చాలా సంవత్సరాల క్రితం, మసాచుసెట్స్, పెన్సిల్వేనియా మరియు జర్మనీలోని మ్యూనిచ్ విశ్వవిద్యాలయాల నుండి అంతర్జాతీయ శాస్త్రవేత్తల బృందం యాంటీ-సెన్సార్‌షిప్ సాధనంగా సాంప్రదాయ ప్రాక్సీల ప్రభావంపై పరిశోధన. ఫలితంగా, ఆట సిద్ధాంతం ఆధారంగా నిరోధించడాన్ని దాటవేయడానికి శాస్త్రవేత్తలు కొత్త పద్ధతిని ప్రతిపాదించారు. మేము ఈ కృతి యొక్క ప్రధాన అంశాలకు అనువైన అనువాదాన్ని సిద్ధం చేసాము.
పరిచయం
టోర్ వంటి ప్రసిద్ధ బ్లాక్-బైపాస్ సాధనాల విధానం బ్లాక్ చేయబడే ప్రాంతాల నుండి క్లయింట్‌ల మధ్య ప్రాక్సీ IP చిరునామాల ప్రైవేట్ మరియు ఎంపిక పంపిణీపై ఆధారపడి ఉంటుంది. ఫలితంగా, క్లయింట్లు తప్పనిసరిగా బ్లాక్‌లను విధించే సంస్థలు లేదా అధికారులు గుర్తించబడకుండా ఉండాలి. టోర్ విషయంలో, ఈ ప్రాక్సీ పంపిణీదారులను వంతెనలు అంటారు.
అటువంటి సేవలతో ఉన్న ప్రధాన సమస్య అంతర్గత వ్యక్తుల దాడి. నిరోధించే ఏజెంట్లు వారి చిరునామాలను కనుగొని వాటిని బ్లాక్ చేయడానికి ప్రాక్సీలను ఉపయోగించుకోవచ్చు. ప్రాక్సీ లెక్కల సంభావ్యతను తగ్గించడానికి, బ్లాక్ బైపాస్ సాధనాలు వివిధ చిరునామా కేటాయింపు విధానాలను ఉపయోగిస్తాయి.
ఈ సందర్భంలో, తాత్కాలిక హ్యూరిస్టిక్స్ విధానం అని పిలవబడేది ఉపయోగించబడుతుంది, ఇది దాటవేయబడుతుంది. ఈ సమస్యను పరిష్కరించడానికి, శాస్త్రవేత్తలు నిరోధించడంలో పాల్గొన్న సేవలు మరియు వాటిని దాటవేయడానికి సేవల మధ్య పోరాటాన్ని ఒక గేమ్‌గా ప్రదర్శించాలని నిర్ణయించుకున్నారు. గేమ్ థియరీని ఉపయోగించి, వారు ప్రతి పక్షానికి సరైన ప్రవర్తనా వ్యూహాలను అభివృద్ధి చేశారు - ప్రత్యేకించి, ఇది ప్రాక్సీ పంపిణీ యంత్రాంగాన్ని అభివృద్ధి చేయడం సాధ్యపడింది.
సాంప్రదాయ లాక్ బైపాస్ సిస్టమ్స్ ఎలా పని చేస్తాయి
Tor, Lantern మరియు Psiphon వంటి బ్లాక్ బైపాస్ సాధనాలు ఆ ప్రాంతాల నుండి వినియోగదారు ట్రాఫిక్‌ను మళ్లించడానికి మరియు బ్లాక్ చేయబడిన వనరులకు బట్వాడా చేయడానికి ఉపయోగించే పరిమితులతో ప్రాంతీయ ప్రాక్సీల శ్రేణిని ఉపయోగిస్తాయి.
