Feb, 2023

应对动态对抗性不确定性的网络系统防御中的深度强化学习

HTML
PDF
TL;DR本文根据系统状态不确定性和攻防动态的特征，提出了一个数据驱动的 DRL 框架，学习上下文感知的防御措施，以动态适应不断变化的对抗行为，同时最大程度减少对网络系统运营的影响，在多阶段攻击和系统不确定性下，DRL 算法在积极的网络防御中具有很好的效果。
发现论文，激发创造
  • 自主车辆系统安全的鲁棒深度强化学习

    本文提出了一种对抗性强化学习算法以最大化自主车辆动态控制对网络物理攻击的鲁棒性，通过分析状态估计过程并在博弈理论框架中研究了攻击者和自主车辆之间的互动以及提出了长短期记忆的使用，同时研究了数据处理的过程以提高面对网络物理攻击的鲁棒性。

    May, 2018

  • 深度强化学习在网络安全中的应用

    本文综述了应用深度强化学习方法来解决网络安全领域中的复杂、动态和高维防御问题的DRL方法，并强调了DRL在网络物理系统，自主入侵检测和通过游戏模拟来应对网络攻击的策略防御方面的价值，同时也提出了对未来DRL网络安全研究发展的建议。

    Jun, 2019

  • 基于对抗性韧性学习架构的复杂智能建模，探索和运行复杂的网络物理系统

    本文介绍了 Adversarial Resilience Learning（ARL）概念，其定义了两个代理类，即攻击者和防御者，这两个代理机器人在没有任何领域知识的情况下互相探索和训练，并且可以使用广泛的模型自由和模型基础的深度强化学习算法，例如在复杂的电力网络上运行实验，以实现复杂环境下的检查和弹性运行。

    May, 2020

  • 深度强化学习应用于网络安全威胁检测和保护的综述

    本文综述了深度强化学习在网络安全领域中的多种应用，尤其集中于网络威胁检测和终端保护。

    Jun, 2022

  • 使用基于图的网络攻击模拟训练自动化防御策略

    实现并评估了一种基于强化学习的自动化网络防御代理程序，该代理以安全警报作为输入并使用强化学习学习执行预定义的防御措施的策略，使用攻击图模拟网络攻击的环境中，被攻击者执行保护任务。该方法通过使用不同大小的攻击图、攻击者攻击策略和不同的检测系统噪声来进行评估。实验表明，通过强化学习训练的防御代理程序的性能优于使用启发式策略的代理程序，并能够概括不同的攻击者策略。

    Apr, 2023

  • 用多智-Agent 强化学习从零开始学习网络防御策略

    深度学习技术的最新进展为自主网络防御的设计提供了新的可能性，智能代理团队在计算机网络防御角色中可能揭示了保护网络和运动资产的有希望的途径，该研究对比了基于价值的独立学习和集中训练去中心化执行的合作多代理强化学习方法，表明这两种方法都优于简单的多代理启发式防御者，这项工作展示了合作多代理强化学习在学习有效的网络防御策略对抗不同威胁方面的能力。

    Aug, 2023

  • 深度强化学习在自主网络操作中的应用调查

    近年来网络攻击数量的快速增加使得有必要提出原则性方法来防御恶意行为者。深度强化学习已成为一种有望减轻这些攻击的方法，但在大规模应用于自主网络操作之前，需要克服许多挑战。本文调研了相关的深度强化学习文献，并构思了一个理想的自主网络操作的深度强化学习代理，提供了领域特性概要、深度强化学习方法与自主网络操作之间的比较、扩展深度强化学习的方法以应对高维状态空间挑战以及限制对抗环境中代理利用性的现有方法的概述和评价，并提出未来的研究问题。

    Oct, 2023

  • 通过对抗攻击和训练的强大深度强化学习：一项综述

    深度强化学习可以通过对抗训练提高其鲁棒性和可靠性，本研究对当代对抗性攻击方法进行了深入分析和分类，以提高深度强化学习代理的鲁棒性。

    Mar, 2024

  • 优化动态活动目录中的网络防御策略：基于强化学习的研究

    本研究针对组织活跃目录系统的动态本质，发展了一种基于Stackelberg博弈模型的先进的边缘阻断防御策略，通过强化学习的攻击策略和进化多样性优化的防御策略来提高防御者在硬化动态活跃目录系统上的能力，并确保对大规模活跃目录系统的可扩展性。

    Jun, 2024

  • 自主网络防御中的多智能体演员-评论者算法

    本研究解决了在快速演变的网络威胁环境中缺乏自主适应防御机制的问题。论文提出了一种基于多智能体深度强化学习的创新方法，通过多智能体演员-评论者算法提升网络防御效率。研究结果表明，这种方法显著增强了自主网络防御系统的能力，对未来的智能网络安全策略具有重要影响。

    Oct, 2024