論文の概要: Training RL Agents for Multi-Objective Network Defense Tasks

• arxiv url: http://arxiv.org/abs/2505.22531v1
• Date: Wed, 28 May 2025 16:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.723949
• Title: Training RL Agents for Multi-Objective Network Defense Tasks
• Title（参考訳）: 多目的ネットワーク防御タスクのためのRLエージェントの訓練
• Authors: Andres Molina-Markham, Luis Robaina, Sean Steinle, Akash Trivedi, Derek Tsui, Nicholas Potteiger, Lauren Brandt, Ransom Winder, Ahmed Ridley,
• Abstract要約: オープンエンドラーニング(OEL)は、狭義の能力よりも幅広い能力を達成する訓練エージェントを強調している。 我々は,OELにインスパイアされた自律型ネットワークディフェンダー開発のためのトレーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-ended learning (OEL) -- which emphasizes training agents that achieve broad capability over narrow competency -- is emerging as a paradigm to develop artificial intelligence (AI) agents to achieve robustness and generalization. However, despite promising results that demonstrate the benefits of OEL, applying OEL to develop autonomous agents for real-world cybersecurity applications remains a challenge. We propose a training approach, inspired by OEL, to develop autonomous network defenders. Our results demonstrate that like in other domains, OEL principles can translate into more robust and generalizable agents for cyber defense. To apply OEL to network defense, it is necessary to address several technical challenges. Most importantly, it is critical to provide a task representation approach over a broad universe of tasks that maintains a consistent interface over goals, rewards and action spaces. This way, the learning agent can train with varying network conditions, attacker behaviors, and defender goals while being able to build on previously gained knowledge. With our tools and results, we aim to fundamentally impact research that applies AI to solve cybersecurity problems. Specifically, as researchers develop gyms and benchmarks for cyber defense, it is paramount that they consider diverse tasks with consistent representations, such as those we propose in our work.
• Abstract（参考訳）: オープンエンドラーニング(OEL)は、狭い能力よりも幅広い能力を達成する訓練エージェントを強調するもので、堅牢性と一般化を達成するために人工知能(AI)エージェントを開発するパラダイムとして浮上している。 しかし、OELのメリットを実証する有望な結果にもかかわらず、現実世界のサイバーセキュリティアプリケーションのための自律エージェントの開発にOELを適用することは依然として課題である。 我々は,OELにインスパイアされた自律型ネットワークディフェンダー開発のためのトレーニング手法を提案する。 我々の結果は、他のドメインと同様、OEL原則はより堅牢で汎用的なサイバー防御エージェントに変換できることを示している。 OELをネットワーク防御に適用するには,いくつかの技術的課題に対処する必要がある。 最も重要なことは、目標、報酬、行動空間に対する一貫したインターフェースを維持するタスクの広い領域にタスク表現アプローチを提供することである。 これにより、学習エージェントは、以前取得した知識に基づいて構築しながら、さまざまなネットワーク条件、攻撃行動、ディフェンダー目標でトレーニングすることができる。 当社のツールと成果は,サイバーセキュリティ問題の解決にAIを適用した研究に根本的に影響することを目的としています。 特に、サイバー防衛のためのジムやベンチマークを開発する際には、我々が提案しているような一貫した表現を伴う多様なタスクを考えることが最重要である。

関連論文リスト

• Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [68.36528819227641]
  本稿では,VLAに基づくロボットシステムのロバスト性を体系的に評価する。 本研究では,ロボット行動の不安定化に空間的基盤を活用する2つの未目標攻撃目標と,ロボット軌道を操作する目標攻撃目標を導入する。 我々は、カメラの視野に小さなカラフルなパッチを配置し、デジタルと物理の両方の環境で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
  論文  参考訳（メタデータ） (2024-11-18T01:52:20Z)
• Hierarchical Multi-agent Reinforcement Learning for Cyber Network Defense [7.967738380932909]
  本稿では,サイバー防御タスクをネットワーク調査やホストリカバリといった特定のサブタスクに分解する階層的PPOアーキテクチャを提案する。 我々のアプローチは、ドメインの専門知識が強化されたPPOを使用して、各サブタスクのサブ政治を訓練することである。 これらのサブ政治は、複雑なネットワーク防御タスクを解決するためにそれらの選択を調整するマスターディフェンスポリシーによって活用される。
  論文  参考訳（メタデータ） (2024-10-22T18:35:05Z)
• Artificial Intelligence as the New Hacker: Developing Agents for Offensive Security [0.0]
  本稿では,人工知能(AI)の攻撃的サイバーセキュリティへの統合について検討する。 サイバー攻撃をシミュレートし実行するために設計された、自律的なAIエージェントであるReaperAIを開発している。 ReaperAIは、セキュリティ脆弱性を自律的に識別し、悪用し、分析する可能性を実証する。
  論文  参考訳（メタデータ） (2024-05-09T18:15:12Z)
• The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
  大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。 単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
  論文  参考訳（メタデータ） (2023-09-14T17:12:03Z)
• Learning Cyber Defence Tactics from Scratch with Multi-Agent Reinforcement Learning [4.796742432333795]
  コンピュータネットワーク防衛の役割における知的エージェントのチームは、サイバーおよび運動的資産を保護するための有望な道を明らかにする可能性がある。 エージェントは、ホストベースの防衛シナリオにおける攻撃活動を共同で緩和する能力に基づいて評価される。
  論文  参考訳（メタデータ） (2023-08-25T14:07:50Z)
• Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
  本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。 本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。 我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
  論文  参考訳（メタデータ） (2021-10-04T12:20:46Z)
• Network Defense is Not a Game [0.0]
  研究は、人工知能を人間のオペレーターがネットワークを守る能力のスケールと拡張に応用することを目指している。 我々の立場は、ネットワーク・ディフェンスは不確実でおそらく漂流するルールを持つゲームの集合として特徴づけられる。 ネットワーク防御タスクをネットワーク環境の分布として定義することを提案する。
  論文  参考訳（メタデータ） (2021-04-20T21:52:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。