Využití algoritmu inkrementálního generování strategií pro klasifikaci akcí útočníka

Abstract

Diplomová práce se zabývá použitím algoritmu inkrementálního generování strategií v nekonečných hrách. Konkrétně se zaměřuje na jeho využití při klasifikaci akcí útočníka. Nejprve jsme si formalizovali problém adversariální klasifikace jako hru se strikt\-ním omezením na chybu prvního typu v prostoru smířených strategií, která je téměř s nulovým součtem. K této reprezentaci jsme vytvořili algoritmus, který nám přesně určí hodnotu hry. Algoritmus inkrementálního generování strategií se v tomto případě skládá ze tří částí: z lehce upraveného LP na řešení omezené hry, z obecné optimalizační funkce pro nalezení optimální reakce útočníka a z klasifikátoru, který přibližně hledá optimální reakci obránce. Vytvořili jsme framework používající algoritmus inkrementálního generování strategií pro řešení problému klasifikace akcí útočníka a otestovali jsme ho na doménách s různorodou strukturou a~s~různě dimenzionálním prostorem akcí útočníka. Experimenty využívaly tři různé klasifikátory: rozhodovací stromy, SVM a neuronové sítě. Výsledky ukázaly, že algoritmus konverguje, ale jeho časová náročnost rapidně roste s počtem dimenzí prostoru útočníkových akcí.

This thesis examines the usability of Double-Oracle algorithm for finding a~Nash equilibrium in infinite games. Especially, it focuses on finding a robust solution for classification of adversarial action. At first, we have formalized an adversarial classification problem as an almost zero-sum game with hard false-positive constraint in expectation. For this representation, we have found an algorithm, which gives us the exact value of the game. Double Oracle applied in this game consists of three parts: slightly modified LP for solving the restricted game, general optimization for finding the attacker's best response, and a classifier for an approximation of the defender's best response. We have created a framework for using DO for classification of adversarial actions, and we have evaluated it on predefined domains with various structures and a~various number of dimensions. The experiments have been performed with three classifier types: decision tree, SVM, and neural network. The experimental results have shown that the algorithm converges, but the computation time grows fast with the number of dimensions.