AgentBnB：基于浏览器的网络安全桌面练习，集大语言模型支持与检索对齐脚手架
计算与语言
2025-11-04 v1 密码学与安全
摘要
传统网络安全桌面练习（TTXs）提供了有价值的培训，但往往是脚本化的、资源密集型的，且难以扩大规模。我们引入 AgentBnB，这是一种基于浏览器的 Backdoors & Breaches 游戏的重新构想，集成了大语言模型同伴与以 Bloom 对齐、检索增强的 copilot（C2D2）。该系统将精选语料库扩展为事实性、概念性、程序性和元认知性片段，提供按需、按认知目标的提示。经过提示工程优化的代理人采用渐进式脚手架梯度，随着学习者信心的增长而逐步淡化。在一位单人玩家的试点中，四名研究生生物学院学生报告称，参与者表示更愿意使用基于智能体的版本，认为其比实体卡牌组和可扩展性更好，尽管在一个简单的知识小测中出现了 ceiling 效应。尽管存在小样本量、单人玩家聚焦和狭窄语料库的局限性，这些早期发现表明，大语言模型增强的 TTXs 可以提供轻量级、可重复的练习，而无需传统练习的后勤负担。计划的扩展包括多人模式、基于遥测的教练以及与更大规模人群的比较研究。
引用
@article{arxiv.2511.00265,
title = {AgentBnB: A Browser-Based Cybersecurity Tabletop Exercise with Large Language Model Support and Retrieval-Aligned Scaffolding},
author = {Arman Anwar and Zefang Liu},
journal= {arXiv preprint arXiv:2511.00265},
year = {2025}
}