論文の概要: CSLE: A Reinforcement Learning Platform for Autonomous Security Management
- arxiv url: http://arxiv.org/abs/2604.15590v1
- Date: Thu, 16 Apr 2026 23:59:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.682331
- Title: CSLE: A Reinforcement Learning Platform for Autonomous Security Management
- Title（参考訳）: CSLE: 自律型セキュリティ管理のための強化学習プラットフォーム
- Authors: Kim Hammar,
- Abstract要約: 本稿では,自律型セキュリティ管理のための強化学習プラットフォームCSLEを紹介する。
CSLEは,運用システムに近似した環境において,ほぼ最適のセキュリティ管理を可能にする。
- 参考スコア（独自算出の注目度）: 1.0152838128195467
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Reinforcement learning is a promising approach to autonomous and adaptive security management in networked systems. However, current reinforcement learning solutions for security management are mostly limited to simulation environments and it is unclear how they generalize to operational systems. In this paper, we address this limitation by presenting CSLE: a reinforcement learning platform for autonomous security management that enables experimentation under realistic conditions. Conceptually, CSLE encompasses two systems. First, it includes an emulation system that replicates key components of the target system in a virtualized environment. We use this system to gather measurements and logs, based on which we identify a system model, such as a Markov decision process. Second, it includes a simulation system where security strategies are efficiently learned through simulations of the system model. The learned strategies are then evaluated and refined in the emulation system to close the gap between theoretical and operational performance. We demonstrate CSLE through four use cases: flow control, replication control, segmentation control, and recovery control. Through these use cases, we show that CSLE enables near-optimal security management in an environment that approximates an operational system.
- Abstract（参考訳）: 強化学習は、ネットワークシステムにおける自律的かつ適応的なセキュリティ管理に対する有望なアプローチである。
しかし、現在のセキュリティ管理のための強化学習ソリューションは、主にシミュレーション環境に限られており、どのように運用システムに一般化するかは定かではない。
本稿では、現実的な条件下での実験を可能にする自律型セキュリティ管理のための強化学習プラットフォームであるCSLEを提示することにより、この制限に対処する。
概念的には、CSLEは2つのシステムを含んでいる。
まず、ターゲットシステムのキーコンポーネントを仮想化環境で複製するエミュレーションシステムを含む。
我々はこのシステムを用いて,マルコフ決定プロセスなどのシステムモデルを特定し,測定値とログを収集する。
第2に、システムモデルのシミュレーションを通じて、セキュリティ戦略を効率的に学習するシミュレーションシステムを含む。
学習した戦略をエミュレーションシステムで評価・洗練し、理論的性能と運用性能のギャップを埋める。
我々は,フロー制御,レプリケーション制御,セグメンテーション制御,リカバリ制御の4つのユースケースを通じてCSLEを実証する。
これらの事例を通して,CSLEは運用システムに近似した環境における準最適セキュリティ管理を可能にすることを示す。
関連論文リスト
- Design and Validation of Learning Aware HMI For Learning-Enabled Increasingly Autonomous Systems [2.913852496198787]
本研究は,システム工学プロセスに人間と機械の協調を組み込むことの重要性を強調する。
提案するLEIASアーキテクチャは,運用安全性を高めるために,コミュニケーション表現とパイロット選好学習に重点を置いている。
論文 参考訳（メタデータ） (2025-01-30T17:15:39Z) - Cognitive Kernel: An Open-source Agent System towards Generalist Autopilots [54.55088169443828]
我々は,ジェネラリストオートパイロットの目標に向けて,オープンソースのエージェントシステムであるCognitive Kernelを紹介する。
主にユーザーに依存して必要な状態情報を提供する自動操縦システムとは異なり、自動操縦システムは独立してタスクを完了しなければならない。
これを実現するために、自動操縦システムでは、ユーザの意図を理解し、様々な現実世界の情報源から必要な情報を積極的に収集し、賢明な判断をする必要がある。
論文 参考訳（メタデータ） (2024-09-16T13:39:05Z) - Hierarchical Framework for Interpretable and Probabilistic Model-Based
Safe Reinforcement Learning [1.3678669691302048]
本稿では,安全クリティカルシステムにおける深層強化学習の新たなアプローチを提案する。
確率論的モデリングと強化学習の利点と、解釈可能性の利点を兼ね備えている。
論文 参考訳（メタデータ） (2023-10-28T20:30:57Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-27T14:47:52Z) - In-Distribution Barrier Functions: Self-Supervised Policy Filters that
Avoid Out-of-Distribution States [84.24300005271185]
本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。
本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
論文 参考訳（メタデータ） (2023-01-27T22:28:19Z) - Meta-Reinforcement Learning for Adaptive Control of Second Order Systems [3.131740922192114]
プロセス制御では、多くのシステムは類似しており、よく理解されているダイナミクスを持ち、メタ学習を通じて一般化可能なコントローラを作成することは可能であることを示唆している。
本稿では,メタ強化学習(meta-RL)制御戦略を定式化し,モデル構造などのトレーニングにおいて,既知のオフライン情報を活用する。
重要な設計要素は、トレーニング中にモデルベースの情報をオフラインで利用し、新しい環境と対話するためのモデルフリーのポリシー構造を維持することである。
論文 参考訳（メタデータ） (2022-09-19T18:51:33Z) - Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。
これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文 参考訳（メタデータ） (2022-08-23T05:02:09Z) - A System for Interactive Examination of Learned Security Policies [0.0]
本稿では,学習したセキュリティポリシーを相互に検証するシステムを提案する。
これにより、ユーザーはマルコフ決定プロセスのエピソードを制御された方法で横切ることができる。
論文 参考訳（メタデータ） (2022-04-03T17:55:32Z)
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。