面向网络安全的层次化对抗鲁棒多主体强化学习框架
机器学习
2025-07-01 v1 人工智能
密码学与安全
多智能体系统
摘要
网络-物理系统（CPS）在制造业、能源分配和自主交通系统等多个领域的基础设施中发挥着关键作用。然而，随着其不断连接，他们对适应性和零日攻击等高级网络威胁高度脆弱，传统的基于规则的入侵检测和单主体强化学习方法已不再充分。为克服这些挑战，本文引入了一种 novel 的层次化对抗鲁棒多主体强化学习（HAMARL）框架。HAMARL 采用层次化结构，包括专注于子系统安全的本地智能体以及负责监督和优化全系统防御策略的全局协调器。此外，该框架集成了针对演变网络威胁的对抗训练循环，以实现主动防御适应。在模拟的工业物联网测试平台上的广泛实验评估表明，HAMARL 在显著提高攻击检测准确率、减少响应时间并确保运营连续性方面， substantially 超过传统多主体强化学习方法。结果强调了将层次化多主体协调与对抗感知训练相结合以增强下一代 CPS 韧性和安全性的有效性。
引用
@article{arxiv.2506.22445,
title = {Hierarchical Adversarially-Resilient Multi-Agent Reinforcement Learning for Cyber-Physical Systems Security},
author = {Saad Alqithami},
journal= {arXiv preprint arXiv:2506.22445},
year = {2025}
}