[論文レビュー] On Reliability of Stochastic Networks

Jewgeni H. Dshalalow, Ryan T. White|arXiv (Cornell University)|Jan 22, 2019

Complex Network Analysis Techniques参考文献 28被引用数 8

ひとこと要約

本稿では、遅延観測を伴う標記された点過程を用いて、サイバー攻撃シナリオにおけるネットワーク障害を予測するための確率的モデルを提案する。ラプラス＝スティルチェス変換およびモーメント生成関数を用いて、累積的ノード損失（M）または重み損失（V）によって定義される故障閾値への最初の通過時刻について、解析的に取り扱える表現を導出する。これにより、現実的な攻撃ダイナミクス下で故障時刻分布および関連損失を正確に予測可能となる。

ABSTRACT

In recent times we hear increasingly often about cyber attacks on various commercial and strategic sites that manage to escape any defense. In this article, we model such attacks on networks via stochastic processes and predict the time of a total or partial failure of a network including the magnitude of losses (such as the number of compromised nodes, lost weights, and a loss of other associated components relative to some fixed thresholds). To make such modeling more realistic we also assume that the information about the attacks is delayed as per random observations. We arrive at analytically and numerically tractable results demonstrated by examples and comparative simulation.

研究の動機と目的

• 攻撃の損傷が遅延して観測されるような、確率的サイバー攻撃下における大規模ネットワーク劣化をモデル化すること。
• 累積的ノード損失が閾値 M を超えるとき、または累積的重み損失が閾値 V を超えるときの最初の通過時刻を予測すること。
• ノードの重みと受動的コンポonentの変化を故障モデルに組み込み、現実的な損失推定を可能とすること。
• 遅延観測プロセス下での故障時刻分布に対する解析的取り扱い可能な解法を開発すること。
• シミュレーションによる結果の妥当性を検証し、直接数値計算と比較すること。

提案手法

• 各攻撃がランダムな数のノードを削除し、関連する重みと受動的コンポonentの変化を伴う、標記されたポアソン過程として攻撃をモデル化する。
• 攻撃増分を特徴付けるために、同時確率母関数（PGF）、ラプラス＝スティルチェス変換（LST）、およびモーメント生成関数（MGF）を用いる。
• 故障時刻を、多次元標記付き点過程における長方形 [0,M) × [0,V) からの最初の抜出しとして定義する。
• 繰り返し期待値および条件付き独立性の仮定を用いて、故障時刻のラプラス＝スティルチェス変換（LST）を導出する。
• 逆ラプラス＝スティルチェス変換を適用して、故障時刻の累積分布関数（CDF）を求める。
• 特定のパrameter条件の下で、逆変換を不完全ガンマ関数および二項係数を含む明示的表現に簡略化する。

実験結果

リサーチクエスチョン

• RQ1 遅延観測下で、ネットワークの累積的ノード損失が臨界閾値 M に達する最初の時刻の分布は何か？
• RQ2 累積的重み損失が故障時刻にどのように影響を与えるか。また、閾値 V を超えたときの分布は何か？
• RQ3 ネットワーク損傷の遅延観測が、故障予測モデルの精度と取り扱いやすさにどのように影響を与えるか？
• RQ4 従属するコンポonentを伴う標記付きポアソン過程下で、故障時刻分布に対する解析的表現を導出できるか？
• RQ5 モデルの解析的結果と直接シミュレーションの結果は、どのように比較されるか？

主な発見

• 故障時刻 τρ のラプラス＝スティルチェス変換は、E[e^{-θτρ}] = 1/θ - 1/θ × [ (θ/(μ+θ)) × (1 + bμ/(λ + bθ) + (aλμ φ(1,0,θ,0)) / ((λ + bθ)(λ + θ)) ) ] として導出された。
• 累積分布関数 Fτρ(ϑ) は、指数関数と不完全ガンマ関数の組み合わせとして表現され、二項係数および逆ラプラス＝スティルチェス変換を含む明示的項を有する。
• λ, μ, および λ/b が互いに異なる場合、故障時刻分布が解析的に取り扱えることが示され、閉形式での逆変換が可能となる。
• モデルは、解析的結果と直接シミュレーションの間で一致を確認し、想定された攻撃ダイナミクス下での正確性を裏付けた。
• pk としての受動的コンポonentの変化の組み込みにより、ノード数や重み数のみにとどまらない、より洗練された損失推定が可能となった。
• φi(ϑ) および逆変換の導出により、故障時刻の確率およびモーメントを計算するための包括的フレームワークが提供された。