通过强化学习和推系统进行自主透测试的分析

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 透测试 (pentesting) 对于识别IT漏洞至关重要,但面临诸如分析工具虚假阳性等挑战.
• 由于复杂和不可预测的环境,现有的压力测试方法需要大量的分析师专业知识.
• 机器学习 (ML) 在异常检测方面表现有前途,但需要集成到动态测试工作流中.

研究的目的:

• 开发一个智能系统,提高透测试的有效性和准确性.
• 为了解决当前测工具和方法的局限性.
• 为自动化脆弱性评估和利用策略选择提出一种新的方法.

主要方法:

• 一个具有丰富的上下文,词汇意识的变压器模型处理了关于目标环境的问题.
• 强化学习 (RL) 估计器评估并选择最佳的 pentest 策略.
• 该系统基于学习的数据和环境背景,动态探索攻击向量.

主要成果:

• 拟议的系统实现了超过97.0%的F1得分.
• 确切匹配率超过97.0%,这表明准确度很高.
• 在选择相关和最佳的测试策略方面表现出有效性.

结论:

• 开发的系统显著提高了透测试的准确性和效率.
• ML和RL的整合为复杂的网络安全挑战提供了强大的解决方案.
• 这种方法提高了漏洞的识别,并加强了IT系统的预防性控制.