Using trust to mitigate malicious and selfish behavior of autonomous agents in CRNs

Ntemos, Konstantinos; Kolokotronis, Nicholas; Kalouptsidis, N.

doi:10.1109/pimrc.2016.7794596

Cited by 3 publications

(9 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Το πρόβλημα απόφασης των δευτερευόντων χρηστών (secondary users) μοντελοποιείται σαν μία Μαρκοβιανή Διαδικασία Αποφάσεων (Markov Decision Process) και αναλύεται η επίδραση ενός μοντέλου εμπιστοσύνης στις αποφάσεις των κόμβων. Εξάγονται συνθήκες κάτω από τις οποίες η συνεργατική συμπεριφορά αποτελεί την βέλτιστη επιλογή για τους δευτερεύοντες χρήστες [9].…”

Section: συνοπτικη παρουσιαση της διδακτορικης διατριβηςunclassified

“…• Κεφάλαιο 3: Παρουσιάζονται τα αποτελέσματα της μελέτης πάνω στην διαδικασία λήψης αποφάσεων των αυτόνομων κόμβων στην προώθηση πακέτου [9], [10]. Η Ενότητα 3.1 αποτελείται από την δουλειά μας στα Γνωστικά Δίκτυα (Cognitive Radio Networks) [9], όπου η διαδικασία λήψης αποφάσεων των κόμβων μοντελοποιείται σαν μία Μαρκοβιανή Διαδικασία Αποφάσεων (Markov Decision Process). Στην Ενότητα 3.2 παρουσιάζεται η μελέτη των αλληλεπιδράσεων των αυτόνομων κόμβων σαν ένα στοχαστικό παίγνιο με ατελή παρατήρηση των δράσεων [10].…”

Section: συνοπτικη παρουσιαση της διδακτορικης διατριβηςunclassified

“…• Chapter 3: The results on trust-based strategies for wireless networks [9], [10] are presented. Section 3.1 consists of our work on Cognitive Radio Networks [9], where the decision-making process of the agents is modeled as an MDP.…”

Section: Structure and Overview Of The Thesismentioning

confidence: 99%

“…The first one consists of our study on the interactions of autonomous agents in the most basic form of information sharing, namely in packet-forwarding. We consider agents able to exhibit both selfish and malicious behavior and assume the deployment of an Intrusion Detection System (IDS) along with a Trust Management System (TMS) that monitors and evaluates agents' behavior, respectively, in a setting where agents' actions are partially observable [9], [10].…”

Section: Introductionmentioning

confidence: 99%

“…To do so, we employed methods from Stochastic Control Theory and Game Theory (GT). More specifically, the decision-making process of the agents was modeled as a Markov Decision Process (MDP) in a Cognitive Radio Network (CRN) [9] and as a stochastic game with imperfect monitoring of the actions [10]. Such theoretical results can be utilized to design effective trust management systems and enhance network performance and security.…”

