Überbrückung der automatisierten zur autonomen Cyber-Abwehr

Die Nutzung von Sicherheitsautomatisierungs- und Orchestrierungstechnologien ermöglicht es Sicherheitsanalysten, schneller und genauer auf Bedrohungen zu reagieren. Die aktuellen Werkzeuge sind jedoch darauf beschränkt, sehr genau definierte und manuell codierte Situationen zu automatisieren, wie zum Beispiel das Isolieren von bekanntem Malware und das Blockieren von Verkehr aus bekannten bösartigen Domänen. Jüngste Forschungen haben versucht, die Lücke zwischen dieser Art von automatisierter Sicherheit und autonomer Cyber-Abwehr zu schließen, indem sie Verstärkungslernen (RL) über grundlegende Automatisierung anwenden, um intelligente Reaktionen zu ermöglichen. Dieses Papier bietet eine grundlegende Analyse autonomer Agenten, die mit tabellarischem Q-Learning durch eine Reihe von Experimenten ausgebildet wurden, die eine Vielzahl von Netzwerkszenarien untersuchen. Unsere Ergebnisse zeigen, dass das handelsübliche tabellarische Q-Learning keine einzelne, überlegene Lösung für alle Szenarien bietet. Wir stellen jedoch auch fest, dass die Modifizierung der zugrunde liegenden Zustandskodierung und der Aktualisierungsfunktion die Robustheit des verteidigenden Agenten beeinflussen kann, um sich in unbekannten Evaluierungsumgebungen zu generalisieren, ohne dabei signifikant an Genauigkeit zu verlieren. Diese Ergebnisse heben potenzielle Optimierungen für fortschrittlichere RL-Techniken hervor und bieten eine Grundlage für andere, die RL für defensive Cyberautomatisierung nutzen.