Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Toward a Reference Architecture for Digital and Model-Based Engineering Information Systems Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Data Analytics of a Honeypot System Based on a Markov Decision Process Model

verfasst von : Lidong Wang, Randy Jones, Terril C. Falls

Erschienen in: Recent Trends and Advances in Model Based Systems Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A honeypot system can play a significant role in exposing cybercrimes and maintaining reliable cybersecurity. Markov decision process (MDP) is an important method in systems engineering research and machine learning. The data analytics of a honeypot system based on an MDP model is conducted using R language and its functions in this paper. Specifically, data analytics over a finite planning horizon (for an undiscounted MDP and a discounted MDP) and an infinite planning horizon (for a discounted MDP) is performed, respectively. Results obtained using four kinds of algorithms (value iteration, policy iteration, linear programming, and Q-learning) are compared to check the validity of the MDP model. The simulation of expected total rewards for various states is implemented using various transition probability parameters and various transition reward parameters.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Survey of Super-Resolution Techniques for a Potential CubeSat Imagery System Architecture
Nächstes Kapitel Probabilistic System Modeling for Complex Systems Operating in Uncertain Environments
Literatur
Alsheikh, M.A., D.T. Hoang, D. Niyato, H.P. Tan, and S. Lin. 2015. Markov Decision Processes with Applications in Wireless Sensor Networks: A Survey. IEEE Communications Surveys & Tutorials 17 (3): 1239–1267.CrossRef
Bao, N., and J. Musacchio. 2009. Optimizing the Decision to Expel Attackers from an Information System. In 47th Annual Allerton Conference on Communication, Control, and Computing (Allerton), IEEE, pp 644–651.
Bar, A., B. Shapira, L. Rokach, and M. Unger. 2016. Scalable Attack Propagation Model and Algorithms for Honeypot Systems. In 2016 IEEE International Conference on Big Data (Big Data), IEEE, pp. 1130–1135.
Baykara, M., and R. Das. 2018. A Novel Honeypot-Based Security Approach for Real-Time Intrusion Detection and Prevention Systems. Journal of Information Security and Applications 41: 103–116.CrossRef
Chen, Y., J. Hong, and C.C. Liu. 2018. Modeling of Intrusion and Defense for Assessment of Cyber Security at Power Substations. IEEE Transactions on Smart Grid 9 (4): 2541–2552.CrossRef
Hayatle, O., H. Otrok, and A. Youssef. 2013. A Markov Decision Process Model for High Interaction Honeypots. Information Security Journal: A Global Perspective 22 (4): 159–170.
Liu, Y., H. Liu, and B. Wang. 2017. Autonomous Exploration for Mobile Robot Using Q-Learning. In 2017 2nd International Conference on Advanced Robotics and Mechatronics (ICARM), IEEE, pp. 614–619.
Madni, A.M., M. Sievers, A. Madni, E. Ordoukhanian, and P. Pouya. 2018. Extending Formal Modeling for Resilient Systems Design. INSIGHT 21 (3): 34–41.CrossRef
Magalhaes, A., & G. Lewis. 2016. Modeling Malicious Network Packets with Generative Probabilistic Graphical Models, pp. 1–5.
Majeed, S.J., and M. Hutter. 2018. On Q-learning Convergence for Non-Markov Decision Processes. In IJCAI, pp. 2546–2552.
Mohri, M., A. Rostamizadeh, and A. Talwalkar. 2012. Foundations of Machine Learning. Adaptive Computation and Machine Learning. MIT Press, 31, p. 32.
Pauna, A., A.C. Iacob, and I. Bica. 2018. QRASSH-A Self-Adaptive SSH Honeypot Driven by Q-learning. In 2018 International Conference on Communications (COMM), IEEE, pp. 441–446.
Sigaud, O., and O. Buffet, eds. 2013. Markov Decision Processes in Artificial Intelligence. Wiley.
Sutton, R.S., and A.G. Barto. 2018. Reinforcement Learning: An Introduction. MIT Press.MATH
van Otterlo, M. 2009. Markov Decision Processes: Concepts and Algorithms. Course on ‘Learning and Reasoning’.
van Otterlo, M., and M. Wiering. 2012. Reinforcement Learning and Markov Decision Processes. In Reinforcement Learning, 3–42. Berlin\Heidelberg: Springer.CrossRef
Metadaten
Titel
Data Analytics of a Honeypot System Based on a Markov Decision Process Model
verfasst von
Lidong Wang
Randy Jones
Terril C. Falls
Copyright-Jahr
2022
Buch
Recent Trends and Advances in Model Based Systems Engineering

Print ISBN: 978-3-030-82082-4

Electronic ISBN: 978-3-030-82083-1

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-030-82083-1_10

Premium Partner

    Bildnachweise