.png){kind=icon}
返回
Automatic penetration testing model based on reinforcement learning for complex network environments
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07656-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
渗透测试是评估网络安全态势的有效方法。然而，随着网络攻击日益复杂和网络环境不断复杂化，传统的智能渗透测试模型在高效识别最优策略和实现快速收敛方面面临重大挑战。为解决这些问题，本文提出了一种基于强化学习的自动渗透测试模型，该模型将测试过程抽象为马尔可夫决策过程（MDP），并引入好奇心机制以增强探索效率。该方法的核心理念在于训练一个配备好奇心机制的强化学习算法代理，使其能够根据环境中的奖励反馈自动探索并选择最优渗透测试策略，并持续运行直至获取敏感权限。在包含50个主机和数百万状态的模拟网络环境中进行的实验表明，所提出的模型相比标准近端策略优化（PPO）算法，收敛时间减少了约50%。通过在高性能计算（HPC）框架内集成GPU加速并采用分布式并行处理，该模型有效满足了复杂网络环境下渗透测试的实时性和可扩展性要求。
Keyword:
Penetration testing
Reinforcement learning
Curiosity mechanism
HPC
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
引用论文
Extending Attack Graphs to Represent Cyber-Attacks in Communication Protocols and Modern IT Networks
OAAI
OAAI分享收藏A review of attack graph and attack tree visual syntax in cyber security网络安全中的攻击图和攻击树视觉语法综述.png)
COMPUTER SCIENCE REVIEW
OAAI
COMPUTER SCIENCE REVIEWIF12.7
OAAI分享收藏A hierarchical deep reinforcement learning model with expert prior knowledge for intelligent penetration testingCOMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏GAIL-PT: An intelligent penetration testing framework with generative adversarial imitation learningCOMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏分享收藏分享收藏Automating post-exploitation with deep reinforcement learning使用深度强化学习实现开发后自动化COMPUTERS & SECURITYOAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏
查看更多内容