面向拓扑自适应网络安全防御的注意力图智能体

随着网络威胁日益复杂，强化学习（RL）正成为创建智能和自适应网络安全防御系统的有前景技术。然而，大多数现有自主防御智能体忽略了网络威胁面临的图结构，这可能导致信息缺失并限制其适应性。为克服这些限制，我们开发了一个定制版本的 Cyber Operations Research Gym（CybORG）环境，将网络状态编码为具有真实低层特征的有向图。我们采用图注意力网络（GAT）架构处理节点、边和全局特征，并将其输出适配到 RL 的策略梯度方法中。我们的 GAT 基于方法相对于展平型方案具有关键优势：对某些类型意外动态网络拓扑变化具有韧性，对同一结构分布内不同大小网络具有合理的泛化能力，以及基于可触及网络属性的可解释防御动作。我们展示了即使在仿真期间出现意外连接，GAT 防御策略也可使用我们的低层有向图观察进行训练。在不同大小但结构一致的子网络仿真中，我们的策略实现了与为每个网络配置分别训练的策略相当的性能。我们的研究为开发能更好适应现实世界网络安全挑战的鲁棒网络防御系统贡献了力量。