通过交互式网络防御博弈从人类防御者学习模拟对手
密码学与安全
2023-04-04 v1 人机交互
摘要
鉴于网络犯罪增多，网络安全分析师(即防御者)需求旺盛。防御者必须监控组织网络以评估威胁与潜在入侵。对手模拟常用于测试防御者针对已知组织威胁的表现。然而，该训练过程在使防御者为这一高要求工作做好准备方面是否有效尚不清楚。本文展示如何利用对抗算法，通过交互式网络防御博弈研究防御者对防御策略的学习。我们的交互式防御博弈(IDG)代表一种网络防御场景，需持续监控传入网络告警，并允许防御者依据网络中观测到的事件进行分析、移除和恢复服务。我们研究中的参与者面对两类模拟对手之一。Beeline对手为快速、定向且知情的攻击者；Meander对手为缓慢攻击者，在网络中游荡直至找到可利用的正确目标。我们的结果表明，尽管人类防御者初期更难阻止Beeline对手，但他们能够通过利用该对手的攻击策略学会阻止之。与Beeline对手对战的参与者学会预判对手并采取更多主动行动，同时减少被动反应行动。这些发现对理解如何帮助网络安全分析师加快训练具有启示意义。
引用
@article{arxiv.2304.01142,
title = {Learning About Simulated Adversaries from Human Defenders using Interactive Cyber-Defense Games},
author = {Baptiste Prebot and Yinuo Du and Cleotilde Gonzalez},
journal= {arXiv preprint arXiv:2304.01142},
year = {2023}
}
备注
Submitted to Journal of Cybersecurity