本文介绍了一种自动创建高保真度仿真器的系统，并将其与代理训练流程相结合以进一步减少所需的代理训练时间，其通过连续学习提供一个统一的 CyOp 训练环境，实验结果表明 CyGIL 训练性能良好。

Apr, 2023

该论文介绍了 ns3-gym 框架的设计决策以及其在网络模拟器 ns-3 中的应用，旨在将机器学习领域的强化学习工具（如 OpenAI Gym）与网络研究相结合，并提供一个便于扩展的开源软件包。

Oct, 2018

介绍了一个新的模拟平台 Insight，用于设计和模拟针对大规模任意目标场景的网络攻击，包括模拟漏洞和利用，可应用于渗透测试、漏洞评估和风险评估等安全研究领域。

Jun, 2010

研究了在黑盒情况下深度神经网络的安全问题，并提出一种称为 “模拟器” 的广义替代模型来模拟任何未知目标模型的功能，从而降低了大量查询的复杂度。

Sep, 2020

本文旨在通过应用增强学习和深度增强学习（RL/DRL）来使网络网络运营（CyOps）中的自主智能体成为可能，并且通过提出的一个名为 Cyber Gym for Intelligent Learning（CyGIL）的统一训练环境，尤其是最近发展出的一种在仿真环境下训练智能体的解决方案，该方案旨在在实际网络环境中实现从仿真到现实的自主智能体应用。

Apr, 2023

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

通过使用神经机器人平台及其 “引擎” 和 “转发器函数” 概念，本研究分析了开发新型模拟器实现真正真实世界仿真目标的潜力和可能性，并基于 NRP-Core 平台构建了一个自动驾驶系统，包括目标检测和自主控制。

Dec, 2022

该论文介绍了 RayNet，一种可扩展和适应性的模拟框架，用于基于强化学习的网络协议的开发。通过 RayNet，作者已经成功开发了拥塞控制应用程序，并呈现了 RayNet 作为计算机网络研究社区重要框架的证据。

Feb, 2023

我们提出了 NeuronaBox，一种灵活、易用且高逼真的 DNN 训练工作负载仿真方法，通过在一部分真实节点上执行训练工作负载并模拟网络执行环境以及集体通信操作，可以准确观察性能。初步结果显示，NeuronaBox 与实际系统行为高度一致，仿真测量与真实系统之间的误差小于 1%。

May, 2024

构建金融交易仿真器的能力，包括重现限价委托簿的动态，能够对许多反事实情景提供洞见，如闪崩、追加保证金或宏观经济前景的变化。近年来，已开发了能够重现交易所许多特征的基于代理的模型，由一组简化事实和统计数据总结。然而，将仿真器校准到特定的交易期间仍然是一个待解决的挑战。在本文中，我们借鉴深度学习的最新进展，特别是使用神经密度估计器和嵌入网络，提出了一种新的市场仿真器校准方法。我们证明了我们的方法能够正确识别高概率参数集，无论是应用于合成数据还是历史数据，而无需依赖手动选择或加权的简化事实集合。

Nov, 2023