[论文解读] Security Games with Information Leakage: Modeling and Computation

Haifeng Xu, Albert Xin Jiang+4 more|arXiv (Cornell University)|Apr 23, 2015

Infrastructure Resilience and Vulnerability Analysis参考文献 18被引用 9

一句话总结

本文提出了一种新型的斯塔克尔贝格安全博弈模型，考虑了部分信息泄露的情形，即攻击者可有限观测防御者在部分目标上的纯策略。该文提出了一个线性规划公式，并证明在存在信息泄露时求解防御者的最优策略是 NP-难问题，进而提出了三种算法方法——适用于特殊情形的高效精确解法、近似算法以及启发式采样方法。实验表明，当适当地处理信息泄露时，所提方法在效用方面显著优于传统方法。

ABSTRACT

Most models of Stackelberg security games assume that the attacker only knows the defender's mixed strategy, but is not able to observe (even partially) the instantiated pure strategy. Such partial observation of the deployed pure strategy -- an issue we refer to as information leakage -- is a significant concern in practical applications. While previous research on patrolling games has considered the attacker's real-time surveillance, our settings, therefore models and techniques, are fundamentally different. More specifically, after describing the information leakage model, we start with an LP formulation to compute the defender's optimal strategy in the presence of leakage. Perhaps surprisingly, we show that a key subproblem to solve this LP (more precisely, the defender oracle) is NP-hard even for the simplest of security game models. We then approach the problem from three possible directions: efficient algorithms for restricted cases, approximation algorithms, and heuristic algorithms for sampling that improves upon the status quo. Our experiments confirm the necessity of handling information leakage and the advantage of our algorithms.

研究动机与目标

• 建模并分析部分信息泄露对斯塔克尔贝格安全博弈的影响，其中攻击者可观测防御者在部分目标上的纯策略。
• 证明在最简单的安全博弈模型中，计算在信息泄露条件下的最优防御者策略仍是 NP-难问题。
• 为实际安全应用中处理信息泄露问题，设计实用算法——包括特殊情形下的精确算法、基于近似的算法以及启发式采样方法。
• 通过实证验证，忽略信息泄露会导致显著的效用损失，而所提算法能显著提升防御者表现。

提出的方法

• 将防御者在信息泄露条件下的最优策略建模为一个线性规划（LP），其中约束条件用于刻画攻击者对防御者纯策略的部分观测。
• 识别出列生成中关键的子问题——防御者预言机（defender oracle），并证明其为 NP-难问题，从而证明处理信息泄露具有内在计算复杂性。
• 提出三种算法方向：(1) 适用于受限情形的高效精确算法，(2) 近似算法，(3) 启发式采样方法，如无放回独立采样和最大熵采样。
• 引入两种启发式采样算法：indepsample（无放回独立采样）和 MaxEntro（最大熵采样），以 UniCS（均匀组合采样）作为基线。
• 采用列生成方法结合防御者预言机求解 LP，使用分离 oracle 迭代识别出最有效的防御者策略。
• 在洛杉矶机场真实数据及包含 20 个目标和 10 个资源的模拟博弈上验证算法，并比较不同泄露模型下的防御者效用。

实验结果

研究问题

• RQ1 当攻击者可观测防御者在部分目标上的纯策略时，部分信息泄露如何影响斯塔克尔贝格安全博弈中防御者的效用？
• RQ2 在信息泄露条件下计算最优防御者策略在计算上是否可行？即使在基本安全博弈模型中，该问题是否仍为 NP-难？
• RQ3 当精确计算不可行时，能否设计出高效的近似或启发式算法来处理信息泄露？
• RQ4 不同泄露模型（概率性、对抗性或小支持）如何影响防御者效用与算法性能？
• RQ5 像最大熵或均匀组合采样这样的启发式采样方法，能否在计算效率高的前提下实现接近最优的性能？

主要发现

• 即使仅从单一目标泄露信息，也会导致防御者效用大幅下降，其中对抗性泄露造成的损失大于概率性泄露。
• 列生成所需的防御者预言机问题是 NP-难的，证明了处理信息泄露比标准安全博弈模型具有根本更高的复杂性。
• 最优算法（OPT）显著优于传统方法，尤其在高泄露概率下，传统方法的效用损失约为 OPT 的两倍。
• 当泄露影响全部目标时，启发式方法 MaxEntro 和 UniCS 的表现几乎与 OPT 相当，且均优于传统采样方法。
• 无放回独立采样（indepsample）在泄露概率约为 1/e ≈ 0.37 时优于传统采样，提示该值可作为启发式方法使用的实际阈值。
• 对于小泄露支持情形，推荐使用最优算法（OPT），因其可高效求解精确解；对于全支持或大支持情形，MaxEntro 和 UniCS 是高效且接近最优的选择。