CyGIL：一种在仿真网络系统上训练自主智能体的网络靶场
密码学与安全
2021-09-09 v1 人工智能
机器学习
摘要
鉴于强化学习（RL）在各领域的成功，探索将其方法应用于智能自主网络智能体开发大有前景。实现该开发需要具代表性的 RL 训练环境。为此，本工作提出 CyGIL：一个用于网络作战的仿真 RL 训练环境实验测试床。CyGIL 采用无状态环境架构并融入 MITRE ATT&CK 框架以建立高保真训练环境，同时提供充分抽象的接口以支持 RL 训练。其完备动作空间与灵活博弈设计使智能体训练可聚焦于特定高级持续性威胁（APT）轮廓，并纳入广泛潜在威胁与漏洞。通过在保真度与简洁性间取得平衡，其旨在利用最先进 RL 算法应用于现实网络防御。
引用
@article{arxiv.2109.03331,
title = {CyGIL: A Cyber Gym for Training Autonomous Agents over Emulated Network Systems},
author = {Li Li and Raed Fayad and Adrian Taylor},
journal= {arXiv preprint arXiv:2109.03331},
year = {2021}
}
备注
Presented at 1st International Workshop on Adaptive Cyber Defense, 2021 (arXiv:2108.08476)