一种用于移动目标防御的因子化MDP方法：动态威胁建模与成本效率
密码学与安全
2024-08-20 v1 人工智能
机器学习
摘要
移动目标防御（MTD）作为一种主动和动态的框架应运而生，以对抗不断演变的网络威胁。传统的MTD方法通常依赖于关于攻击者知识和行为的假设。然而，现实场景本质上更加复杂，存在自适应攻击者且对其收益和意图的先验知识有限。本文提出了一种利用马尔可夫决策过程（MDP）模型的MTD新方法，该方法不依赖于预定义的攻击者收益。我们的框架通过动态贝叶斯网络将攻击者的实时响应整合到防御者的MDP中。通过采用因子化MDP模型，我们提供了全面且真实的系统表示。我们还纳入了攻击响应预测器的增量更新，以应对新数据的出现。这确保了自适应且鲁棒的防御机制。此外，我们考虑了MTD中切换配置的成本，将其整合到奖励结构中，以平衡执行成本和防御成本。我们首先通过关于遗憾的理论负结果突显了问题的挑战。然而，经验评估证明了该框架在高不确定性和动态变化攻击态势场景中的有效性。
引用
@article{arxiv.2408.08934,
title = {A Factored MDP Approach To Moving Target Defense With Dynamic Threat Modeling and Cost Efficiency},
author = {Megha Bose and Praveen Paruchuri and Akshat Kumar},
journal= {arXiv preprint arXiv:2408.08934},
year = {2024}
}