署成本的变化对攻击策略的影响更为显著,在破坏阶段则呈相反趋势.(2)在应用受损状态下,车辆系统稳态可用性,道路信息稳态机密性和道路交通安全综合水平分别上升了3.9%、3.9%和1.34%.(3)渗透阶段(N,V,P)为IoV系统可靠性对道路交通安全水平影响方面的关键阶段,极大程度上威胁着道路交通安全.以期该研究成果有助于确定IoV系统网络安全的关键阶段,并增强道路交通安全水平.

关键词：车联网网络安全随机博弈模型层级依赖 minimax-q 道路交通安全可靠性分析

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合攻击图和博弈模型的网络防御策略生成方法

引用

信息网络安全 2021年第1期21卷 1-9页

作者：金志刚王新建李根岳顺民天津大学电气自动化与信息工程学院天津300072 国网天津市电力公司天津300010

近些年威胁网络安全的事件日趋频繁,黑客的攻击手段越来越复杂,网络安全防护的难度不断增加。针对实际攻防环境中攻击策略复杂多变和攻击者不理性的问题,文章将攻击图融入攻防博弈模型,并引入强化学习算法,设计了一种网络主动防御策略... 详细信息

近些年威胁网络安全的事件日趋频繁,黑客的攻击手段越来越复杂,网络安全防护的难度不断增加。针对实际攻防环境中攻击策略复杂多变和攻击者不理性的问题,文章将攻击图融入攻防博弈模型,并引入强化学习算法,设计了一种网络主动防御策略生成方法。该方法首先基于改进攻击图的网络脆弱性评估模型,成功压缩策略空间并有效降低建模难度,然后对网络攻防进行博弈模型构建,将攻击者和防御者对网络的攻防策略问题设计为一个多阶段的随机博弈模型,引入强化学习minimax-q设计了自学习网络防御策略选取算法。防御者在经过对一系列的攻击行为学习之后,求解出针对该攻击者的最优防御策略。最后,本文通过仿真实验验证了该算法的有效性和先进性。

关键词：网络安全攻击图博弈模型 minimax-q 最优防御策略

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于马尔可夫博弈的竞争云平台定价策略研究

基于马尔可夫博弈的竞争云平台定价策略研究

引用

作者：王瑾雯武汉理工大学

学位级别：硕士

随着互联网的发展,云计算技术日益成熟,其蕴含的巨大商业前景吸引了越来越多的企业进入云计算市场提供云服务,从而形成多云平台共存的竞争市场。在这个市场中,多个云平台互相竞争吸引用户,并通过收取费用来获得收益。在竞争环境下,云平... 详细信息

随着互联网的发展,云计算技术日益成熟,其蕴含的巨大商业前景吸引了越来越多的企业进入云计算市场提供云服务,从而形成多云平台共存的竞争市场。在这个市场中,多个云平台互相竞争吸引用户,并通过收取费用来获得收益。在竞争环境下,云平台需要合理的定价策略来最大化收益。通过查阅大量文献,目前相关研究中没有考虑到激烈竞争环境下存在多个主动定价的云平台,且将其定价问题构建为重复博弈的情况。基于此,本文对竞争环境下云平台定价策略进行分析。在云计算市场中,多个云平台互相竞争,其定价策略互相影响,从而会周期性地不断更新最优定价,因此竞争云平台定价问题是一个复杂的马尔可夫博弈问题,本论文将基于两种多智能体强化学习算法—Nash q-learning和minimax-q来解决此问题。本文主要研究工作如下:(1)首先根据云平台激烈竞争的特点,给出博弈的基本设定,包括云用户选择行为的推导、云平台成本的设定和云平台期望收益的计算方法。(2)在马尔可夫博弈的框架下,从直观上将多个云平台在每个周期的竞争定价过程看作一般和博弈,结合均衡策略,使用Nash q-learning算法分析了竞争云平台的均衡定价策略。由于Nash q-learning算法存在多个纳什均衡选择的问题,而相关文献并没有给出具体且有效的选择方法,因此,本文首先根据期望收益和Fictitious Play(FP)算法提出了四种纳什均衡选择方式,并根据这四种方式训练得到了四种不同的均衡定价策略。然后通过这四种均衡策略的相互对比,以及与云计算市场两种实际情景下的定价策略的比较,发现由FP算法得到的两种均衡策略具有相对更好的表现。(3)由于云平台激烈竞争的特性,因此在马尔可夫博弈的框架下,基于市场中只存在两个主动定价的云平台这一设定,从零和博弈的角度,使用minimaxq算法分析了竞争云平台的定价策略。首先使用minimax-q算法和联合qlearning算法训练云平台得到了四种不同的定价策略。然后在云计算市场的三种实际情景下,将这四种策略与其它定价策略进行了对比分析,发现由minimaxq算法得到的两种minimax策略在每种情景下都占有主导地位且表现稳定。最后将两种minimax策略与由Nash q-learning算法得到的四种均衡定价策略进行了对比,发现minimax-q算法在本文云平台激烈竞争的设定下具有更突出的表现。此外,实验发现由minimax-q算法和联合q-learning算法得到的四种定价策略选择低价格的概率较低。实验结果证明了价格战的方式并不利于提高长期收益,而且充分验证了minimax-q算法更适合于研究本文激烈竞争设定下的云平台定价策略,为实际环境中竞争云平台定价策略的优化提供了指导。

