The MAL Simulator: Cyber Operations Simulation based on Attack & Defense Graphs
本文介绍了 MAL 模拟器，这是一个基于元攻击语言（Meta Attack Language）构建的灵活网络作战平台，能够实现自动化攻防智能体的训练与评估，并通过在仿真网络环境中的案例研究展示了它们的有效性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在数字领域，安全往往是一场以光速进行的猫鼠游戏。防御者筑起高墙并监视入侵者，而攻击者则寻找最细微的裂缝以钻入其中。为了准备这些战斗，研究人员使用计算机模拟——这些虚拟游乐场让他们可以在不冒真实系统风险的情况下测试策略。然而，创建一个真实的模拟器非常困难。如果虚拟世界过于简单，所学到的教训就无法应用于现代网络的复杂现实；如果它过于僵化，软件就无法适应新的计算机类型或新型攻击。挑战在于构建一个既足够灵活以模拟任何系统，又足够结构化以教会人工智能如何像黑客或守护者一样思考的模拟器。
瑞典皇家理工学院（KTH）的一个研究小组通过开发一种名为 MAL 模拟器的工具解决了这一挑战。该系统建立在被称为元攻击语言（Meta Attack Language）的基础之上，这是一种描述计算机、用户和软件如何交互的专门化方式。研究人员并没有硬编码每一种可能的情景，而是设计了让模拟器读取这些描述。这意味着，只需更改描述而无需重写底层代码，同一个核心软件就可以用来模拟小型办公室网络、大规模云系统或工厂控制系统。研究人员利用这个工具训练了两类人工智能智能体：一种旨在攻击系统并寻找弱点，另一种旨在防御系统。
团队在一个模仿真实计算机网络的受控环境中测试了他们的成果，该环境包含服务器、工作站以及它们之间复杂的连接。他们创建了三十个不同版本的此类网络，通过改变计算机数量和连接布局，以确保智能体学习的是通用技能而非仅仅是死记硬背一张地图。攻击智能体的目标是到达特定的敏感数据，而防御智能体的任务是在对网络干扰最小的情况下阻止攻击。在现实世界中，为了阻止黑客而关闭一台服务器虽然有效，但也会导致业务停止运行，因此防御者必须精准。
当研究人员对训练好的攻击智能体进行测试时，它证明比传统的计算机搜索方法效率显著更高。标准算法通常以系统化但盲目的方式检查每一种可能性，耗时更长且做了更多不必要的移动才能达到目标。而经过训练的智能体在经历了数千次模拟尝试后，准确知道应该采取哪条路径来快速攻破系统。它甚至可以处理从未见过的网络布局，这表明它学习到了攻击的底层逻辑，而非仅仅是某条特定路线。这表明，人工智能在导航复杂的数字环境方面，比僵化的预设规则更有效。
防御智能体的结果则更为微妙，并凸显了网络安全的一个关键现实。当模拟环境完美无瑕，即防御者能收到关于攻击者每一步动作的清晰且准确的警报时，简单的基于规则的策略与训练有素的人工智能表现一样出色。然而，现实世界很少是完美的。在包含“噪声”的模拟中——即防御者会收到虚假警报或遗漏真实警报，模拟真实网络中的混乱状态——训练有素的智能体表现优于简单的规则。人工智能学会了忽略噪声并专注于最可能的威胁，而简单的规则则很容易被虚假信号所迷惑。这一发现表明，虽然基本规则在理想条件下可能奏效，但在混乱、不确定的实际网络防御中，智能系统是必不可少的。
最具有启发性的测试是研究人员让训练好的攻击者对阵训练好的防御者。在这种场景下，防御者的性能显著下降。简单的策略和基于规则的智能体在智能攻击者的速度和适应性面前显得不堪一击。即使是训练好的防御者也显得有些吃力，这表明仅针对可预测、低速攻击者构建的防御策略不足以阻止复杂的、具备学习能力的对手。这一结果强调了一个至关重要的点：要构建真正的稳健防御，安全系统必须针对那些与它们同样聪明且具有适应性的对手进行训练。研究人员发现，如果没有这种对抗性训练，防御系统在测试中可能看起来很强大，但在面对真实的、智能的威胁时却会失效。
研究结论指出，MAL 模拟器为开发这些先进智能体提供了一个强大的平台。通过允许研究人员轻松切换不同的网络类型和攻击场景，该工具有助于创造灵活且具韧性的人工智能。这项工作证明，虽然我们可以构建出在攻击和防御方面都优于现有方法的智能体，但两者之间的差距在不断变化。随着攻击者变得更加聪明，防御者也必须同步进化。研究人员已将其模拟器及构建这些智能体的工具公开，邀请他人继续这项工作，以训练能够保护我们日益复杂的数字基础设施的系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。