[论文解读] Game-Theoretic Analysis of Cyber Deception: Evidence-Based Strategies and Dynamic Risk Mitigation

Tao Zhang, Linan Huang+2 more|arXiv (Cornell University)|Feb 8, 2019

Information and Cyber Security参考文献 59被引用 8

一句话总结

本文提出了一种基于证据的信号博弈的游戏理论框架，用于网络欺骗，以建模攻击者与防御者之间的战略互动。通过整合来自侧信道的概率性证据并建模欺骗成本，该框架采用完美贝叶斯纳什均衡（PBNE）推导出动态、基于证据的欺骗策略，从而在二元和连续信息空间中减轻风险，尤其适用于高级持续性威胁（APTs）。

ABSTRACT

Deception is a technique to mislead human or computer systems by manipulating beliefs and information. For the applications of cyber deception, non-cooperative games become a natural choice of models to capture the adversarial interactions between the players and quantitatively characterizes the conflicting incentives and strategic responses. In this chapter, we provide an overview of deception games in three different environments and extend the baseline signaling game models to include evidence through side-channel knowledge acquisition to capture the information asymmetry, dynamics, and strategic behaviors of deception. We analyze the deception in binary information space based on a signaling game framework with a detector that gives off probabilistic evidence of the deception when the sender acts deceptively. We then focus on a class of continuous one-dimensional information space and take into account the cost of deception in the signaling game. We finally explore the multi-stage incomplete-information Bayesian game model for defensive deception for advanced persistent threats (APTs). We use the perfect Bayesian Nash equilibrium (PBNE) as the solution concept for the deception games and analyze the strategic equilibrium behaviors for both the deceivers and the deceivees.

研究动机与目标

• 将网络欺骗建模为攻击者与防御者之间具有战略激励的非合作博弈。
• 通过将侧信道证据整合到信号博弈中，解决欺骗过程中的信息不对称与动态行为问题。
• 将传统信号博弈扩展至包含欺骗成本和连续一维空间中的不完全信息。
• 为针对高级持续性威胁（APTs）的防御性欺骗开发多阶段贝叶斯博弈模型。
• 在证据丰富的欺骗场景中，利用完美贝叶斯纳什均衡（PBNE）刻画均衡行为。

提出的方法

• 将欺骗形式化为一种信号博弈，其中检测器在发生欺骗时提供概率性证据。
• 通过侧信道引入证据获取机制，以建模信息不对称性，并实现实时信念更新。
• 在连续的一维信息空间中建模欺骗成本，以反映现实中的战略权衡。
• 将完美贝叶斯纳什均衡（PBNE）作为解决方案概念，用于分析不完全信息环境下的战略行为。
• 为APTs开发多阶段贝叶斯博弈模型，整合动态信念更新与随时间演变的战略欺骗。
• 利用信念更新与均衡计算，在不确定性条件下推导出最优欺骗与检测策略。

实验结果

研究问题

• RQ1 如何将来自侧信道的证据整合到信号博弈中，以建模更真实的欺骗动态？
• RQ2 当欺骗产生成本时，在连续的一维信息空间中，均衡策略是什么？
• RQ3 信念更新与证据如何影响动态欺骗博弈中欺骗者与被欺骗者的战略行为？
• RQ4 在不完全信息条件下，多阶段APT场景下的最优防御性欺骗策略是什么？
• RQ5 在欺骗博弈中，引入证据与成本因素如何改变完美贝叶斯纳什均衡的结构与结果？

主要发现

• 从侧信道获取的概率性证据能够实现更精确的信念更新，提升欺骗建模的真实性。
• 在连续信息空间中，引入欺骗成本可导致更精细的均衡策略，实现风险与收益的平衡。
• 完美贝叶斯纳什均衡（PBNE）解决方案概念成功捕捉了在二元与连续欺骗博弈中动态、基于证据的战略行为。
• 对于APTs，多阶段贝叶斯博弈模型表明，当正确建模证据与信念动态时，防御性欺骗可显著延迟或误导攻击者。
• 基于证据的策略通过使防御者能够根据实时信息调整其检测与欺骗策略，实现更稳健的风险缓解。
• 该框架表明，当战略欺骗与成本约束及可观测证据相一致时，其效果更佳，从而增强整体系统弹性。