Jun, 2023

利用可解释的强化学习进入自治网络防御

PDF
TL;DR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。
computer network defencemachine learningattack strategiesdefensive modelsdeep reinforcement learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

    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。

    Feb, 2023

  • 适应性棋局环境中的强化学习用于检测人类可理解概念

    本研究展示了一种探测自学习算法在训练过程中内部概念的方法，以国际象棋游戏代理为例进行了演示，此方法适用于没有大量计算资源或机器学习模型的研究团体。

    Nov, 2022

  • 软件定义网络中的对抗深度强化学习在网络安全中的应用

    该研究聚焦于利用自主攻击性方法在深度强化学习 (DRL) 中提升训练的鲁棒性，并探索在软件定义网络 (SDN) 中将对抗学习应用于 DRL 以实现自主安全性的影响。通过比较两个算法，DDQN 和 NEC2DQN（或 N2D），发现通过引入因果性攻击来实施对抗学习，算法仍能根据自身的具体优势保护网络。

    Aug, 2023

  • 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

  • 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

  • 基于可解释的深度强化学习的无人机导航与规划中的鲁棒性对抗攻击检测

    采用可解释的深度学习方法为指导和规划的无人机构建了一个仿真环境，其中包括障碍和对抗性攻击，并建立了对此的对抗性攻击检测器

    Jun, 2022

  • 奖励塑造对于更快乐的自主网络安全代理的研究

    研究论文探讨了奖励信号对深度强化学习算法训练自主网络防御代理的影响，研究了奖励信号的特性，结合惩罚和正向外部奖励进行训练，并评估了内在好奇心作为内部正向奖励机制的效果以及其在高级网络监控任务中的优势。

    Oct, 2023