В статье рассматривается применение мультиагентного подхода на основе метода Adversarial Inverse Reinforcement Learning (AIRL) для тестирования на проникновение в информационные системы. Описаны теоретические аспекты мульти-агентного AIRL, включая возможности моделирования сложных и многоступенчатых атак, координации действий агентов, а также обучения с частичным наблюдением, что позволяет учитывать ограничения в доступе к информации. Практическое применение данного подхода продемонстрирует его эффективность в выявлении уязвимостей, обеспечивая более глубокий и точный анализ безопасности.

1. Fu J., Luo K., Levine S. Learning Robust Rewards with Adversarial Inverse Reinforcement Learning //arXiv e-prints. – 2017. – С. arXiv: 1710.11248.

2. Sychugov A., Grekov M. Automated Penetration Testing Based on Adversarial Inverse Reinforcement Learning //2024 International Russian Smart Industry Conference (SmartIndustryCon). – IEEE, 2024. – С. 373-377.

3. Yu L., Song J., Ermon S. Multi-agent adversarial inverse reinforcement learning //International Conference on Machine Learning. – PMLR, 2019. – С. 7194-7201.

4. Chen J., Lan T., Aggarwal V. Hierarchical adversarial inverse reinforcement learning //IEEE Transactions on Neural Networks and Learning Systems. – 2023.

5. Chen J. et al. Multi-task hierarchical adversarial inverse reinforcement learning //International Conference on Machine Learning. – PMLR, 2023. – С. 4895-4920.

6. Han Y. et al. Adversarial reinforcement learning under partial observability in autonomous computer network defence //2020 International Joint Conference on Neural Networks (IJCNN). – IEEE, 2020. – С. 1-8.

7. Choi J. D., Kim K. E. Inverse reinforcement learning in partially observable environments //Journal of Machine Learning Research. – 2011. – Т. 12. – С. 691-730.