[论文解读] Strategic evolution of adversaries against temporal platform diversity active cyber defenses

Michael Winterrose, Kevin M. Carter|arXiv (Cornell University)|Apr 13, 2014

Network Security and Intrusion Detection参考文献 24被引用 11

一句话总结

本文提出了一种基于遗传算法的框架，用于建模和模拟智能对手如何针对主动的、时间多样的网络防御机制，演化出适应性攻击策略。通过将攻击策略编码为表示有限状态机的二进制染色体，该方法利用进化计算识别最优攻击模式，展示了在大规模策略空间中的有效探索能力，以及对多样化防御对策的鲁棒性。

ABSTRACT

Adversarial dynamics are a critical facet within the cyber security domain, in which there exists a co-evolution between attackers and defenders in any given threat scenario. While defenders leverage capabilities to minimize the potential impact of an attack, the adversary is simultaneously developing countermeasures to the observed defenses. In this study, we develop a set of tools to model the adaptive strategy formulation of an intelligent actor against an active cyber defensive system. We encode strategies as binary chromosomes representing finite state machines that evolve according to Holland's genetic algorithm. We study the strategic considerations including overall actor reward balanced against the complexity of the determined strategies. We present a series of simulation results demonstrating the ability to automatically search a large strategy space for optimal resultant fitness against a variety of counter-strategies.

研究动机与目标

• 理解智能对手如何针对主动的、时间变化的网络防御机制，自适应地演化攻击策略。
• 开发一种计算框架，将对手策略形成建模为进化优化过程。
• 在对手规划中平衡攻击有效性（奖励）与策略复杂性之间的权衡。
• 评估多样化防御对策 against 演化且自适应的攻击行为的韧性。

提出的方法

• 将策略编码为表示有限状态机的二进制染色体，以建模攻击者的行为转移。
• 应用霍兰德的遗传算法，通过多代演化这些染色体，基于攻击奖励和策略复杂性优化适应度。
• 适应度函数结合总体攻击奖励和策略复杂性惩罚，以指导进化选择。
• 针对多种防御对策进行仿真，以评估所演化攻击模式的鲁棒性和适应性。
• 进化过程探索大规模、高维的策略空间，以识别高性能的攻击序列。

实验结果

研究问题

• RQ1 对手如何在面对主动的、时间变化的网络防御机制时，战略性地演化攻击序列？
• RQ2 在对手规划中，攻击有效性与策略复杂性之间的权衡是什么？
• RQ3 进化计算能否有效识别在多样化防御对策下最优的攻击策略？
• RQ4 当面对不同的防御机制时，所演化出的攻击策略表现如何？

主要发现

• 遗传算法成功探索了大规模策略空间，并识别出能有效绕过多样化防御配置的高适应度攻击模式。
• 所演化出的策略在高攻击奖励与可管理的复杂性之间表现出有利的平衡，表明其具有实际可行性。
• 该方法揭示了自适应攻击者可通过优化策略演化，系统性地利用防御机制的时间多样性。
• 仿真结果证实，即使在防御对策被更改或变化的情况下，所演化出的攻击策略依然保持有效性。