Adversarial Self-Play for Adaptive Cyber Deception Against Reinforcement Learning-Based Bots in SDN-Enabled Edge Networks
यह शोध पत्र एक SDN-सक्षम एज नेटवर्क के लिए एक अनुकूली साइबर धोखे (cyber deception) ढांचे का प्रस्ताव और सत्यापन करता है जो RL-प्रशिक्षित बॉट्स का प्रभावी ढंग से मुकाबला करने और संसाधन लागत को कम करने के लिए हनीपॉट्स (honeypots) और मूविंग टारगेट डिफेंस (moving target defenses) को गतिशील रूप से व्यवस्थित करने हेतु एक प्रतिकूल स्व-खेल (adversarial self-play) का उपयोग करके सुदृढीकरण शिक्षण-आधारित (reinforcement learning-based) रक्षक को प्रशिक्षित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल दुनिया में, सुरक्षा लंबे समय से एक सरल, स्थिर विचार पर टिकी रही है: एक ऊँची दीवार बनाओ, एक स्पष्ट रेखा खींच दो, और घुसपैठिये के उससे टकराने का इंतज़ार करो। फायरवॉल और निश्चित नियम उस दीवार की तरह कार्य करते हैं, जिन्हें ज्ञात खतरों को रोकने के लिए डिज़ाइन किया गया है। लेकिन खतरे का स्वरूप बदल गया है। आज, हमलावर केवल एक स्क्रिप्ट का पालन नहीं कर रहे हैं; वे कृत्रिम बुद्धिमत्ता (AI) का उपयोग कर रहे हैं ताकि वे सीख सकें, अनुकूलन कर सकें और तब तक प्रयास करते रहें जब तक कि उन्हें रास्ता न मिल जाए। जब एक कंप्यूटर प्रोग्राम किसी नेटवर्क की जांच कर सकता है, विफल हो सकता है, अपनी विफलता से सीख सकता है, और तुरंत एक अलग दृष्टिकोण अपना सकता है, तो एक स्थिर दीवार अंततः दुश्मन के लिए एक मानचित्र बन जाती है। यह एक खतरनाक अंतराल छोड़ देता है: आप एक सिस्टम की रक्षा कैसे करें जब दुश्मन लगातार अपनी खुद की रणनीति (प्लेबुक) को फिर से लिख रहा हो?
इसका उत्तर रक्षा को हमले की तरह ही अनुकूलनीय बनाने में निहित है। कैमून के यूनिवर्सिटी ऑफ ड्स्चांग के शोधकर्ताओं द्वारा किया गया एक नया अध्ययन एज कंप्यूटिंग (edge computing) के जटिल वातावरण के भीतर इस चुनौती का अन्वेषण करता है, जहाँ डेटा को वहीं संसाधित किया जाता है जहाँ वह उत्पन्न होता है, जैसे कि स्मार्ट कारखानों या जुड़े हुए अस्पतालों में। ये नेटवर्क तेज़ और लचीले होते हैं, लेकिन इनके कई छोटे, जुड़े हुए उपकरण आसान लक्ष्य भी होते हैं। शोधकर्ताओं ने एक ऐसा सिस्टम प्रस्तावित किया है जहाँ रक्षक केवल हमले का इंतज़ार नहीं करता, बल्कि घुसपैठिये को गुमराह करने के तरीके को सक्रिय रूप से सीखता है। इस संघर्ष को दो बुद्धिमान विरोधियों के बीच एक खेल के रूप में मानकर, उन्होंने एक ऐसी रक्षा प्रणाली बनाई जो वास्तविक समय में विकसित होती है, जिसमें 'एडवर्सरियल सेल्फ-प्ले' (adversarial self-play) नामक तकनीक का उपयोग किया गया है। इस सेटअप में, रक्षात्मक कंप्यूटर प्रोग्राम एक सीखने वाले हमलावर के विरुद्ध लड़कर खुद को प्रशिक्षित करता है, जिससे दोनों पक्ष हर खेल के दौर के साथ अधिक स्मार्ट और अप्रत्याशित बनते जाते हैं।
