Multi-Agent Influence Diagrams to Hybrid Threat Modeling

Dit artikel introduceert een nieuw raamwerk op basis van multi-agent invloedsdiagrammen om de effectiviteit van verschillende maatregelen tegen hybride bedreigingen te evalueren en te generaliseren door de strategische interactie tussen aanvallers en verdedigers te modelleren.

De kern

Stel je voor dat twee landen, laten we ze Land A (de aanvaller) en Land B (de verdediger) noemen, in een soort van gigantisch, complex bordspel zitten. Maar dit is geen spel met pionnen en dobbelstenen; het gaat om echte geopolitieke spanningen.

Land A probeert Land B te dwarsbomen zonder een echte oorlog te beginnen. Ze gebruiken "hybride dreigingen": denk aan hacken van stroomnetten, verspreiden van nepnieuws, of economische druk. Het is een spel in de "grijze zone" – niet vreedzaam, maar ook niet openlijke oorlog.

Land B wil zich verdedigen. Ze hebben een arsenaal aan maatregelen, zoals:

• Cyber-resilience: Het sterker maken van hun eigen systemen (zoals een stalen muur bouwen).
• Offensieve cyberaanvallen: Land A's systemen hacken om hen stil te leggen (een tegenaanval).
• Marktbeperkingen: Land A verbieden om bepaalde technologieën te kopen (een economische blokkade).
• Open boodschappen: Land A duidelijk maken wat er gebeurt als ze aanvallen (dreigen met straffen).

Het probleem: Land B weet niet zeker welke maatregel het beste werkt.

• Werkt het dreigen? Of denkt Land A: "Die doen ze toch niet"?
• Is het te duur om te doen?
• Zullen ze het echt oplossen als het misgaat?

De Oplossing: Een Digitale Simulatie

De auteurs van dit paper hebben een slimme computer-simulatie bedacht, een soort "Digitale Zandbak" (of een Multi-Agent Influence Diagram).

Stel je dit voor als een super-geavanceerd bordspel waarbij je 1.000 keer hetzelfde spelletje speelt, maar elke keer met net andere regels en geluksfactoren.

• Soms is Land A erg agressief.
• Soms is Land B heel goed in hacken.
• Soms is een maatregel heel duur, soms heel goedkoop.

Ze hebben experts ingeschakeld om de "regels" van dit spel in te voeren (bijvoorbeeld: "Hoe duur is het om een cybermuur te bouwen?" of "Hoe groot is de kans dat Land A bang wordt?").

Wat leerden ze uit dit spel?

Na 1.000 rondes te hebben gespeeld, kwamen ze tot een paar interessante conclusies, die je kunt vergelijken met het spelen van schaken of voetbal:

1. De "Muur" werkt vaak het beste: De maatregel die het vaakst als winnende strategie uit de bus kwam, was het beperken van de markt (Land A verbieden om bepaalde technologieën te kopen).

   • De analogie: Het is alsof je de sleutels van je huis niet alleen beter vergrendelt, maar ook de buren verbiedt om sleutels te maken. Het kost veel moeite en geld, maar het maakt het voor de dief bijna onmogelijk om binnen te komen. Het blokkeert de aanvaller direct.

2. Dreigen werkt alleen als de ander luistert: Maatregelen die puur op "straffen" en "open boodschappen" leunen (zoals zeggen: "Als je dit doet, krijg je een pak slaag"), werken alleen als de aanvaller bang is voor die pak slaag.

   • De analogie: Als je een kind vertelt dat hij een klap krijgt als hij niet luistert, werkt dat alleen als het kind bang is voor de klap. Als het kind denkt dat jij het niet durft te doen, of als het kind niet luistert naar dreigementen, werkt je strategie niet. In de simulatie faalden deze maatregelen vaak als de aanvaller niet reageerde op dreigementen.

3. De "Slimme Verdediger" kiest slim: Als Land B weet dat Land A slim is en zijn eigen belangen berekent (een "rationele" speler), dan kiest Land B vaak voor de goedkoopste manier om Land A bang te maken.

   • De analogie: Als je weet dat je tegenstander alleen speelt als hij denkt dat hij kan winnen, hoef je niet per se de duurste muur te bouwen. Soms volstaat een slimme waarschuwing of een goedkope hack om de tegenstander te laten denken: "Nee, dat is te riskant, ik doe het niet."

Waarom is dit belangrijk voor de echte wereld?

Voor beleidsmakers (de mensen die de echte beslissingen nemen) is dit papier als een proefkeuken.

In het echte leven kun je niet zomaar een cyberaanval starten om te zien wat er gebeurt. Je kunt ook niet 1.000 keer proberen om een land te straffen om te zien of het werkt.