Section: Introductionmentioning

confidence: 99%

See 4 more Smart Citations

Decision-making of autonomous agents in networks with adversaries

Ntemos¹

View full text Add to dashboard Cite

Στα σύγχρονα δίκτυα, οι κόμβοι χαρακτηρίζονται από ανεπτυγμένες ικανότητες ανεξάρτητης λήψης αποφάσεων, με αποτέλεσμα την αύξηση της δικτυακής επίδοσης σε τομείς όπως η διεκπεραιωτική ικανότητα, η κατανάλωση ισχύος και η επεκτασιμότητα, αλλά από την άλλη νέα θέματα ασφαλείας αναδύονται. Οι κόμβοι μπορεί να έχουν διαφορετικά, ή ακόμη και αντικρουόμενα συμφέροντα και ως εκ τούτου, μπορεί να προκύψουν θέματα «κακής συμπεριφοράς». Ο όρος αυτός αναφέρεται στην περίπτωση που οι κόμβοι συμπεριφέρονται με τρόπο διαφορετικό από αυτόν που προβλέπουν τα δικτυακά πρωτόκολλα. Επομένως,η «αλτρουιστική» συνεργασία μεταξύ των κόμβων δεν μπορεί να θεωρηθεί δεδομένη σε δίκτυα που αποτελούνται από αυτόνομους «ευφυείς» κόμβους (agents).Για αυτόν τον λόγο, μηχανισμοί που μπορούν να οδηγήσουν τους κόμβους σε μία ωφέλιμη για το δίκτυο συμπεριφορά, έχουν προταθεί στην βιβλιογραφία. Τέτοιοι μηχανισμοί είναι τα λεγόμενα μοντέλα εμπιστοσύνης, τα οποία στόχο έχουν την παροχή κινήτρων στους κόμβους προκειμένου να συμπεριφερθούν συνεργατικά για το δικό τους όφελος. Η διατριβή αυτή έχει ως σκοπό την μελέτη των αλληλεπιδράσεων αυτόνομων δικτυακών κόμβων όταν αυτοί χαρακτηρίζονται από διαφορετικά ατομικά συμφέροντα, καθώς και της επίδρασης των μοντέλων εμπιστοσύνης στην συμπεριφορά τους. Πιο συγκεκριμένα,μελετάμε πότε οι κόμβοι, με «εγωιστικά» ή «κακόβουλη» συμπεριφορά, επιλέγουν να μοιραστούν μεταξύ τους πληροφορία κάτω από κάποιο μηχανισμό επιβολής συνεργασίας όπως τα μοντέλα εμπιστοσύνης ή οι τιμωρητικές στρατηγικές. Ξεκινάμε διερευνώντας τον διαμοιρασμό πληροφορίας στο πλαίσιο της πιο βασικής λειτουργίας ενός δικτύου, της προώθησης πακέτου. Σε αυτή τη μελέτη αναλύεται η επίδραση των μηχανισμών εμπιστοσύνης και παρατήρησης των δράσεων των κόμβων και εξάγονται συνθήκες που αν ικανοποιούνται, οι κόμβοι συμμορφώνονται με μία ωφέλιμη για το δίκτυο συμπεριφορά. Στη συνέχεια, προχωράμε στην μελέτη του διαμοιρασμού πληροφορίας σε ψηλότερο επίπεδο, θεωρώντας ένα συγκεκριμένο μοντέλο μετάδοσης διάδοσης της πληροφορίας και μελετάμε το πρόβλημα του διαμοιρασμού της κατανεμημένης εκτίμησης παραμέτρων σε ένα εχθρικό περιβάλλον, όπου υπάρχουν κακόβουλοι κόμβοι που έχουν την δυνατότητα να διαχέουν ηθελημένα ψευδή πληροφορία. Αναπτύχθηκαν καινοτόμοι αλγόριθμοι οι οποίοι είναι εύρωστοι στην διάχυση ψευδούς πληροφορίας για να οδηγήσουν τους κόμβους σε αποδοτική εκτίμηση παραμέτρων και λήψη αποφάσεων. Τέλος, κάνουμε μία αφαίρεση και μελετάμε το πρόβλημα διαμοιρασμού πληροφορίας σε ένα πιο γενικό πλαίσιο, χωρίς να υποθέτουμε κάποιο μοντέλο διαμοιρασμού της πληροφορίας. Χρησιμοποιούμε την έννοια της δεσμευμένης αμοιβαίας πληροφορίας για να ποσοτικοποιήσουμε την αξία της πληροφορίας που μοιράζεται. Κατασκευάστηκαν κατάλληλες τιμωρητικές στρατηγικές οι οποίες μπορούν αποδεδειγμένα να διατηρήσουν την ανταλλαγή πληροφορίας. Για να επιτευχθούν οι ερευνητικοί στόχοι αυτής της διατριβής, χρησιμοποιούνται μέθοδοι από την Θεωρία Στοχαστικού Ελέγχου, την Θεωρία Παιγνίων, την Επεξεργασία Σήματος και Αλγόριθμοι Εκμάθησης.

show abstract

Section: συνοπτικη παρουσιαση της διδακτορικης διατριβηςunclassified

Section: Structure and Overview Of The Thesismentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Decision-making of autonomous agents in networks with adversaries

Ntemos¹

View full text Add to dashboard Cite

show abstract

Agent-based Vs Agent-less Sandbox for Dynamic Behavioral Analysis

Ali

Shiaeles

Papadaki

et al. 2018

2018 Global Information Infrastructure and Networking Symposium (GIIS)

View full text Add to dashboard Cite

Malicious software is detected and classified by either static analysis or dynamic analysis. In static analysis, malware samples are reverse engineered and analyzed so that signatures of malware can be constructed. These techniques can be easily thwarted through polymorphic, metamorphic malware, obfuscation and packing techniques, whereas in dynamic analysis malware samples are executed in a controlled environment using the sandboxing technique, in order to model the behavior of malware. In this paper, we have analyzed Petya, Spyeye, VolatileCedar, PAFISH etc. through Agent-based and Agentless dynamic sandbox systems in order to investigate and benchmark their efficiency in advanced malware detection.

show abstract