शोधकर्ताओं ने अपने विचार का परीक्षण करने के लिए इस नेटवर्क का एक सिम्युलेटेड संस्करण बनाया। उन्होंने एक डिजिटल वातावरण तैयार किया जो एक आधुनिक एज नेटवर्क की संरचना की नकल करता है, जिसमें सेंसर, सर्वर और ट्रैफ़िक का प्रबंधन करने वाला केंद्रीय नियंत्रक (central controller) शामिल है। इस वातावरण में, उन्होंने दो कृत्रिम बुद्धिमत्ता एजेंट पेश किए: एक हमलावर के रूप में कार्य करने वाला और एक रक्षक के रूप में। हमलावर का लक्ष्य सरल था: नेटवर्क में प्रवेश करने का रास्ता ढूँढना और डेटा को यथाशीघ्र चुराना। रक्षक का काम इसे रोकना था, लेकिन केवल दरवाज़ा बंद करके नहीं। इसके बजाय, रक्षक ने 'साइबर डेसेप्शन' (cyber deception) नामक रणनीति का उपयोग किया। इसमें नकली डिजिटल जाल बनाना शामिल है, जिन्हें 'हनीपॉट्स' (honeypots) कहा जाता है, और घुसपैठिये को भ्रमित करने के लिए नेटवर्क के लेआउट को लगातार बदलना शामिल है।
इसे सफल बनाने के लिए, शोधकर्ताओं ने दोनों पक्षों के लिए एक विशिष्ट प्रकार के लर्निंग एल्गोरिदम का उपयोग किया। उन्होंने दोनों एजेंटों को एक-दूसरे के विरुद्ध हजारों बार खेलने दिया। शुरुआत में, हमलावर तेज़ था और रक्षक धीमा था। लेकिन जैसे-जैसे वे खेलते गए, रक्षक हमलावर के पैटर्न को पहचानना सीख गया। जब हमलावर ने नेटवर्क को स्कैन करने की कोशिश की, तो रक्षक ने लक्ष्य के डिजिटल पते को बदलकर या उसके मार्ग में एक नकली सर्वर रखकर प्रतिक्रिया दी। महत्वपूर्ण रूप से, रक्षक ने यह सीखा कि ऐसा केवल आवश्यकता पड़ने पर ही किया जाए। सिस्टम को यह समझने के लिए डिज़ाइन किया गया था कि नेटवर्क को बदलने में ऊर्जा और समय खर्च होता है, इसलिए इसने सुरक्षा की आवश्यकता और नेटवर्क को सुचारू रूप से चलाने की आवश्यकता के बीच संतुलन बनाना सीखा। बदले में, हमलावर ने इन जालों को पहचानना और उनसे बचने की कोशिश करना सीखा, जिससे रक्षक को नए पैंतरे निकालने के लिए मजबूर होना पड़ा।
इन सिमुलेशन के परिणाम चौंकाने वाले थे। जब शोधकर्ताओं ने इस सिस्टम का परीक्षण बिना किसी रक्षा वाले नेटवर्क के विरुद्ध किया, तो हमलावर तेज़ी से सफल हुआ, अक्सर दस सेकंड के भीतर। जब उन्होंने एक पारंपरिक, स्थिर रक्षा का उपयोग किया जो निश्चित नियमों और अपरिवर्तनीय जालों पर निर्भर थी, तो हमलावर ने अंततः पैटर्न को सीख लिया और उसे बायपास कर दिया, जिससे वह लगभग उसी समय में सफल हो गया। हालाँकि, जब अनुकूलनीय, सीखने वाली रक्षा सक्रिय थी, तो परिणाम पूरी तरह से बदल गया। नेटवर्क को समझौता करने में हमलावर द्वारा लिया गया समय बढ़कर पचास से अस्सी सेकंड के बीच हो गया, जो लक्ष्य पर निर्भर था। इससे भी महत्वपूर्ण बात यह है कि रक्षक ने लगभग हर एक प्रयास में हमले को सफलतापूर्वक रोका, जिससे सेंसर नेटवर्क के लिए लगभग अट्ठानवे प्रतिशत और मुख्य सर्वरों के लिए सत्तानवे प्रतिशत की सफलता दर प्राप्त हुई।
