基于图式网络攻击模拟的自动化防御策略训练

我们实现并评估了一个自动化网络防御智能体。该智能体以安全告警为输入，并使用强化学习来学习执行预定义防御措施的策略。防御者策略在一个旨在模拟网络攻击的环境中进行训练。在模拟中，攻击智能体试图捕获环境中的目标，而防御者则试图通过启用防御来保护它们。该环境使用基于 Meta Attack Language 语言的攻击图进行建模。我们假设防御措施具有停机代价，即防御智能体因使用它们而受到惩罚。我们还假设环境中配备了一个不完美的入侵检测系统，该系统会根据环境状态偶尔产生错误告警。为评估该设置，我们使用不同量的入侵检测系统噪声训练了防御智能体。我们还使用不同的攻击者策略和图大小训练了智能体。在实验中，使用强化学习训练的策略的防御智能体表现优于使用启发式策略的智能体。实验还表明，这些策略可以跨不同攻击者策略进行泛化。然而，随着攻击图规模增大，所学策略的性能下降。