工业控制系统的自主攻击缓解
密码学与安全
2021-11-05 v1 人工智能
机器学习
摘要
保护计算机网络免受网络攻击需要对告警和威胁情报作出及时响应。关于如何响应的决策涉及基于不完美的妥协指标在多个节点间协调动作,同时最小化对网络运行的干扰。当前,playbook 用于自动化响应流程的部分环节,但常将复杂决策留给人类分析师。在这项工作中,我们提出一种深度强化学习方法,用于大型工业控制网络中的自主响应与恢复。我们提出一种基于注意力的神经架构,对受保护网络的大小具有灵活性。为训练和评估自主防御智能体,我们提出一个适用于强化学习的工业控制网络仿真环境。实验表明,所学智能体能有效缓解高级攻击——此类攻击在执行前以极少可观测信号持续数月推进。所提深度强化学习方法在仿真中优于完全自动化的 playbook 方法,采取干扰更小的动作同时保护网络中更多节点。所学策略也比 playbook 方法对攻击者行为变化更具鲁棒性。
引用
@article{arxiv.2111.02445,
title = {Autonomous Attack Mitigation for Industrial Control Systems},
author = {John Mern and Kyle Hatch and Ryan Silva and Cameron Hickert and Tamim Sookoor and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:2111.02445},
year = {2021}
}
备注
11 pages