DeepXplain：面向多阶段APT防御的XAI导向自主系统
计算机视觉与模式识别
2026-03-24 v1
摘要
高级持续性威胁(APT)是隐蔽的、多阶段的攻击，要求具有适应性和及时性的防御。虽然深度强化学习(DRL)能够实现自主网络防御，但其决策往往在实际运行环境中难以信任。本文提出DeepXplain，一个面向多阶段APT防御的可解释DRL框架。基于我们先前的DeepStage模型，DeepXplain集成了基于源证据的图学习、时间阶段估计以及一个统一的XAI管道，提供结构性、时间性和策略性解释。不同于事后解释方法，解释信号被直接集成到策略优化中，通过证据对齐和置信感知奖励塑形。到目前为止，DeepXplain是首个将解释信号集成到强化学习中用于APT防御的框架。实验在真实的企业测试环境中表明，阶段加权F1分数(0.887→0.915)和成功率(84.7%→89.6%)均得到提升，同时解释置信度(0.86)提高，忠实度(0.79)增强，解释更为紧凑(0.31)。这些结果表明自主网络防御在有效性和可信度方面均得到提升。
引用
@article{arxiv.2603.21295,
title = {Text-Image Conditioned 3D Generation},
author = {Jiazhong Cen and Jiemin Fang and Sikuang Li and Guanjun Wu and Chen Yang and Taoran Yi and Zanwei Zhou and Zhikuan Bao and Lingxi Xie and Wei Shen and Qi Tian},
journal= {arXiv preprint arXiv:2603.21295},
year = {2026}
}
备注
CVPR 2026. Project page: https://jumpat.github.io/tigon-page Code: https://github.com/Jumpat/tigon