如果你也在 怎样代写博弈论Game Theory这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。
博弈论是对理性主体之间战略互动的数学模型的研究。它在社会科学的所有领域，以及逻辑学、系统科学和计算机科学中都有应用。最初，它针对的是两人的零和博弈，其中每个参与者的收益或损失都与其他参与者的收益或损失完全平衡。在21世纪，博弈论适用于广泛的行为关系；它现在是人类、动物以及计算机的逻辑决策科学的一个总称。
statistics-lab™ 为您的留学生涯保驾护航 在代写博弈论Game Theory方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写博弈论Game Theory代写方面经验极为丰富，各种代写博弈论Game Theory相关的作业也就用不着说。
我们提供的博弈论Game Theory及其相关学科的代写，服务范围广, 其中包括但不限于:
- Statistical Inference 统计推断
- Statistical Computing 统计计算
- Advanced Probability Theory 高等概率论
- Advanced Mathematical Statistics 高等数理统计学
- (Generalized) Linear Models 广义线性模型
- Statistical Machine Learning 统计机器学习
- Longitudinal Data Analysis 纵向数据分析
- Foundations of Data Science 数据科学基础
经济代写|博弈论代写Game Theory代考|Effect of DRL-Based Intrusion Response Strategies Under Varying
Figure 20.4 shows how the DRL agent learns under different levels of hostility by varying $P_{\mathrm{a}}$ in terms of MTTSF when it uses different DRL algorithms. When the hostility is very low (i.e. $P_{\mathrm{a}}=0.2$ ), MTTSF is almost the same under all DRL algorithms. However, as the environment becomes more hostile with higher $P_{\mathrm{a}}$, MTTSF is significantly affected. Similar to the performance in Figure 20.3, PPO outperforms all due to its high convergence under dynamic environments as considered in this work. However, unlike the performance of DQN in Figure 20.3, DQN performs fairly well even if the Actor-Critic still outperforms it. This is partly because our MTTSF is estimated based on the mission duration (i.e. the number of episodes), which is relatively short to reflect a given short-term mission duration. Therefore, even before the system fails, most of episodes are finished without experiencing the system failure even under DQN.
In Figure 20.5, we demonstrate how the DRL agent’s decisions achieve the service availability goal of this system in terms of the ratio of messages correctly delivered $\left(P_{\mathrm{MD}}\right)$ when the ratio of initial infection $\left(P_{\mathrm{a}}\right.$ ) varies. The performance order of the comparing algorithms in $P_{\mathrm{MD}}$ is also the same as other results shown in Figures 20.3 and 20.4 with $P P O \geq$ Actor-Critic $\geq D Q N \geq$ Random. As expected, we observe the overall trends under all algorithms are lower $P_{\mathrm{MD}}$ observed under higher $P_{\mathrm{a}}$. However, interestingly, unlike Figure 20.4, the outperformance of PPO and Actor-Critic is clear, compared to the performance of $\mathrm{DQN}$ and Random. This would be because our formulated reward function is more tuned to optimize the performance in the presence of attackers while MTTSF is more affected by the mission duration, which is given based on the number of episodes. In addition, recall that a system failure is defined based on the BF condition which is controlled by the threshold $\rho$ (i.e. the threshold of the fraction of compromised nodes above which the system is considered failed). Hence, a subtle security difference caused by a different number of compromised nodes in the system may not be captured because the system failure is a binary decision based on the threshold $\rho$.
Figure 20.6 shows the resilience of each DRL algorithm when $P_{\mathrm{a}}$ varies in terms of the final accumulated reward $(R)$. The observed trends of the results are consistent with those observed in Figure 20.3. That is, the final accumulated reward maintains at about the same performance level at the end of the mission duration (or until the system fails) even under different settings. The reasons of the outperformance in the PPO can be explained based on the same reasons discussed in Figures 20.3 and 20.5. It is also noticeable that $R$ in PPO and Actor-Critic slightly decreases as $P_{\mathrm{a}}$ increases. This is because as the DRL agent takes actions toward many NDCF nodes, the reward tends to be slightly lower as the number of destroyed nodes increases.