关键词：竞争云平台定价策略马尔可夫博弈 Nash q-learning minimax-q

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于强化学习的云提供商资源划分策略研究

基于强化学习的云提供商资源划分策略研究

引用

作者：朱航行武汉理工大学

学位级别：硕士

云计算产业在全球范围飞速发展,吸引越来越多的企业及个人用户将其业务转移到云市场。在云计算中,云用户的需求有不同特性,部分用户对资源需求迫切,也存在用户对价格较为敏感。云提供商一般提供两种市场模式:商品市场模式和拍卖市场模式... 详细信息

云计算产业在全球范围飞速发展,吸引越来越多的企业及个人用户将其业务转移到云市场。在云计算中,云用户的需求有不同特性,部分用户对资源需求迫切,也存在用户对价格较为敏感。云提供商一般提供两种市场模式:商品市场模式和拍卖市场模式,来满足云用户的多样化需求。云提供商资源有限,将所拥有的资源合理地划分到不同市场模式中满足云用户的需求,从而获取更多收益。此外云市场中存在多个云提供商竞争的情况,在竞争环境中云提供商如何合理地划分资源来吸引用户并最大化收益也值得研究。本文对垄断市场和竞争市场云提供商如何划分资源到商品市场模式和拍卖市场模式进行研究,研究结果对云提供商如何划分资源并增加收益提供一定参考。具体研究内容如下:（1）对云提供商资源划分问题中的云市场给出详细的设定。首先介绍云市场不同市场模式,包括商品市场模式和拍卖市场模式。其次描述云用户的相关设定,包括用户的数量、需求和用户对市场模式的选择等。最后描述云提供商设定,包括提供商的资源设定、成本计算、不同市场模式的定价方法和提供商收益等。（2）在垄断市场中,云提供商需要高效地将有限的资源划分到商品市场模式和拍卖市场模式中来最大化收益。垄断云提供商的资源划分问题是一个序贯决策问题,因此基于马尔科夫决策过程分析此问题。使用q-learning算法生成垄断云提供商的资源划分策略,并与其它资源划分策略进行对比实验分析。实验结果表明基于q-learning算法生成的垄断云提供商资源划分策略能够获取较高的收益。（3）在竞争市场中,云提供商需要考虑竞争对手的资源划分策略来划分资源并最大化收益。本文将竞争云提供商的资源划分问题建模为马尔科夫博弈,并基于多智能体强化学习中的minimax-q算法生成相应的资源划分策略MR、MM。为与minimax-q算法生成的资源划分策略做对比,本文在竞争环境下基于q-learning生成云提供商资源划分策略qR、qq。最后在实验中将生成的资源划分策略做对比分析,在与随机划分等策略竞争时,qR、qq策略的收益高于MR、MM,此外当MR、MM与qR、qq策略直接竞争时,MR、MM的收益高于qR、qq。

关键词：云计算资源划分策略 q-learning 马尔科夫博弈 minimax-q

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：