# 自主网络防御

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。

该工作提出 Trident——一个由动态基准（含 CybORG CAGE 4 与 CyberWheel 的隔离沙箱服务器）、超过 13,000 条高保真红蓝交互轨迹数据集，以及“Code-as-Policy”RLVR 智能体架构（Trident Agentic）组成的智能体化 LLM 红队框架；其中 Trident Agentic 通过 Log Summarizer—Planner—Coder 三方设计把红方训练重构为上下文赌博机，由可训练 Planner 从压缩执行日志生成完整攻击策略、由冻结 Coder 翻译为可执行 Python 策略并部署对抗实时 DRL 防御方；实证评估显示，仅用一个可训练 7B 规划器，Trident 相比静态红方基线使蓝方

该工作提出 Trident——一个由动态基准（含 CybORG CAGE 4 与 CyberWheel 的隔离沙箱服务器）、超过 13,000 条高保真红蓝交互轨迹数据集，以及“Code-as-Policy”RLVR 智能体架构（Trident Agentic）组成的智能体化 LLM 红队框架；其中 Trident Agentic 通过 Log Summarizer—Planner—Coder 三方设计把红方训练重构为上下文赌博机，由可训练 Planner 从压缩执行日志生成完整攻击策略、由冻结 Coder 翻译为可执行 Python 策略并部署对抗实时 DRL 防御方；实证评估显示，仅用一个可训练 7B 规划器，Trident 相比静态红方基线使蓝方