以攻代守（反之亦然）：网络安全博弈中的学习迁移

设计网络防御系统以考量人类决策中的认知偏差，已在提升针对人类攻击者的性能方面展现出显著成效。然而，该领域多数关注集中于对人类攻击者偏差的相对简单刻画，关于对抗行为或如何通过干扰攻击者行为来改进防御知之甚少。本工作中，我们提出一种受基于实例的学习理论、心智理论与学习迁移认知机能启发的人类决策新颖模型。该模型通过在安全场景中的两种角色——防御者与攻击者——进行学习，并对对手的信念、意图与行动进行预测来发挥作用。所提模型相比那些试图在不考量人类偏差情况下达到最优的替代方案，能更好地防御来自广泛对手的攻击。此外，通过显式建模人类学习迁移（尚未应用于网络防御场景），所提模型在面对一系列类人行为时表现更优。仿真实验结果表明，在攻击与防御角色中训练的具认知启发的智能体模型具有潜在用途，且这些见解如何可能用于真实世界网络安全中。