సెన్సార్‌లు అటువంటి ప్రాక్సీ యొక్క IP చిరునామా గురించి తెలుసుకుంటే - ఉదాహరణకు, వారు దానిని స్వయంగా ఉపయోగించిన తర్వాత - దానిని సులభంగా బ్లాక్‌లిస్ట్ చేసి బ్లాక్ చేయవచ్చు. అందువల్ల, వాస్తవానికి, అటువంటి ప్రాక్సీల యొక్క IP చిరునామాలు ఎప్పుడూ బహిర్గతం చేయబడవు మరియు వినియోగదారులు వివిధ యంత్రాంగాలను ఉపయోగించి ఒకటి లేదా మరొక ప్రాక్సీని కేటాయించారు. ఉదాహరణకు, టోర్ వంతెన వ్యవస్థను కలిగి ఉంది.
అంటే, బ్లాక్ చేయబడిన వనరులకు ప్రాప్యతను వినియోగదారులకు అందించడం మరియు ప్రాక్సీ చిరునామా బహిర్గతం యొక్క సంభావ్యతను తగ్గించడం ప్రధాన పని.
ఆచరణలో ఈ సమస్యను పరిష్కరించడం అంత సులభం కాదు - సాధారణ వినియోగదారుల నుండి వారి నుండి మాస్క్వెరేడింగ్ సెన్సార్ల నుండి ఖచ్చితంగా వేరు చేయడం చాలా కష్టం. సమాచారాన్ని దాచడానికి హ్యూరిస్టిక్ మెకానిజమ్స్ ఉపయోగించబడతాయి. ఉదాహరణకు, క్లయింట్‌లకు అందుబాటులో ఉన్న బ్రిడ్జ్ IP చిరునామాల సంఖ్యను Tor ప్రతి అభ్యర్థనకు మూడుకు పరిమితం చేస్తుంది.
ఇది తక్కువ సమయంలో అన్ని టోర్ వంతెనలను గుర్తించకుండా చైనా అధికారులను ఆపలేదు. అదనపు పరిమితుల పరిచయం బ్లాక్ బైపాస్ సిస్టమ్ యొక్క వినియోగాన్ని తీవ్రంగా ప్రభావితం చేస్తుంది, అంటే కొంతమంది వినియోగదారులు ప్రాక్సీని యాక్సెస్ చేయలేరు.
గేమ్ థియరీ ఈ సమస్యను ఎలా పరిష్కరిస్తుంది
పనిలో వివరించిన పద్ధతి "కాలేజ్ అడ్మిషన్స్ గేమ్" అని పిలవబడేది. అదనంగా, ఇంటర్నెట్ సెన్సార్ ఏజెంట్లు నిజ సమయంలో ఒకరితో ఒకరు సంభాషించుకోవచ్చని మరియు సంక్లిష్టమైన వ్యూహాలను ఉపయోగించవచ్చని భావించబడుతుంది - ఉదాహరణకు, ప్రాక్సీలను వెంటనే నిరోధించడం లేదా వివిధ పరిస్థితులపై ఆధారపడి తక్షణమే చేయడం లేదు.
కాలేజీ అడ్మిషన్ ఎలా పని చేస్తుంది?
మాకు n విద్యార్థులు మరియు m కళాశాలలు ఉన్నాయని అనుకుందాం. ప్రతి విద్యార్థి కొన్ని ప్రమాణాల ఆధారంగా విద్యా సంస్థలలో తన స్వంత ప్రాధాన్యతల జాబితాను తయారు చేస్తాడు (అంటే, పత్రాలు సమర్పించబడిన కళాశాలలకు మాత్రమే ర్యాంక్ ఇవ్వబడుతుంది). మరోవైపు, కళాశాలలు వారి స్వంత ప్రాధాన్యతల ఆధారంగా పత్రాలను సమర్పించిన విద్యార్థులను కూడా ర్యాంక్ చేస్తాయి.
అన్నింటిలో మొదటిది, ఎంపిక ప్రమాణాలకు అనుగుణంగా లేని వారిని కళాశాల కట్ చేస్తుంది - కొరత ఉన్నప్పటికీ వారు అంగీకరించరు. అప్పుడు దరఖాస్తుదారులు అవసరమైన పారామితులను పరిగణనలోకి తీసుకునే అల్గోరిథం ఉపయోగించి ఎంపిక చేయబడతారు.
