1. Перспективы приоритезации рисков уязвимостей центров обработки данных с использованием ранговой агрегации и многоцелевой оптимизации (arXiv)
Автор:Бруно Гриши, Габриэла Кун, Фелипе Коломбелли, Витор Маттер, Леомар Лима, Карине Хайнен, Маурисио Пегораро, Марсио Борхес, Сандро Риго, Хорхе Барбоза, Родриго да Роса Риги, Криштиану Андре да Кошта, Габриэль де Оливейра Рамос
Аннотация. В настоящее время данные стали бесценным активом для юридических лиц и компаний, и обеспечение их безопасности представляет собой серьезную проблему. Центры обработки данных отвечают за хранение данных, предоставляемых программными приложениями. Тем не менее количество уязвимостей увеличивается с каждым днем. Управление такими уязвимостями необходимо для создания надежной и безопасной сетевой среды. Выпуск исправлений для устранения недостатков безопасности в программном обеспечении является обычной практикой для устранения этих уязвимостей. Однако расстановка приоритетов становится решающей для организаций с растущим числом уязвимостей, поскольку время и ресурсы для их исправления обычно ограничены. Целью этого обзора является обзор методов ранжирования уязвимостей и обсуждение того, как многокритериальная оптимизация может помочь в управлении приоритезацией рисков уязвимостей. Были рассмотрены современные подходы к приоритизации рисков с целью разработки эффективной модели ранжирования уязвимостей в центрах обработки данных. Основной вклад этой работы заключается в том, чтобы указать на многоцелевую оптимизацию как на редко изучаемую, но многообещающую стратегию определения приоритетов уязвимостей, позволяющую лучше управлять временем и повышать безопасность.
2. Распределенная дифференциально-частная агрегация рейтинга (arXiv)
Автор:Baobao Song, Qiujun Lan, Yang Li, Gang Li
Аннотация. Агрегирование ранжирования обычно применяется при совместном принятии решений, чтобы помочь объединить несколько ранжирований в один репрезентативный. Чтобы защитить фактический рейтинг каждого человека, часто используются некоторые стратегии сохранения конфиденциальности, такие как дифференциальная конфиденциальность. Это, однако, не рассматривает сценарий, когда куратор, который собирает все рейтинги от отдельных лиц, не заслуживает доверия. В этом документе предложен механизм для решения описанной выше ситуации с использованием структуры распределения дифференциальной конфиденциальности. Предлагаемый механизм собирает локальные дифференциальные частные рейтинги от отдельных лиц, а затем случайным образом переставляет попарные рейтинги с использованием модели случайного воспроизведения для дальнейшего усиления защиты конфиденциальности. Окончательный представитель получается путем агрегации иерархических рангов. Механизм был теоретически проанализирован и экспериментально сравнен с существующими методами и продемонстрировал конкурентоспособные результаты как в точности вывода, так и в защите конфиденциальности.
3. Агрегация частного ранга в центральной и локальной моделях (arXiv)
Автор: Даниэль Алаби, Бадих Гази, Рави Кумар, Пасин Манурангси
Аннотация: В теории социального выбора (Кемени) ранговое агрегирование является хорошо изученной проблемой, цель которой состоит в том, чтобы объединить рейтинги нескольких избирателей в единый рейтинг по одному и тому же набору элементов. Поскольку рейтинги могут раскрывать предпочтения избирателей (которые избиратель может захотеть сохранить в тайне), важно агрегировать предпочтения таким образом, чтобы сохранить конфиденциальность. В этой работе мы представляем дифференциально частные алгоритмы ранговой агрегации в чистых и приблизительных условиях, а также верхние и нижние границы полезности, не зависящие от распределения. В дополнение к границам в центральной модели мы также представляем границы полезности для локальной модели дифференциальной конфиденциальности.
4. Разнообразие ранговой агрегации Kemeny: параметризованный подход (arXiv)
Автор: Эммануэль Арриги, Хеннинг Фернау, Даниэль Локштанов, Матеуш де Оливейра Оливейра, Петра Вульф
Аннотация. В наиболее традиционном варианте основной задачей теории оптимизации является поиск оптимальных решений для экземпляров данной вычислительной задачи. Недавняя тенденция исследований в области искусственного интеллекта, называемая разнообразием решений, была сосредоточена на разработке понятий оптимальности, которые могут быть более подходящими в условиях, где важна субъективность. Идея состоит в том, что вместо разработки алгоритмов, выдающих единственное оптимальное решение, цель состоит в том, чтобы исследовать алгоритмы, выдающие небольшой набор достаточно хороших решений, достаточно отличающихся друг от друга. Таким образом, у пользователя есть возможность выбрать решение, наиболее подходящее для данного контекста. Он также отображает богатство пространства решений. В сочетании с методами параметризованной теории сложности парадигма разнообразия решений предлагает мощную алгоритмическую основу для решения проблем, имеющих практическое значение. В этой работе мы исследуем влияние этой комбинации в области ранговой агрегации Кемени, хорошо изученного класса проблем, лежащих на пересечении теории порядка и теории социального выбора, а также в области самой теории порядка. В частности, мы показываем, что задача ранговой агрегации Кемени решается с фиксированными параметрами относительно естественных параметров, обеспечивающих естественные формализации понятий разнообразия и понятия достаточно хорошего решения. Наши основные результаты работают как при рассмотрении традиционной настройки агрегирования по линейно упорядоченным голосам, так и в более общей ситуации, когда голоса упорядочены частично.
