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

为了提高防御者的战术优势，本文通过引入一种安全游戏框架，模拟了攻击者和防御者在各种不同知晓程度和情境下的决策方式，并探究了在真假报警间取得平衡的方法。

Dec, 2022

针对人类决策中的认知偏差设计网络防御系统已经取得了显著的成功，但该领域的研究主要集中在相对简单的攻击者认知偏差上，关于对抗行为或通过破坏攻击者行为来提高防御效果的研究较少。本文提出了一种受 Instance-Based Learning Theory，Theory of Mind 和 Transfer of Learning 认知能力启发的新型人类决策模型，通过在安全场景中从防御者和攻击者角色中学习，并对对手的信念，意图和行动做出预测，以更好地抵御各种攻击，这个模型明确建模了人类学习的转移，对网络安全具有实际应用的潜在价值。

Jun, 2023

本文介绍了一种终端到终端的方法，用于研究攻击策略、设计防御代理并解释其运行。使用状态图可视化对抗行为，我们使用一组深入强化学习代理来训练不同任务部分并组织在浅层次结构中的防御模型，最终设计与之前工作相比性能有了实质性提高。最后，我们进行特征削弱和重要性研究来更好地研究我们代理的决策过程。

Jun, 2023

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

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

基于机器学习的自动化事件响应代理需要处理网络结构的变化，通过使用关系代理学习方法，将计算机网络的状态表示为关系图，并使用信息传递神经网络对其进行编码，从而解决了在网络变化时重新训练代理的问题。

Jul, 2024

本研究解决了网络安全防御者在面对攻击时的劣势，探讨了自主代理在网络防御中的有效性。通过设计一种新型强化学习代理，利用仿真环境进行训练，研究发现该代理能够有效应对来自两个高级持续威胁（APT）攻击者的持续攻击，展现了其在网络安全领域的潜在应用价值。

Sep, 2024

本研究解决了自适应网络攻击者面前网络防御代理在可靠性与透明性方面的不足。论文提出了演化行为树（EBTs）的新方法，以设计自主网络防御代理，提供高水平可解释性，并有效应对复杂的长期防御任务。实验结果表明，EBT代理在模拟网络环境中表现出强大的抗攻击能力，并且能够清晰解释其决策过程。

Oct, 2024

本研究解决了无人车辆在军事行动中面临的网络攻击响应能力不足的问题。我们创新性地采用强化学习训练代理，使其能在真实的无人地面车辆上自主应对网络攻击，并证明了该方法在简单模拟环境中也能有效训练出相关能力。研究结果表明，强化学习是一种有效的自主网络防御方法，具有提升无人军事车辆作战能力的潜力。

Oct, 2024