[論文レビュー] Game-Theoretic and Machine Learning-based Approaches for Defensive Deception: A Survey

Mu Zhu, Ahmed H. Anwar+4 more|arXiv (Cornell University)|Jan 21, 2021

Information and Cyber Security参考文献 159被引用数 13

ひとこと要約

本調査は、サイバーセキュリティにおける防御的かばくのためのゲーム理論的および機械学習ベースのアプローチを統合し、両者の相乗効果を明らかにすることで、戦略的意思決定と現実的なかばく生成を向上させることを目的としている。本調査は、技術的手法、メトリクス、テストベッド、限界について包括的な分析を提供し、ハイブリッドな防御的かばくシステムにおける主な研究ギャップと今後の方向性を提示している。

ABSTRACT

Defensive deception is a promising approach for cyber defense. Via defensive deception, the defender can anticipate attacker actions; it can mislead or lure attacker, or hide real resources. Although defensive deception is increasingly popular in the research community, there has not been a systematic investigation of its key components, the underlying principles, and its tradeoffs in various problem settings. This survey paper focuses on defensive deception research centered on game theory and machine learning, since these are prominent families of artificial intelligence approaches that are widely employed in defensive deception. This paper brings forth insights, lessons, and limitations from prior work. It closes with an outline of some research directions to tackle major gaps in current defensive deception research.

研究の動機と目的

• サイバーセキュリティにおける防御的かばくのためのゲーム理論的および機械学習ベースのアプローチを体系的に分析すること。
• ゲーム理論と機械学習の相乗効果が、かばく戦略と現実性を向上させる方法を特定すること。
• 異なる脅威モデルにおける検出可能性、展開、有効性の観点から、既存の防御的かばく技術を評価すること。
• 現行研究における限界、特に理想化された仮定への過剰依存と現実的でないテストベッドの欠如を強調すること。
• 戦略的推論とデータ駆動型学習を統合するハイブリッドな防御的かばくシステムのための今後の研究方向性を提案すること。

提案手法

• 攻撃タイプ、展開レイヤー、防御目的に基づく分類体系を用いて、防御的かばく技術を分類すること。
• 防御者と攻撃者の相互作用を戦略的ゲームとして定式化し、利得最大化と信念更新を特徴とするゲーム理論的モデルを分析すること。
• 本物のシステム要因を模倣する高精細なダミーと偽のデータを生成するための機械学習技術をレビューすること。
• 機械学習を用いて攻撃者のタイプや信念を推定することで、ゲーム理論と機械学習を統合し、より適応的なかばく戦略を可能にすること。
• 検出精度、利得、かばく展開下での性能劣化などのメトリクスを用いて技術を評価すること。
• 不完全な情報と非同期的知識を反映する現実的なテストベッドの必要性を提言すること。

実験結果

リサーチクエスチョン

• RQ1 ゲーム理論と機械学習を効果的に統合することで、防御的かばくの戦略的側面と現実性をどのように向上させられるか？
• RQ2 防御的かばく技術を展開する際の、セキュリティ効果と性能劣化の間の主なトレードオフは何か？
• RQ3 不完全または非対称な情報が存在する現実的なネットワーク環境下で、既存の防御的かばくアプローチはどのように機能するか？
• RQ4 現実世界のシステムにおける防御的かばくの有効性と効率性を評価するのに最も適切なメトリクスは何か？
• RQ5 IDS や IPS などのレガシーセキュリティサービスと防御的かばくを効果的に統合するハイブリッドな防御アーキテクチャは、どのように設計できるか？

主な発見

• ゲーム理論的手法は、不確実性下での最適なかばくを実現する強固な戦略的フレームワークを提供するが、しばしば完全な知識または共通知識を仮定しており、実際の状況では現実的ではない。
• 機械学習ベースの手法は、現実的なかばくダミーと偽のデータの生成に優れているが、敵対的不確実性下での内在的戦略的推論に欠ける。
• ゲーム理論と機械学習の統合により、信念形成と適応的なかばくが向上し、現実性と戦略的有効性の両方が向上する。
• 大多数の既存研究はシミュレーションや理論的証明に依存しており、不完全な情報と動的環境を模倣する現実的なテストベッドの使用は限定的である。
• 防御的かばくのパフォーマンスコスト、特にシステムのオーバーヘッドとリソース消費量の評価に大きなギャップが存在する。
• 今後の研究は、分野特化型のゲーム理論的フレームワークと、レガシーセキュリティサービスとの体系的統合に注力すべきであり、重複を避けてコスト効率を向上させるべきである。