基于认知模型的动态网络攻击者仿真及其在网络安全训练中的意义

《ACM Transactions on Social Computing》：A Cyber-War Between Bots: Cognitive Attackers are More Challenging for Defenders than Strategic Attackers

这篇综述探讨了利用认知模型（如IBL理论）仿真动态网络攻击者行为，以提升网络安全防御训练的有效性。文章通过比较静态攻击策略（如BeelineRed和MeanderRed）与动态认知攻击者（IBLRed）在对抗被动防御者（SleepyBlue）和认知防御者（IBLBlue）时的表现，发现动态攻击者能更有效地挑战防御者的学习能力，突显了认知模型在模拟真实攻击者适应性和不可预测性方面的优势，为网络安全训练和自主防御系统开发提供了新思路。

　　

研究背景与意义

网络安全防御训练面临重大挑战，传统攻击仿真多采用静态、确定性策略，如BeelineRed和MeanderRed，这些策略虽高效但易于预测，难以真实模拟人类攻击者的适应性和随机性。认知模型，特别是基于实例的学习理论（Instance-Based Learning Theory, IBLT），能模拟人类决策中的动态学习和适应过程，为开发更真实的攻击者仿真提供了新途径。本文通过系统实验，评估了静态攻击策略与动态认知攻击者（IBL_Red）在对抗不同防御者时的表现，旨在验证认知模型在提升网络安全训练效果方面的潜力。

实验设计与方法

实验采用网络防御任务环境，模拟包含用户子网、企业子网和操作子网的分层网络结构。攻击者（Red Agent）的目标是通过一系列行动（如扫描、利用漏洞、提升权限）最终破坏操作服务器（Op_Server0），而防御者（Blue Agent）需通过监控、分析、移除和恢复等行动阻止攻击。研究设置了三种攻击者类型：

• ••
  BeelineRed：确定性策略，沿最短路径快速攻击关键目标。
• ••
  MeanderRed：随机策略，无特定攻击顺序。
• ••
  IBL_Red：基于IBL理论的认知模型，通过积累历史决策实例进行动态学习。

防御者包括被动型（Sleepy_Blue，仅监控）和认知型（IBL_Blue，具备学习能力）。实验通过奖励机制（如攻击成功得分）和攻击持续时间等指标评估性能。

实验结果分析

静态防御者对抗攻击者的表现

当防御者为被动型（Sleepy_Blue）时，BeelineRed凭借其确定性策略获得最高奖励和最长攻击持续时间，而IBL_Red在初始阶段表现较差，但通过学习逐渐接近BeelineRed的水平。这表明认知攻击者能通过经验积累优化策略，但学习过程需要时间。随机攻击者MeanderRed表现最差，突显了策略连贯性的重要性。

动态防御者对抗攻击者的表现

当防御者为认知型（IBL_Blue）时，结果发生显著变化。IBL_Blue能快速学习并有效抵御BeelineRed和MeanderRed，使其奖励在后期趋近于零。然而，对抗IBL_Red时，IBL_Blue的防御效果有限，仅能将攻击损失降低一半。进一步分析发现，IBL_Blue在面对静态攻击者时能缩小决策选项空间（降低认知负荷），但对抗动态攻击者时选项空间保持稳定，说明动态攻击者的适应性增加了防御难度。

人类防御者与认知防御者的对比

人类参与者与IBL_Blue在对抗三类攻击者时表现出相似趋势：BeelineRed对低效防御者威胁更大，而IBL_Red对高效防御者更具挑战性。人类防御者倾向于使用被动行动（如监控），而高效防御者会增加主动行动（如移除）以应对动态攻击者。这一结果验证了认知模型能有效模拟人类防御行为，并强调了动态攻击策略在训练中的必要性。

讨论与展望

本研究证明，基于IBL理论的认知攻击者能更真实地模拟人类攻击者的适应性和不可预测性，比静态策略更适合用于网络安全训练。然而，当前模型尚未完全覆盖人类攻击者的启发式推理等高级认知能力。未来工作将探索融合启发式决策的认知模型，并招募专业网络安全人员参与实验，以提升仿真真实性。此外，扩展网络规模和完善部分可观测状态处理将是迈向实际应用的关键步骤。

结论

认知模型为网络安全训练提供了动态、自适应的攻击者仿真工具，能有效提升防御者的应对能力。通过模拟真实攻击行为，此类模型有助于开发更高效的训练系统和自主防御技术，为构建 resilient 网络防御体系奠定基础。