在渗透测试的强化学习中使用网络地形
机器学习
2022-08-08 v2 密码学与安全
网络与互联网体系结构
摘要
强化学习（RL）已被应用于攻击图以进行渗透测试，然而训练出的智能体并不反映现实，因为攻击图缺乏通常在战场情报准备（IPB）中所捕获的包含（网络）地形概念的操作细微差别。特别是，当前实践仅使用通用漏洞评分系统（CVSS）及其组件构建攻击图。我们提出了利用 IPB 中网络地形分析的概念（障碍、接近路线、关键地形、观察与火力范围、掩护与隐蔽）构建攻击图的方法。我们在一个将防火墙视为障碍并分别表征于（1）奖励空间和（2）状态动态的示例中演示了我们的方法。我们表明地形分析可用于为 RL 的攻击图带来现实性。
引用
@article{arxiv.2108.07124,
title = {Using Cyber Terrain in Reinforcement Learning for Penetration Testing},
author = {Rohit Gangupantulu and Tyler Cody and Paul Park and Abdul Rahman and Logan Eisenbeiser and Dan Radke and Ryan Clark},
journal= {arXiv preprint arXiv:2108.07124},
year = {2022}
}
备注
2022 IEEE International Conference on Omni-Layer Intelligent Systems (COINS)