"అస్థిరమైన అడ్మిషన్లు" ఉండే అవకాశం ఉంది - ఉదాహరణకు, 1 మరియు 2 కళాశాలల్లో వరుసగా a మరియు bలో చేరిన ఇద్దరు విద్యార్థులు ఉంటే, కానీ రెండవ విద్యార్థి విశ్వవిద్యాలయం aలో చదవాలనుకుంటున్నారు. వివరించిన ప్రయోగం విషయంలో, వస్తువుల మధ్య స్థిరమైన కనెక్షన్‌లు మాత్రమే పరిగణనలోకి తీసుకోబడ్డాయి.
ఆలస్యమైన అంగీకార అల్గోరిథం
ఇప్పటికే చెప్పినట్లుగా, కళాశాల ఎట్టి పరిస్థితుల్లోనూ అంగీకరించని నిర్దిష్ట సంఖ్యలో విద్యార్థులు ఉన్నారు. అందువల్ల, వాయిదా వేసిన అంగీకార అల్గోరిథం ఈ విద్యార్థులు ఆ సంస్థకు దరఖాస్తు చేసుకోవడానికి అనుమతించబడదని ఊహిస్తుంది. ఈ సందర్భంలో, విద్యార్థులందరూ తమకు ఇష్టమైన కళాశాలల్లోకి ప్రవేశించడానికి ప్రయత్నిస్తారు.
q విద్యార్థుల సామర్థ్యం ఉన్న సంస్థ దాని ప్రమాణాల ఆధారంగా q అత్యున్నత ర్యాంక్ పొందిన వ్యక్తిని వెయిట్‌లిస్ట్ చేస్తుంది లేదా దరఖాస్తుదారుల సంఖ్య అందుబాటులో ఉన్న స్థలాల సంఖ్య కంటే తక్కువగా ఉంటే. మిగిలినవి తిరస్కరించబడ్డాయి మరియు ఈ విద్యార్థులు వారి ప్రాధాన్యతల జాబితాలో తదుపరి విశ్వవిద్యాలయానికి దరఖాస్తు చేస్తారు. ఈ కళాశాల నేరుగా దరఖాస్తు చేసిన వారి నుండి మరియు మొదటి కళాశాలలో ఆమోదించబడని వారి నుండి q అత్యధిక ర్యాంక్ పొందిన విద్యార్థులను కూడా ఎంపిక చేస్తుంది. అలాగే, మళ్లీ నిర్దిష్ట సంఖ్యలో ప్రజలు ఉత్తీర్ణత సాధించరు.
ప్రతి విద్యార్థి ఏదో ఒక కళాశాల వెయిటింగ్ లిస్ట్‌లో ఉన్నట్లయితే లేదా అతను నమోదు చేసుకోగలిగే అన్ని విద్యా సంస్థల నుండి తిరస్కరించబడినట్లయితే, ప్రక్రియ ముగుస్తుంది. ఫలితంగా, కళాశాలలు చివరకు వారి వెయిటింగ్ లిస్టుల నుండి అందరినీ చేర్చుకుంటాయి.
ప్రాక్సీకి దానితో సంబంధం ఏమిటి?
విద్యార్థులు మరియు కళాశాలలతో సారూప్యతతో, శాస్త్రవేత్తలు ప్రతి క్లయింట్‌కు నిర్దిష్ట ప్రాక్సీని కేటాయించారు. ఫలితంగా ప్రాక్సీ అసైన్‌మెంట్ గేమ్ అనే గేమ్ వచ్చింది. సంభావ్య సెన్సార్ ఏజెంట్లతో సహా క్లయింట్లు, కళాశాలల పాత్రను పోషించే ప్రాక్సీల చిరునామాను తెలుసుకోవాలనుకునే విద్యార్థులుగా వ్యవహరిస్తారు - వారికి ముందుగా తెలిసిన పరిమిత బ్యాండ్‌విడ్త్ ఉంటుంది.
