Adversarial Self-Play for Adaptive Cyber Deception Against Reinforcement Learning-Based Bots in SDN-Enabled Edge Networks
Dit artikel stelt een adaptief cyber-deceptiekader voor en valideert dit voor SDN-gestuurde edge-netwerken, dat gebruikmaakt van adversarial self-play om een op reinforcement learning gebaseerde verdediger te trainen, die honeypots en moving target defenses dynamisch orkestreert om effectief RL-getrainde bots te bestrijden terwijl de respectievelijke kosten voor middelen worden geminimaliseerd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de digitale wereld leunt beveiliging al lang op een eenvoudig, statisch idee: bouw een hoge muur, schilder een duidelijke lijn en wacht tot de indringer ertegenaan botst. Firewalls en vaste regels fungeren als die muur, ontworpen om bekende dreigingen te stoppen. Maar de aard van de dreiging is veranderd. Vandaag de dag volgen aanvallers niet alleen een script; ze gebruiken kunstmatige intelligentie om te leren, zich aan te passen en het opnieuw te proberen totdat ze een weg naar binnen vinden. Wanneer een computerprogramma een netwerk kan verkennen, faalt, leert van die mislukking en onmiddellijk een andere aanpak probeert, wordt een statische muur uiteindelijk een landkaart voor de vijand. Dit laat een gevaarlijke kloof achter: hoe verdedig je een systeem wanneer de vijand voortdurend zijn eigen draaiboek herschrijft?
Het antwoord ligt in het maken van de verdediging even aanpasbaar als de aanval. Een nieuwe studie door onderzoekers van de Universiteit van Dschang in Kameroen onderzoekt deze uitdaging binnen de complexe omgeving van edge computing, waar gegevens dicht bij de plek worden verwerkt waar ze worden gegenereerd, zoals in slimme fabrieken of verbonden ziekenhuizen. Deze netwerken zijn snel en flexibel, maar hun vele kleine, verbonden apparaten zijn ook gemakkelijke doelwitten. De onderzoekers stelden een systeem voor waarbij de verdediger niet simpelweg wacht om aangevallen te worden, maar actief leert hoe hij de indringer kan misleiden. Door het conflict te behandelen als een spel tussen twee intelligente tegenstanders, creëerden zij een verdediging die in realtime evolueert, gebruikmakend van een techniek genaamd 'adversarial self-play'. In deze opstelling traint het defensieve computerprogramma zichzelf door te vechten tegen een lerende aanvaller, waardoor beide kanten met elke ronde van het spel slimmer en onvoorspelbaarder worden.
De onderzoekers bouwden een gesimuleerde versie van dit netwerk om hun idee te testen. Ze creëerden een digitale omgeving die de structuur van een modern edge-netwerk nabootst, compleet met sensoren, servers en de centrale controller die het verkeer beheert. In deze omgeving introduceerden ze twee kunstmatige intelligentie-agenten: één die optreedt als de aanvaller en één als de verdediger. Het doel van de aanvaller was simpel: een manier vinden om in het netwerk te breken en zo snel mogelijk gegevens te stelen. De taak van de verdediger was om dit te stoppen, maar niet door simpelweg de deur te blokkeren. In plaats daarvan gebruikte de verdediger een strategie die bekend staat als 'cyber deception' (cybermisleiding). Dit houdt in dat er valse digitale vallen worden gecreëerd, bekend als honeypots, en dat het netwerkontwerp constant wordt gewijzigd om de indringer te verwarren.
