論文の概要: A Cyber Range Evaluation of Autonomous Network Incident Response Agents

• arxiv url: http://arxiv.org/abs/2609.16541v1
• Date: Tue, 15 Sep 2026 02:36:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.309226
• Title: A Cyber Range Evaluation of Autonomous Network Incident Response Agents
• Title（参考訳）: 自律型ネットワークインシデント対応エージェントのサイバーレンジ評価
• Abstract要約: 我々は,人的操作者訓練を目的としたサイバー範囲におけるネットワーク侵入応答の自動化のためのエージェントの性能を検証した。 防御エージェントの目標は、ネットワーク内のホストがレッドチームエージェントによってアクセスされることを防止し、防御対策から生じる可用性コストを最小限に抑えることである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We test the performance of agents for automated network intrusion response in a cyber range intended for human operator training. The range implements an emulated networking environment with a variable network topology, red-team emulation and simulated user agents. The goal of the defensive agents is to prevent hosts in the network from being accessed by the red-team agent, while minimizing the availability costs induced from defensive measures. Alerts are generated using a SIEM platform and mapped to a data modeling language used by the agents. We test a combination of heuristic agents and policies learned using reinforcement learning. The learned policies are optimized to minimize the combined cost using a cyber attack simulator modeling the network. We found that the reinforcement learning agents were overall more efficient at defending the system than the heuristic policy, and that the performance depends highly on the policy of the adversary in combination with the simulated users.
• Abstract（参考訳）: 我々は,人的操作者訓練を目的としたサイバー範囲におけるネットワーク侵入応答の自動化のためのエージェントの性能を検証した。 このレンジは、ネットワークトポロジの可変化、赤チームエミュレーション、ユーザーエージェントのシミュレーションを備えたエミュレートされたネットワーク環境を実装している。 防御エージェントの目標は、ネットワーク内のホストがレッドチームエージェントによってアクセスされることを防止し、防御対策から生じる可用性コストを最小限に抑えることである。 アラートはSIEMプラットフォームを使用して生成され、エージェントが使用するデータモデリング言語にマップされる。 我々は,強化学習を用いて学習したヒューリスティックエージェントと政策の組み合わせを検証した。 学習したポリシーは、ネットワークをモデル化するサイバー攻撃シミュレータを使用して、組み合わせたコストを最小限にするために最適化されている。 その結果、強化学習エージェントはヒューリスティックな方針よりもシステムを守るのが全体的に効率的であり、その性能はシミュレーションされたユーザと組み合わせて相手の方針に大きく依存していることが判明した。

関連論文リスト

• Learning Red Agent Policy from Observations for Neurosymbolic Autonomous Cyber Agents [0.0761187029699472]
  現代のネットワークは、強化学習(RL)を通じて訓練されたインテリジェントなサイバー防御エージェントを必要とする 本稿では、模倣学習を用いたポリシー学習手法を提案し、離散状態と離散動作を持つ部分観測可能なRLエージェントのポリシーを学習する。 我々は,この手法を自律型サイバー環境に適用し,ネットワーク観測とディフェンダー行動からレッドエージェントの行動を予測する。
  論文  参考訳（メタデータ） (2026-06-16T17:50:41Z)
• DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents [121.77550256034]
  DecodingTrust-Agent Platform (DTap)は、AIエージェントのためのコントロール可能でインタラクティブなレッドチームプラットフォームである。 DTap-Redは、多様なインジェクションベクターを探索し、効果的な攻撃戦略を自律的に発見する、最初の自律的赤チームエージェントである。 DTapを通じて、さまざまなバックボーンモデル上に構築された一般的なAIエージェントの大規模評価を行う。
  論文  参考訳（メタデータ） (2026-05-06T11:59:48Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• Towards a Generalisable Cyber Defence Agent for Real-World Computer Networks [0.0]
  本研究では,Topological Extensions for Reinforcement Learning Agents (TERLA)を紹介する。 TERLAは、トポロジとサイズが異なるネットワークの防衛において、再訓練を必要とせず、汎用性を提供する。 汎用性は、すべてのTERLAエージェントが同じネットワークに依存しないニューラルネットワークアーキテクチャを持っていることを示すことで実証されている。
  論文  参考訳（メタデータ） (2025-11-12T08:38:34Z)
• Searching for Privacy Risks in LLM Agents via Simulation [61.229785851581504]
  本稿では,プライバシクリティカルなエージェントインタラクションのシミュレーションを通じて,攻撃と防御戦略の改善を交互に行う検索ベースのフレームワークを提案する。 攻撃戦略は、直接の要求から、不正行為や同意偽造といった高度な戦術へとエスカレートする。 発見された攻撃と防御は、さまざまなシナリオやバックボーンモデルにまたがって伝達され、プライバシーに配慮したエージェントを構築するための強力な実用性を示している。
  論文  参考訳（メタデータ） (2025-08-14T17:49:09Z)
• Robust Defense Against Extreme Grid Events Using Dual-Policy Reinforcement Learning Agents [0.0]
  強化学習(RL)エージェントは電力グリッドを管理する強力なツールである。 大量のデータを使ってアクションを通知し、フィードバックとして報酬を受け取り、システムに対して好意的な反応を学習する。 この能力は、RL剤の需要が増加している電力ネットワークの脱炭に特に有用である。
  論文  参考訳（メタデータ） (2024-11-17T21:30:48Z)
• Structural Generalization in Autonomous Cyber Incident Response with Message-Passing Neural Networks and Reinforcement Learning [0.0]
  小さなネットワーク変更のためのリトレーニングエージェントは、時間とエネルギーを消費する。 ホストの数が異なる元のネットワークの変種を作成し、エージェントを追加のトレーニングなしでテストします。 デフォルトのベクトル状態表現を使用するエージェントのパフォーマンスは向上するが、各ネットワークで特別にトレーニングする必要がある。
  論文  参考訳（メタデータ） (2024-07-08T09:34:22Z)
• Dissecting Adversarial Robustness of Multimodal LM Agents [70.2077308846307]
  我々は、VisualWebArena上に現実的な脅威モデルを用いて、200の敵タスクと評価スクリプトを手動で作成する。 我々は,クロボックスフロンティアLMを用いた最新のエージェントを,リフレクションやツリーサーチを行うエージェントを含む,壊すことに成功している。 AREを使用して、新しいコンポーネントの追加に伴うロバスト性の変化を厳格に評価しています。
  論文  参考訳（メタデータ） (2024-06-18T17:32:48Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Autonomous Attack Mitigation for Industrial Control Systems [25.894883701063055]
  サイバー攻撃からコンピュータネットワークを守るには、警告や脅威情報に対するタイムリーな対応が必要である。 本稿では,大規模産業制御ネットワークにおける自律応答と回復に対する深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-03T18:08:06Z)
• 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)

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。