వివరించిన మోడల్‌లో n వినియోగదారులు (క్లయింట్లు) A = ఉన్నారు
{a1, a2, …, an}, ఇది నిరోధించడాన్ని దాటవేయడానికి ప్రాక్సీకి ప్రాప్యతను అభ్యర్థిస్తుంది. అందువలన, AI అనేది "మొత్తం" క్లయింట్ యొక్క ఐడెంటిఫైయర్. ఈ n వినియోగదారులలో, m సెన్సార్ ఏజెంట్లు, J = {j1, j2, ..., jm}గా సూచిస్తారు, మిగిలినవి సాధారణ వినియోగదారులు. అన్ని m ఏజెంట్లు కేంద్ర అధికారంచే నియంత్రించబడతారు మరియు దాని నుండి సూచనలను స్వీకరిస్తారు.
P = {p1, p2, ..., pl} ప్రాక్సీల సమితి ఉందని కూడా భావించబడుతుంది. ప్రతి అభ్యర్థన తర్వాత, క్లయింట్ పంపిణీదారు వస్తువు నుండి k ప్రాక్సీల గురించి సమాచారాన్ని (IP చిరునామా) స్వీకరిస్తారు. సమయం విరామాలు-దశలుగా విభజించబడింది, t (ఆట t=0 వద్ద ప్రారంభమవుతుంది).
ప్రతి క్లయింట్ ప్రాక్సీని అంచనా వేయడానికి స్కోరింగ్ ఫంక్షన్‌ను ఉపయోగిస్తాడు. శాస్త్రవేత్తలు ఫంక్షన్ ఉపయోగించారు 
t దశలో ప్రాక్సీ pxకి వినియోగదారు AI కేటాయించిన స్కోర్‌ను గుర్తించడానికి. అదేవిధంగా, ప్రతి ప్రాక్సీ క్లయింట్‌లను అంచనా వేయడానికి ఒక ఫంక్షన్‌ను ఉపయోగిస్తుంది. అంటే t దశలో క్లయింట్ AIకి ప్రాక్సీ px కేటాయించిన స్కోర్.
మొత్తం గేమ్ వర్చువల్ అని గుర్తుంచుకోవడం ముఖ్యం, అంటే "పంపిణీదారు" స్వయంగా ప్రాక్సీ మరియు క్లయింట్‌ల తరపున ప్లే చేస్తాడు. దీన్ని చేయడానికి, అతను క్లయింట్ రకం లేదా ప్రాక్సీలకు సంబంధించి వారి ప్రాధాన్యతలను తెలుసుకోవలసిన అవసరం లేదు. ప్రతి దశలో ఒక గేమ్ ఉంది మరియు ఆలస్యంగా అంగీకరించే అల్గోరిథం కూడా ఉపయోగించబడుతుంది.
Результаты
అనుకరణ ఫలితాల ప్రకారం, తెలిసిన లాక్ బైపాస్ సిస్టమ్‌లతో పోలిస్తే గేమ్ థియరీని ఉపయోగించే పద్ధతి అధిక సామర్థ్యాన్ని చూపించింది.
rBridge VPN సేవతో పోలిక
అదే సమయంలో, శాస్త్రవేత్తలు అటువంటి వ్యవస్థల ఆపరేషన్ నాణ్యతను ప్రభావితం చేసే అనేక ముఖ్యమైన అంశాలను గుర్తించారు:
- సెన్సార్ల వ్యూహంతో సంబంధం లేకుండా, నిరోధించడాన్ని అధిగమించే వ్యవస్థ నిరంతరం కొత్త ప్రాక్సీలతో నవీకరించబడాలి, లేకుంటే దాని ప్రభావం తగ్గుతుంది.
- సెన్సార్‌లు గణనీయమైన వనరులను కలిగి ఉన్నట్లయితే, వారు ప్రాక్సీలను కనుగొనడానికి భౌగోళికంగా పంపిణీ చేయబడిన ఏజెంట్‌లను జోడించడం ద్వారా నిరోధించే సామర్థ్యాన్ని పెంచవచ్చు.
- కొత్త ప్రాక్సీలు జోడించబడే వేగం నిరోధించడాన్ని అధిగమించడానికి సిస్టమ్ యొక్క ప్రభావానికి కీలకం.
నుండి ఉపయోగకరమైన లింకులు మరియు పదార్థాలు :
మూలం: www.habr.com