Met dit model kunnen ze:

• Voorspellen: "Als we deze maatregel nemen, wat is de kans dat het werkt?"
• Kosten besparen: "Welke maatregel geeft het meeste resultaat voor het minste geld?"
• Strategieën aanpassen: Ze zien dat er geen "één maatregel voor alles" is. Soms moet je de deur dichtdoen (marktbeperking), soms moet je de alarmbel laten rinkelen (open boodschap), en soms moet je gewoon je eigen huis sterker maken (resilience).

Kortom: De auteurs hebben een manier gevonden om het ingewikkelde, onzekere spel van hybride oorlogsvoering in een computer te stoppen, zodat landen beter kunnen beslissen hoe ze zichzelf moeten beschermen zonder in paniek te raken of te veel geld uit te geven. Het is een hulpmiddel om de chaos van moderne oorlogsvoering een beetje overzichtelijk te maken.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Multi-Agent Influence Diagrams to Hybrid Threat Modeling" in het Nederlands.

Probleemstelling

Westerse regeringen hebben diverse maatregelen geïmplementeerd om zich te verdedigen tegen hybride dreigingen (gecoördineerd gebruik van gewelddadige en niet-gewelddadige middelen onder de drempel van gewapend conflict). De effectiviteit van deze tegenmaatregelen is echter onduidelijk vanwege:

1. De ambiguïteit en het cross-domein karakter van hybride dreigingen.
2. Moeilijkheden bij toeschrijving (attribution).
3. Onzekerheid over hoe tegenmaatregelen het gedrag van de tegenstander beïnvloeden.

Bestaande modellen zijn vaak gesplitst in twee methodologische kampen: game-theoretische modellen (die strategische interacties goed modelleren, maar moeite hebben met onzekerheid) en probabilistische modellen (zoals Bayesiaanse netwerken, die onzekerheid goed hanteren, maar strategische interacties en evenwichten minder goed vastleggen). Er is behoefte aan een geïntegreerde aanpak die beide aspecten combineert om beleidsmakers te helpen bij het prioriteren van maatregelen.

Methodologie

De auteurs introduceren een nieuw raamwerk dat Multi-Agent Influence Diagrams (MAID) combineert met causale inferentie en speltheorie.

1. Modelstructuur:

   • Het model simuleert de interactie tussen twee agenten: Agent A (aanvaller, revisionistische staat) en Agent B (verdediger).
   • Het model gebruikt een Causal Influence Diagram (CID) om probabilistische relaties (onzekerheid over detectie, toeschrijving en mitigatie) te modelleren.
   • Dit wordt uitgebreid naar een MAID om strategische beslissingen en speltheoretische evenwichten te analyseren.
   • De verdediger kiest een tegenmaatregel ($D$) om de aanvaller te ontmoedigen. De aanvaller kiest vervolgens of hij een hybride operatie ($C$) uitvoert, gebaseerd op zijn eigen kosten-batenanalyse.

2. Variabelen en Pay-offs:

   • Pay-off ($\Theta$): Gebaseerd op de schade van de aanval en de effectiviteit van de tegenmaatregel.
   • Kosten ($\Gamma$ en $H$): Directe kosten voor de verdediger (tegenmaatregel) en de aanvaller (aanval).
   • Doel: Agent B maximaliseert de verwachte pay-off door de optimale tegenmaatregel te kiezen, rekening houdend met de waarschijnlijkheid dat de aanvaller wordt ontmoedigd of dat de schade wordt geminimaliseerd.

3. Experimenteel Ontwerp:

   • Scenario: Een cyberaanval op kritieke infrastructuur (energie, water, zorg), geïnspireerd op real-world incidenten.
   • Data: Er zijn 1.000 semi-synthetische scenario's gegenereerd. De inputparameters (kosten, afschrikkingsvermogen, mitigatie) zijn afgeleid uit een literatuurstudie en een "mini-Delphi" survey met zeven strategische analisten.
   • Verdelingen: Waarden zijn getrokken uit kansverdelingen (o.a. Beta, Dirichlet, Truncated Normal) om variabiliteit en onzekerheid te modelleren.
   • Tegenmaatregelen: Vijf specifieke maatregelen zijn getest:
     1. Actieve inlichtingendeling ($d_1$)
     2. Versterken van cyberresilience op maatschappelijk niveau ($d_2$)
     3. Gebruik van offensieve cybercapaciteiten ($d_3$)
     4. Marktrestricties ($d_4$)
     5. Open afschrikmessaging via strategische communicatie ($d_5$)
     6. Geen maatregel ($d_6$)

