捕鼠游戏：利用 Q-Learning 算法改进网络安全中的攻击者
人工智能
2023-03-13 v1 多智能体系统
摘要
网络攻击的持续上升以及网络安全领域缺乏能够应对这些攻击的专业人才，显示出对能够以良好性能检测攻击的自动化工具的需求。攻击者掩饰其行动并发起由多个动作组成的难以检测的攻击。因此，改进防御工具需要针对训练有素的攻击者进行校准。在本工作中，我们提出一个攻击智能体与环境模型，并使用基础 Q-Learning、朴素 Q-Learning 与 DoubleQ-Learning（均为 Q-Learning 的变体）评估其性能。该攻击智能体以窃取数据为目标进行训练，其中网络中所有主机均具有非零检测概率。结果表明，DoubleQ-Learning 智能体具有最佳总体性能率，在 的交互中成功达成目标。
引用
@article{arxiv.2302.03768,
title = {Catch Me If You Can: Improving Adversaries in Cyber-Security With Q-Learning Algorithms},
author = {Arti Bandhana and Ondřej Lukáš and Sebastian Garcia and Tomáš Kroupa},
journal= {arXiv preprint arXiv:2302.03768},
year = {2023}
}