利用强化学习增强泄露路径分析
密码学与安全
2023-10-06 v1
摘要
在先前使用强化学习（RL）识别泄露路径的工作基础上，本工作将方法扩展到包含协议和载荷的考量。先前针对泄露路径发现的方法中，奖励和状态专门与最优路径的确定相关联，现加入这些额外的现实特征以解释对抗行为的细微差别。通过在马尔可夫决策过程（MDP）中纳入通信载荷和协议，所生成的路径得以增强，从而更真实地模拟基于网络的泄露事件属性。所提方法将有助于模拟复杂的对抗考量，例如随时间导出的载荷大小或其发生的协议，正如威胁行为者利用系统原生端口或协议在长时间内窃取数据以规避检测的情况。因此，从业者将能更全面地基于各种载荷和协议假设改进对预期对手行为的识别。
引用
@article{arxiv.2310.03667,
title = {Enhancing Exfiltration Path Analysis Using Reinforcement Learning},
author = {Riddam Rishu and Akshay Kakkar and Cheng Wang and Abdul Rahman and Christopher Redino and Dhruv Nandakumar and Tyler Cody and Ryan Clark and Daniel Radke and Edward Bowen},
journal= {arXiv preprint arXiv:2310.03667},
year = {2023}
}