网络防御并非一场游戏

研究试图应用人工智能(AI)来扩展并延伸人类操作员防御网络的能力。阻碍成功AI方法——即在游戏中击败人类——泛化的一个根本问题在于,网络防御不能被定义为具有固定规则集的单一游戏。我们的观点是,网络防御更宜刻画为规则不确定且可能漂移的游戏集合。因此,我们提议将网络防御任务定义为网络环境的分布,以:(i)使研究能够应用现代AI技术,如非监督课程学习与用于网络防御的强化学习;以及(ii)促进定义良好的挑战之设计,以用于比较自主网络防御方法。为证明自主网络防御方法切实可行,必须能够推理其适用性边界。因此,我们需要能够定义捕获对抗性战术、技术与过程(TTPs)集合、服务质量(QoS)要求以及防御者可用的TTPs的网络防御任务。此外,定义这些任务的抽象须可扩展;须由允许我们推理环境分布的明确定义语义支撑;并应能从智能体学习所用的数据与经验之生成。我们名为自主网络防御网络环境设计的方法启发了FARLAND的架构——一个用于自主网络防御高级强化学习的框架,我们在MITRE利用该框架开发从MITRE Shield矩阵执行蓝方行动、对抗TTPs从MITRE ATT&CK TTPs漂移的攻击者的RL网络防御者。