使用强化学习发现 Tor 和公共网络上的指挥和控制（C2）通道

Feb, 2024

使用强化学习发现 Tor 和公共网络上的指挥和控制（C2）通道

Discovering Command and Control (C2) Channels on Tor and Public Networks Using Reinforcement Learning

Cheng Wang, Christopher Redino, Abdul Rahman, Ryan Clark, Daniel Radke...

TL;DR本文通过强化学习机制，在公共网络和 Tor 网络下自动模拟 C2 攻击行动，配置负载大小和网络防火墙以模拟现实攻击场景，并在典型网络配置上显示了 RL 代理可以自动发现具有韧性的 C2 攻击路径，并绕过网络防火墙。

Abstract

Command and control (C2) channels are an essential component of many types of cyber attacks, as they enable attackers to remotely control their malware-infected machines and execute harmful actions, such as propagating malicious code across networks, exfiltrating confidential data, or

command and control channels cyber attacks reinforcement learning c2 attack campaigns network firewalls

发现论文，激发创造

使用强化学习发现指挥与控制渠道

通过采用基于强化学习的方法，模拟了一个三阶段的命令与控制流程，并建立了一个马尔可夫决策过程来最大化数据窃取的有价值主机数量，同时考虑到负载和防御机制，该方法在网络安全领域具有高效性且成果良好。

Jan, 2024

DeepC2: 基于人工智能的社交网络隐蔽指挥和控制

本文提出了一种基于人工智能技术的 C&C 攻击方式 DeepC2，用于解决攻击者在在线社交网络上的两个主要问题：如何在不被防御者发现的情况下找到攻击者，以及如何在信息中隐藏命令，从而避免被社交网络检测到。实验表明，该方法可以让恶意软件在不被发现的情况下与攻击者进行通信。

Sep, 2020

运用强化学习进行高级勒索软件攻击模拟的红队技术

该研究使用增强学习方法来模拟勒索软件攻击，通过训练模型来快速学习有效的攻击策略，揭示网络弱点并开发更强大的防御措施。

Jun, 2024

动态网络航行学习：用于战术环境拥塞控制的 MARLIN 强化学习框架

本研究提出了一种利用 RL 框架来优化战术网络拥塞控制的方法，并使用 MARLIN 智能体在依托于精确的仿真环境下训练，在模拟的卫星通信和 UHF 无线电链路之间测试其性能，结果表明 MARLIN 在战术网络环境下优于传统的 TCP Cubic 和默认的 Mockets 解决方案，这突出了在优化战术网络 CC 中使用专门的 RL 方案的有效性。

Jun, 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

再构想指挥控制

未来战争需要在更加复杂、快节奏、结构模糊和苛刻的条件下进行指挥和控制决策，而现有的指挥与控制实践无法保持对未来战场上对手的优势。为了解决这些挑战，作者提出了一种未来指挥与控制的愿景，即人工智能系统与人类之间建立牢固的合作伙伴关系，以简化指挥与控制操作流程、保持行动上的统一性并发展适应性的集体知识系统。本文展示了未来指挥与控制能力的设想，讨论了对其进行构建的假设，并描述了提议的发展如何改变未来战争中的指挥与控制。

Feb, 2024

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

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

Raijū: 强化学习引导的后渗透自动化安全评估网络系统

我们提出了 Raiju 框架，这是一个基于强化学习的自动化方法，可帮助渗透测试人员快速完成网络系统的后渗透安全评估过程。通过使用两种强化学习算法（A2C 和 PPO）训练智能代理，我们实现了自动选择和执行行动以利用目标系统中的漏洞，从而自动化渗透测试工作流程的某些方面，增强其对新出现的威胁和漏洞的响应能力。

Sep, 2023