अध्ययन ने यह भी दिखाया कि इस दबाव में हमलावर का व्यवहार कैसे बदल गया। बिना किसी स्मार्ट रक्षा के, हमलावर अपना अधिकांश समय ज्ञात लक्ष्यों को तोड़ने की कोशिश में बिताता था। लेकिन एक अनुकूलनीय प्रणाली का सामना करने पर, हमलावर को केवल इधर-उधर देखने में अधिक समय बिताना पड़ा, यह समझने के लिए कि लक्ष्य कहाँ हैं, क्योंकि वह मानचित्र जिसका वह उपयोग कर रहा था, वह लगातार पुराना होता जा रहा था। रक्षक ने बिना किसी ध्यान देने योग्य देरी के नेटवर्क को सुचारू रूप से चलाना जारी रखा, जिसमें सिस्टम को पुनर्गठित करने में लगने वाला समय पचास मिलीसेकंड से कम रहा। यह गति महत्वपूर्ण है, क्योंकि इसका अर्थ है कि रक्षा बिना नेटवर्क पर चल रही वास्तविक सेवाओं को धीमा किए जा सकती है।
शोधकर्ताओं ने इस बात पर ज़ोर दिया कि उनके निष्कर्ष एक सिम्युलेटेड वातावरण से आए हैं, भौतिक वातावरण से नहीं। उन्होंने अपना टेस्टबेड ऐसे सॉफ़्टवेयर का उपयोग करके बनाया जो वास्तविक हार्डवेयर की नकल करता है, जो सटीक नियंत्रण और पुनरावृत्ति की अनुमति देता है लेकिन हार्डवेयर विफलता या वायरलेस हस्तक्षेप जैसे हर वास्तविक दुनिया के चर को कैप्चर नहीं करता है। उन्होंने उल्लेख किया कि हालांकि सिस्टम ने सिमुलेशन में असाधारण प्रदर्शन किया, अगला कदम इसे वास्तविक भौतिक उपकरणों पर परखना होगा कि यह वास्तविक दुनिया की अनिश्चितता के खिलाफ कैसा प्रदर्शन करता है। उन्होंने यह भी बताया कि उनका वर्तमान मॉडल यह मानता है कि केंद्रीय नियंत्रक सुरक्षित है और हमले का पता लगाने का कार्य एक अलग, विश्वसनीय प्रणाली द्वारा संभाला जाता है।
अंततः, यह कार्य यह प्रदर्शित करता है कि एक सीखने वाले दुश्मन से लड़ने का सबसे अच्छा तरीका एक सीखने वाली रक्षा है। संघर्ष को एक गतिशील खेल के रूप में मानकर जहाँ दोनों पक्ष लगातार विकसित हो रहे हैं, शोधकर्ताओं ने दिखाया कि हमलावरों को असंतुलित रखना संभव है। यह सिस्टम पहले से ज्ञात हर संभावित हमले पर निर्भर नहीं है; इसके बजाय, यह अभी जो हो रहा है उस पर प्रतिक्रिया करना सीखता है। यह दृष्टिकोण हमारी आधुनिक दुनिया को शक्ति देने वाले तेजी से जटिल और जुड़े हुए नेटवर्क की सुरक्षा के लिए एक आशाजनक मार्ग प्रदान करता है, जो रक्षा के कार्य को एक निरंतर, बुद्धिमान अनुकूलन में बदल देता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।