Безопасность цифровых технологий

БЕЗОПАСНОСТЬ ЦИФРОВЫХ ТЕХНОЛОГИЙ

БЕЗОПАСНОСТЬ
ЦИФРОВЫХ ТЕХНОЛОГИЙ

English | Русский

Последний выпуск
№3(114) Июль - Сентябрь 2024

Мультиагентное тестирование на проникновение на основе AIRL

Выпуск № 3 (114) Июль - Сентябрь 2024
Авторы:

Греков Михаил Михайлович,
Сычугов Алексей Алексеевич
DOI: http://dx.doi.org/10.17212/2782-2230-2024-3-21-33
Аннотация

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.


Ключевые слова: состязательное обучение с обратным подкреплением, информационная безопас-ность, тестирование на проникновение, автоматизация, мульти-агентное обуче-ние, частичное наблюдение, машинное обучение, нейронные сети

Список литературы

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.

Для цитирования:

Греков М.М., Сычугов А.А. Мультиагентное тестирование на проникновение на основе AIRL // Безопасность цифровых технологий. – 2024. – № 3 (114). – С. 21–33. – DOI: 10.17212/2782-2230-2024-3-21-33.

For citation:

Grekov M.M., Sychugov A.A. Mul'tiagentnoe testirovanie na proniknovenie na osnove AIRL [Multi-agent penetration testing based on AIRL]. Bezopasnost' tsifrovykh tekhnologii = Digital Technology Security, 2024, no. 3 (114), pp. 21–33. DOI: 10.17212/2782-2230-2024-3-21-33.

Просмотров: 60