論文の概要: The MAL Simulator: Cyber Operations Simulation based on Attack & Defense Graphs

• arxiv url: http://arxiv.org/abs/2609.16563v1
• Date: Tue, 15 Sep 2026 02:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.321676
• Title: The MAL Simulator: Cyber Operations Simulation based on Attack & Defense Graphs
• Title（参考訳）: MALシミュレータ:アタック・アンド・ディフェンスグラフに基づくサイバー操作シミュレーション
• Abstract要約: MAL Simulatorは、メタアタック言語(MAL)に基づくサイバー操作シミュレータである。 攻撃モデリング言語を中心にシミュレータを構築することで、ソースコードを変更することなく、異なるターゲットドメインに適応することができる。 このシミュレータを2種類のケーススタディに使用し、自動サイバー操作のための2種類のエージェントを訓練した。
• 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 have developed the MAL Simulator, a cyber operation simulator based on the Meta Attack Language (MAL). The MAL Simulator is intended for decision-driven cyber attack and defense simulations, for system analysis and the development of automated agents. By building the simulator around an attack modeling language, it can be adapted to different target domains without modifying the source code. We used the simulator for two case studies where we trained two types of agents for automated cyber operations: a defensive agent and an offensive agent. To ground the experiments, we base the models in data collected from an emulated network implemented in the cyber range CRATE. We found that the trained attacker policy could reach the designated targets more efficiently than the compared search methods, and that the trained defender agent induced lower costs than a naive heuristic agent under noisy alert conditions. When testing the RL attacker against the RL defender, we found that the performance of the defenders dropped significantly. This emphasizes the importance of cyber attack simulators to facilitate training both offensive and defensive agents. The MAL Simulator and associated tooling is publicly available and provides common interfaces for compatibility with existing machine learning frameworks.
• Abstract（参考訳）: 我々はメタ攻撃言語(MAL)に基づくサイバー操作シミュレータであるMALシミュレータを開発した。 MALシミュレータは、意思決定によるサイバー攻撃と防衛シミュレーション、システム分析と自動エージェントの開発を目的としている。 攻撃モデリング言語を中心にシミュレータを構築することで、ソースコードを変更することなく、異なるターゲットドメインに適応することができる。 このシミュレーターを2つのケーススタディに使用し、防御エージェントと攻撃エージェントの2種類のエージェントをトレーニングした。 実験を基礎として,サイバーレンジCRATEで実装されたエミュレートネットワークから収集したデータに基づいて実験を行った。 その結果、訓練された攻撃政策は、比較した探索方法よりも効率的に目標に到達でき、訓練された防御エージェントは、ノイズの多い警報条件下では、単純なヒューリスティックエージェントよりもコストを低減できることがわかった。 RLディフェンダーに対してRLアタッカーをテストすると、ディフェンダーのパフォーマンスが大幅に低下していることが判明した。 これは攻撃剤と防御剤の両方の訓練を容易にするサイバー攻撃シミュレータの重要性を強調している。 MAL Simulatorと関連するツールが公開されており、既存の機械学習フレームワークとの互換性のための共通インターフェースを提供する。

関連論文リスト

• A Cyber Range Evaluation of Autonomous Network Incident Response Agents [0.0]
  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。
  論文  参考訳（メタデータ） (2026-09-15T02:36:15Z)
• Pre-training Visual Dexterity in Simulation [67.17477115017896]
  シミュレーションで完全に収集されたデータを利用するデクスタラスな操作のための事前学習フレームワークを導入する。 5人のオペレーターの助けを借りて、1週間にわたって75時間のマルチタスク・デキスタラスな操作を収集し、配列モデリングの目的に基づいて因果変換器を事前訓練する。 提案手法は,シミュレーション遠隔操作が実世界における創発的操作のトレーニング前情報源として有効なことを示し,学習行動のクローン化方針をゼロから上回る結果を得た。
  論文  参考訳（メタデータ） (2026-08-16T20:21:33Z)
• One Frozen Simulator Is Not Enough: Simulator Collapse in Multi-Agent RL [75.34038228759182]
  ヒューマン・AIインタラクションのためのマルチエージェント強化学習は、通常、ユーザの振る舞いをシミュレートするために単一の大きな言語モデルに依存する。 本研究では,本手法が一般化に失敗し,シミュレーション崩壊の失敗を追及することを示す。 推論時に1つ,訓練時に1つの相補的解を提案する。
  論文  参考訳（メタデータ） (2026-08-12T16:55:50Z)
• MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
  モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。 既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。 OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
  論文  参考訳（メタデータ） (2025-06-03T01:37:09Z)
• ROS2-Based Simulation Framework for Cyberphysical Security Analysis of UAVs [0.08333024746293494]
  本稿では,サイバー物理的セキュリティ攻撃と防衛テストの必要性に合わせた,無人航空機(UAV)の新たなシミュレータを提案する。 私たちのフレームワークには、モーションプランナ、コントローラ、通信モデル、アタックモデルが組み込まれています。
  論文  参考訳（メタデータ） (2024-10-04T23:23:54Z)
• Simulation of Sensor Spoofing Attacks on Unmanned Aerial Vehicles Using the Gazebo Simulator [4.383011485317949]
  本稿では,シミュレーション可能な攻撃の可能性について検討し,シミュレーションを行う。 無人航空機のLiDARおよびGPSコンポーネントをターゲットにした攻撃をシミュレートすることができる。 任意の値を持つメッセージは対応するトピックにスプープされ、アタッカーは関連するパラメータを更新し、車両の潜在的なクラッシュを引き起こすことができる。
  論文  参考訳（メタデータ） (2023-09-18T10:34:32Z)
• Training Automated Defense Strategies Using Graph-based Cyber Attack Simulations [0.0]
  自動サイバー防御エージェントの実装と評価を行う。 エージェントは、セキュリティアラートを入力として、強化学習を使用して、事前に定義された防御措置を実行するためのポリシーを学ぶ。 実験では、強化学習で訓練されたポリシーを用いた防御剤は、ポリシーを用いた優れたエージェントである。
  論文  参考訳（メタデータ） (2023-04-17T07:52:00Z)
• 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)
• Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
  ネットワーク分類器に対するブラックボックス攻撃について検討する。 我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。 攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
  論文  参考訳（メタデータ） (2021-11-23T23:42:16Z)
• 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)
• Simulating Unknown Target Models for Query-Efficient Black-box Attacks [21.21690695534498]
  ディープニューラルネットワークの セキュリティ問題を調べるために 敵の攻撃が提案されている ブラックボックス設定では、現在のモデル盗難攻撃は、ターゲットモデルの機能を偽装するために代替モデルを訓練する。 本研究の目的は、未知のターゲットモデルの機能を模倣できる「シミュレータ」と呼ばれる一般化された代替モデルを訓練することである。
  論文  参考訳（メタデータ） (2020-09-02T11:30:40Z)

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。