4. Analyse:

   • Optimalisatie: Berekening van de maatregel die de verwachte pay-off maximaliseert onder probabilistische aannames.
   • Subgame Perfect Equilibrium (SPE): Toepassing van terugwaartse deductie (backward induction) om rationele uitkomsten te vinden waarbij geen enkele speler een niet-geloofwaardige bedreiging uitspreekt. Dit elimineert irrationele dreigingen en toont de strategische reactie van de aanvaller.
   • Sensitiviteitsanalyse: Gebruik van SHAP-waarden (SHapley Additive exPlanations) om te bepalen welke variabelen (bijv. kosten, kans op succesvolle afschrikking) de grootste invloed hebben op de uitkomst.

Belangrijkste Resultaten

1. Effectiviteit van Maatregelen:

   • Marktrestricties ($d_4$): Worden in de meeste scenario's (bij optimalisatie onder onzekerheid) gezien als de meest optimale maatregel. Dit komt door hun dubbele vermogen om schade te mitigeren (door toegang te beperken) en de aanvaller de capaciteit te ontnemen om aan te vallen (denial). Hoewel ze duur zijn, is de mitigatie-effectiviteit hoog.
   • Inlichtingendeling ($d_1$): Zeer kosteneffectief en cruciaal voor het mitigeren van schade door tijdige detectie. In het SPE-scenario (waar de aanvaller rationeel reageert) wordt dit vaak de voorkeursmaatregel als het voldoende is om de aanvaller af te schrikken, omdat het goedkoper is dan marktrestricties.
   • Offensieve cyberoperaties ($d_3$) en Open Messaging ($d_5$): Deze maatregelen, die vertrouwen op "deterrence by punishment", hebben een hoge variabiliteit in effectiviteit. Ze zijn zeer effectief als de tegenstander gevoelig is voor straffen, maar volledig inefficiënt als de tegenstander niet reageert op dreigingen, omdat ze geen schade mitigeren als de aanval toch plaatsvindt.
   • Cyberresilience ($d_2$): Consistent effectief voor zowel schadebeperking als afschrikking, maar vaak kostbaar in implementatie.

2. Strategische Interactie (SPE):

   • In de SPE-analyse blijkt dat de verdediger strategisch de meest kostenefficiënte maatregel kiest die de aanvaller toch afschrikt.
   • Als de aanvaller waarschijnlijk toch zal aanvallen (ongeacht de maatregel), kiest de verdediger voor maatregelen die de schade minimaliseren (zoals inlichtingendeling) in plaats van dure maatregelen die alleen gericht zijn op afschrikking.
   • De kans op een daadwerkelijke hybride aanval is laag in de SPE-resultaten, wat aangeeft dat de gekozen maatregelen succesvol zijn in het beïnvloeden van de strategische calculus van de aanvaller.

3. Sensitiviteit:

   • De effectiviteit van maatregelen is sterk afhankelijk van de kans op succesvolle afschrikking ($q$) en de kosten ($\gamma$).
   • Voor maatregelen gericht op straf (punishment) is de gevoeligheid voor de bereidheid van de tegenstander om te reageren extreem hoog. Als deze respons onzeker is, daalt de effectiviteit drastisch.

Bijdragen en Significatie

• Methodologische Innovatie: Dit is het eerste werk dat game-theoretische en probabilistische grafische modellen unificeert in een Multi-Agent Influence Diagram voor hybride dreigingen. Dit overbrugt de kloof tussen het modelleren van strategische interacties en het hanteren van diepe onzekerheid.
• Beleidsondersteuning: Het model biedt een prototype voor beleidsmakers om tegenmaatregelen te testen en te prioriteren onder onzekerheid. Het benadrukt dat er geen "one-size-fits-all" oplossing is; de optimale maatregel hangt af van de specifieke kenmerken van de tegenstander en de context.
• Insight in "Favoring Conditions": De studie toont aan dat de effectiviteit van maatregelen sterk afhankelijk is van omgevingsfactoren (zoals de receptiviteit van de tegenstander). Dit onderstreept het belang van communicatiestrategieën en het begrijpen van de tegenstander.
• Toekomstperspectief: Het paper pleit voor verdere verfijning van de inputdata (via betere expert-elicitation) en uitbreiding naar andere domeinen dan alleen cyber (bijv. economisch, diplomatiek) om de complexiteit van hybride dreigingen volledig te vatten.

Kortom, de paper levert een robuust wiskundig raamwerk dat helpt om de complexe afweging tussen kosten, risico's en strategische reacties bij hybride dreigingen kwantitatief te onderbouwen.