Jakob Nyberg

KTH 团队发布 MAL Simulator，把网络攻防仿真建立在 Meta Attack Language 建模语言之上，更换目标域时不必改动仿真器源码。在基于 CRATE 靶场中 ADS-24 网络构建的 30 个场景上，训练出的强化学习攻击智能体在 15 个未见测试场景上的回报为 −301±10.3，优于广度优先、深度优先和随机搜索；在 1% 误报与漏报条件下，带噪声训练的防御智能体平均回报为 −60355±945，优于启发式防御的 −61653±914。但面对强化学习攻击者时，所有防御智能体的回报都明显下降。

KTH 团队发布 MAL Simulator，把网络攻防仿真建立在 Meta Attack Language 建模语言之上，更换目标域时不必改动仿真器源码。在基于 CRATE 靶场中 ADS-24 网络构建的 30 个场景上，训练出的强化学习攻击智能体在 15 个未见测试场景上的回报为 −301±10.3，优于广度优先、深度优先和随机搜索；在 1% 误报与漏报条件下，带噪声训练的防御智能体平均回报为 −60355±945，优于启发式防御的 −61653±914。但面对强化学习攻击者时，所有防御智能体的回报都明显下降。