Om dit werkend te krijgen, gebruikten de onderzoekers een specif kind van leeralgoritme voor beide zijden. Ze lieten de twee agenten duizenden keren tegen elkaar spelen. In het begin was de aanvaller snel en de verdediger traag. Maar terwijl ze speelden, leerde de verdediger de patronen van de aanvaller te herkennen. Wanneer de aanvaller probeerde het netwerk te scannen, reageerde de verdediger door het digitale adres van het doelwit te verplaatsen of een valse server in diens pad te plaatsen. Cruciaal was dat de verdediger leerde dit alleen te doen wanneer het noodzakelijk was. Het systeem was ontworpen om te begrijpen dat het wijzigen van het netwerk energie en tijd kost, dus leerde het een balans te vinden tussen de behoefte aan beveiliging en de behoefte om het netwerk soepel te laten draaien. De aanvaller leerde op zijn beurt de strikken te herkennen en te proberen deze te vermijden, wat de verdediger dwong om met nieuwe trucs te komen.
De resultaten van deze simulaties waren opmerkelijk. Wanneer de onderzoekers het systeem testten tegen een netwerk zonder verdediging, slaagde de aanvaller snel, vaak binnen tien seconden. Wanneer ze een traditionele, statische verdediging gebruikten die vertrouwde op vaste regels en onveranderlijke vallen, leerde de aanvaller uiteindelijk het patroon kennen en omzeilde deze, waarbij hij in ongeveer dezelfde tijd slaagde. Echter, wanneer de adaptieve, lerende verdediging actief was, veranderde de uitkomst volledig. De tijd die de aanvaller nodig had om het netwerk te compromitteren, steeg naar tussen de vijftig en tachtig seconden, afhankelijk van het doelwit. Belangrijker nog, de verdediger stopte de aanval succesvol in bijna elk enkel geval, met een succespercentage van ongeveer 98 procent voor sensornetwerken en 97 procent voor de hoofdserevers.
De studie toonde ook aan hoe het gedrag van de aanvaller veranderde onder deze druk. Zonder een slimme verdediging zou de aanvaller het grootste deel van zijn tijd besteden aan het proberen in te breken bij bekende doelwitten. Maar bij het gezicht van het adaptieve systeem werd de aanvaller gedwongen meer tijd door te brengen met enkel rondkijken, om te proberen uit te zoeken waar de doelwitten zich bevonden, omdat de kaart die hij gebruikte voortdurend verouderd was. De verdediger slaagde erin het netwerk draaiende te houden zonder merkbare vertragingen, waarbij de tijd die nodig was om het systeem te herconfigureren onder de vijftig milliseconden bleef. Deze snelheid is cruciaal, aangezien dit betekent dat de verdediging kan plaatsvinden zonder de echte diensten die op het netwerk draaien te vertragen.
De onderzoekers benadrukten dat hun bevindingen afkomstig zijn uit een gesimuleerde omgeving, niet uit een fysieke omgeving. Ze bouwden hun testomgeving met software die echte hardware nabootst, wat nauwkeurige controle en herhaling mogelijk maakt, maar niet elke real-world variabele zoals hardwarefouten of draadloze interferentie vastlegt. Ze merkten op dat hoewel het systeem uitzonderlijk goed presteerde in de simulatie, de volgende stap zou zijn om het op daadwerkelijke fysieke apparatuur te testen om te zien hoe het standhoudt tegen de onvoorspelbaarheid van de echte wereld. Ze wezen er ook op dat hun huidige model ervan uitgaat dat de centrale controller veilig is en dat de detectie van een aanval wordt afgehandeld door een apart, betrouwbaar systeem.
Uiteindelijk toont dit werk aan dat de beste manier om een lerende vijand te bestrijden, een lerende verdediging is. Door het conflict te behandelen als een dynamisch spel waarbij beide zijden voortdurend evolueren, hebben de onderzoekers aangetoond dat het mogelijk is om aanvallers uit balans te houden. Het systeem vertrouwt niet op het vooraf kennen van elke mogelijke aanval; in plaats daarvan leert het te reageren op wat er op dit moment gebeurt. Deze aanpak biedt een veelbelovend pad voor de bescherming van de steeds complexere en meer verbonden netwerken die onze moderne wereld aandrijven, waarbij de handeling van verdediging zelf wordt omgezet in een continue, intelligente adaptatie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.