经济代写|博弈论代写Game Theory代考|Conclusion & Future Work
In this work, we proposed a resource-aware active defense framework that can provide a set of deep reinforcement learning-based intrusion response strategies for a software-defined networking (SDN)-based Internet-of-Battle-Things (IoBT) environment. The proposed defense framework achieved the following goals: (1) The proposed defense framework is built based on a highly attack-resistant network based on multilayered structuring in order to provide higher security protection toward more critical system assets while maintaining acceptable service availability during mission execution; (2) The proposed defense framework is resource-aware in taking intrusion response strategies against nodes being detected as compromised/failed based on decisions made by the agent using a set of deep reinforcement learning (DRL) algorithms; and (3) We conducted extensive simulation experiments to identify the best DRL algorithm that can perform the best in terms of accumulated rewards among a class of DRL algorithms against a baseline random selection model, and provided physical interpretations to the experimental results. Through these key contributions, we hope this work can provide insightful and helpful angles in simulation and modeling of a cyber-hardened system which leverages machine/deep learning-based defense strategies.
The key findings from our study are summarized as: (1) The DRL agent learns better when using a policy gradient method (i.e. PPO and Actor-Critic) than when using a value-based method (i.e. $\mathrm{DQN}$ ), showing higher accumulated rewards; (2) Although DQN does not learn well in dealing with NDCF nodes, due to the definition of a system failure defined based on the total number of compromised/inactive nodes, called Byzantine failure condition, MTTSF is much less affected with DQN due to poor learning; (3) PPO particularly performs well in maintaining high service availability in terms of the ratio of messages correctly delivered. This is because PPO is also capable of capturing security vulnerability by keeping track of compromised/failed nodes in the network and discouraging message passing between these problem nodes; and (4) We also observed that the PPO even performs better in more hostile environments with a higher fraction of initial infection $\left(P_{\mathrm{a}}\right)$. This is because the DRL agent can have more chances to learn and make proper decisions as more nodes are being detected as compromised/failed.
We suggest the following future work directions in terms of extending our current work:
(1) Consider a DRL agent’s imperfect observability toward the environment by considering Partially Observable Markov Decision Process (POMDP) (Zhu et al. 2017) in order to reflect high dynamics and potential attacks that could cause packet dropping or uncertainty in the IoBT environment. A possible direction is to investigate the applicability of Recurrent Neural Networks (RNN) to enhance the agent’s learning ability; (2) Refine the attack model that can consider more sophisticated attack behaviors such as advanced persistent threat (APT) attacks; and (3) Develop a multiagent framework so that multiple DRL agents can cooperate or compete to each other in a large-scale network where a single centralized entity is not feasible for scalability.
博弈论代考
经济代写|博弈论代写Game Theory代考|Effect of DRL-Based Intrusion Response Strategies Under Varying
图 20.4 显示了 DRL 代理如何通过改变不同的敌意程度来学习 $P_{\mathrm{a}}$ 当它使用不同的 DRL 算法时，就 MTTSF 而言。当敌意很低时 (即 $P_{\mathrm{a}}=0.2$ ), MTTSF 在所有 DRL 算法下几乎相同。然而，随着环境变得越来越恶 劣， $P_{\mathrm{a}}$, MTTSF 受到显着影响。与图 20.3 中的性能类似，PPO 优于所有性能，因为它在本工作中考虑的 动态环境下具有高收敛性。然而，与图 20.3 中 DQN 的性能不同，即使 Actor-Critic 仍然优于它，DQN 的性能也相当不错。这部分是因为我们的 MTTSF 是根据任务持续时间（即事件数）估算的，它相对较短 以反映给定的短期任务持续时间。因此，即使在系统故障之前，即使在 DQN 下，大多数情节也不会经历 系统故障就完成了。
在图 20.5 中，我们展示了 DRL 代理的决策如何根据正确传递的消息的比率实现该系统的服务可用性目标 $\left(P_{\mathrm{MD}}\right)$ 当初始感染率 $\left(P_{\mathrm{a}}\right)$ 变化。比较算法的性能顺序 $P_{\mathrm{MD}}$ 也与图 20.3 和 20.4 所示的其他结果相同 $P P O \geq$ 演员评论家 $\geq D Q N \geq$ 随机的。正如预期的那样，我们观察到所有算法下的整体趋势都较低 $P_{\mathrm{MD}}$ 在更高的观察 $P_{\mathrm{a}}$. 然而，有趣的是，与图 20.4 不同，PPO 和 Actor-Critic 的表现明显优于DQN和 随机。这是因为我们制定的奖励函数更适合在攻击者存在的情况下优化性能，而 MTTSF 更受任务持续时 间的影响，任务持续时间是根据剧集的数量给出的。此外，回想一下，系统故障是根据由阈值控制的 BF 条件定义的 $\rho$ (即系统被认为失败的受损节点分数的阈值)。因此，可能无法捕捉到由系统中不同数量的 受感染节点引起的细微安全差异，因为系统故障是基于阈值的二元决策 $\rho$.
