行为多样的自动化渗透测试：一种好奇心驱动的多目标深度强化学习方法
机器学习
2022-02-23 v1 人工智能
密码学与安全
摘要
渗透测试通过模拟真实主动对手在评估目标网络安全性中扮演关键角色。深度强化学习(RL)被视为自动化渗透测试过程、减少人力投入并提高可靠性的有前景方案。现有 RL 方案聚焦于寻找特定攻击路径以影响目标主机。然而现实中，需要多样化的攻击变体以提供对目标网络安全水平的全面评估。因此，攻击智能体在渗透网络时必须考虑多个目标。尽管如此，现有文献未充分解决此挑战。为此，我们将自动化渗透测试表述于多目标强化学习(MORL)框架中，并提出 Chebyshev 分解评论家以发现平衡渗透测试中不同目标的多样对手策略。此外，可用动作数量随智能体持续探测目标网络而增加，使许多实际情境下训练过程难以处理。因此我们引入基于覆盖的掩码机制，降低对先前所选动作的关注，以帮助智能体适应未来探索。在一系列场景上的实验评估表明，相较于适配的算法，我们所提方法在多目标学习与性能效率方面均具优越性。
引用
@article{arxiv.2202.10630,
title = {Behaviour-Diverse Automatic Penetration Testing: A Curiosity-Driven Multi-Objective Deep Reinforcement Learning Approach},
author = {Yizhou Yang and Xin Liu},
journal= {arXiv preprint arXiv:2202.10630},
year = {2022}
}
备注
6 pages,4 Figures