MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017164424
■00520250211153000
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346387824
■035    ▼a(MiAaPQ)AAI31631282
■035    ▼a(MiAaPQ)PennState19732cuc496
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aChiu,  Cho-Chun.
■24510▼aLearning  About  and  Over  Networks:  Optimized  Designs  for  Network  Tomography  and  Decentralized  Learning.
■260    ▼a[S.l.]▼bThe  Pennsylvania  State  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a173  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  He,  Ting.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2024.
■520    ▼aIn  the  context  of  this  dissertation,  learning  in  network  includes  to  two  parts:  learning  about  network  and  learning  over  network.The  former  refers  to  applying  network  tomography  to  learn  the  link  performance  metrics  (e.q.,  link  delays)  from  end-to-end  measurement.  The  later  refers  to  training  a  machine  learning  model  over  the  network.  Our  four  pieces  of  work  focus  on  optimizing  the  designs  of  network  tomography,  data  curation,  and  model  training.In  our  first  piece  of  work,  we  aim  to  understand  the  fundamental  limit  of  network  tomography  in  an  adversarial  environment.  We  formulate  and  analyze  a  novel  type  of  attack  that  aims  at  maximally  degrading  the  performance  of  targeted  paths  without  being  localized  by  network  tomography,  called  stealthy  DeGrading  of  Service  (DGoS)  attack.  By  analyzing  properties  of  the  optimal  attack  strategy,  we  formulate  novel  combinatorial  optimizations  to  design  the  optimal  attack  strategy,  which  are  then  linked  to  well-known  NP-hard  problems  and  approximation  algorithms.  As  a  byproduct,  our  algorithms  also  identify  approximations  of  the  most  vulnerable  set  of  links  that  once  manipulated,  can  inflict  the  maximum  performance  degradation.  Our  evaluations  on  real  topologies  demonstrate  the  large  potential  damage  of  such  attacks,  signaling  the  need  of  new  defenses.In  our  second  piece  of  work,  we  aim  to  design  the  defense  strategy  of  DGoS  attack  for  network  tomography.  In  order  to  mitigate  the  performance  degradation,  our  model  allows  network  tomography  to  measure  a  larger  set  of  paths,  e.g.,  by  sending  probes  on  some  paths  not  carrying  data  flows.  By  developing  and  analyzing  the  optimal  attack  strategy,  we  quantify  the  maximum  damage  of  such  an  attack.  We  further  develop  a  defense  strategy  by  formulating  and  solving  a  Stackelberg  game  to  select  the  best  set  of  measurement  paths  under  a  budget  constraint.  Our  evaluations  on  real  topologies  validate  the  efficacy  of  the  proposed  defense  strategy  while  identifying  areas  for  further  improvement.In  our  third  piece  of  work,  we  aim  to  reduce  the  communication  cost  for  decentralized  learning.  We  consider  the  problem  of  training  a  given  machine  learning  model  by  decentralized  parallel  stochastic  gradient  descent  over  training  data  distributed  across  multiple  nodes.  To  optimize  communication  cost,  we  propose  a  framework  and  efficient  algorithms  to  design  the  communication  patterns  through  the  mixing  matrix  sampling,  which  governs  not  only  which  nodes  should  communicate  with  each  other  but  also  what  weights  the  communicated  parameters  should  carry  during  parameter  aggregation.  Our  framework  is  designed  to  minimize  the  total  cost  incurred  until  convergence  based  on  any  given  cost  model  that  is  additive  over  iterations.  Our  solution  achieves  superior  performance  under  a  variety  of  network  settings  and  cost  models  in  experiments  based  on  real  datasets  and  topologies,  saving  24-50%  of  the  cost  compared  to  the  state-of-the-art  design  without  compromising  the  quality  of  the  trained  model.In  our  fourth  piece  of  work,  we  aim  to  reduce  the  communication  cost  for  machine  learning  in  wireless  body  area  network  (WBAN).  We  consider  the  problem  of  training  a  target  model  over  the  data  collected  through  body  sensors  in  WBAN,  where  resources  at  body  sensors  are  limited.  Since  samples  are  unlabeled  in  the  data  collection  phase,  classical  active  learning  can  not  be  applied  to  reduce  the  communication  cost.  To  handle  these  challenges,  we  propose  a  two-phased  active  learning  method,  consisting  of  an  online  phase  where  a  coreset  construction  algorithm  is  proposed  to  select  a  subset  of  unlabeled  samples  based  on  their  noisy  predictions,  and  an  offline  phase  where  the  selected  samples  are  labeled  to  train  the  target  model.  Our  evaluation  based  on  real  health  monitoring  data  and  our  own  experimentation  demonstrates  that  our  solution  can  drastically  save  the  data  curation  cost  without  sacrificing  the  quality  of  the  target  model.
■590    ▼aSchool  code:  0176.
■650  4▼aWireless  networks.
■650  4▼aTomography.
■650  4▼aCommunication.
■650  4▼aBandwidths.
■650  4▼aLinear  programming.
■650  4▼aDefense.
■650  4▼aEnergy  consumption.
■650  4▼aElectrical  engineering.
■650  4▼aEnergy.
■650  4▼aMedical  imaging.
■690    ▼a0459
■690    ▼a0544
■690    ▼a0791
■690    ▼a0574
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164424▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서