图 20.6 显示了每个 DRL 算法的弹性 $P_{\mathrm{a}}$ 根据最终侽积奖励的不同而不同 $(R)$. 观察到的结果趋势与图 20.3 中观察到的一致。也就是说，即使在不同的设置下，最终侽积的奖励在任务持续时间结束时（或直到系统 失败）也保持在大致相同的性能水平。可以根据图 20.3 和 20.5 中讨论的相同原因来解释 PPO 表现出色 的原因。还值得注意的是 $R$ 在 PPO 和 Actor-Critic 中略有下降 $P_{\mathrm{a}}$ 增加。这是因为当 DRL 代理对许多 NDCF 节点采取行动时，随着被破坏节点数量的增加，奖励往往会略微降低。
经济代写|博弈论代写Game Theory代考|Conclusion & Future Work
在这项工作中，我们提出了一个资源感知主动防御框架，该框架可以为基于软件定义网络 (SDN) 的战斗物联网 (IoBT) 环境提供一组基于深度强化学习的入侵响应策略。所提出的防御框架实现了以下目标：（1）所提出的防御框架是基于多层结构的高度抗攻击网络构建的，以便为更关键的系统资产提供更高的安全保护，同时在任务执行期间保持可接受的服务可用性; (2) 所提出的防御框架是资源感知的，可以根据代理使用一组深度强化学习 (DRL) 算法做出的决策，针对被检测为受损/失败的节点采取入侵响应策略；(3) 我们进行了广泛的模拟实验，以确定在一类 DRL 算法中针对基线随机选择模型在累积奖励方面表现最佳的最佳 DRL 算法，并为实验结果提供了物理解释。通过这些关键贡献，我们希望这项工作能够为利用基于机器/深度学习的防御策略的网络强化系统的模拟和建模提供有见地和有用的角度。
我们研究的主要发现总结如下：（1）DRL 智能体在使用策略梯度方法（即 PPO 和 Actor-Critic）时比使用基于价值的方法（即丁问否), 显示更高的累积奖励；(2) 尽管 DQN 在处理 NDCF 节点时学习不好，但由于基于受感染/不活动节点总数定义的系统故障的定义，称为拜占庭故障条件，MTTSF 对 DQN 的影响要小得多学习; (3) PPO 在正确传递消息的比率方面在保持高服务可用性方面表现尤其出色。这是因为 PPO 还能够通过跟踪网络中受损/故障的节点并阻止这些问题节点之间的消息传递来捕获安全漏洞；(4) 我们还观察到，PPO 在初始感染比例更高的更恶劣环境中甚至表现更好(PA). 这是因为随着越来越多的节点被检测为受损/失败，DRL 代理可以有更多机会学习并做出正确的决策。
在扩展我们当前的工作方面，我们建议以下未来工作方向：
(1) 通过考虑部分可观察马尔可夫决策过程 (POMDP)（Zhu 等人，2017 年）来考虑 DRL 代理对环境的不完美可观察性，以反映可能导致丢包或 IoBT 环境中的不确定性的高动态性和潜在攻击。一个可能的方向是研究递归神经网络（RNN）在增强代理学习能力方面的适用性；(2) 细化可以考虑高级持续威胁（APT）攻击等更复杂攻击行为的攻击模型；(3) 开发多代理框架，以便多个 DRL 代理可以在单个集中式实体无法实现可扩展性的大规模网络中相互合作或竞争。
统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。
金融工程代写
金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。
非参数统计代写
非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。
广义线性模型代考
广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。
术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。
有限元方法代写
有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。
有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。
tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。
随机分析代写
随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。
时间序列分析代写
随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。
回归分析代写
多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。