[发明专利]一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法

说明书

本发明公开了一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法，本发明通过策略欺骗满足状态，同时将此状态嵌入Agent智能体和环境模块中；通过环境模块对评估信号传递信号；评估网络传递信号到时序查分方法的同时，接收由评估网络产生的内部增强信号；时序差分方法将信号传递到遗传算法的同时，接收由评估网络产生的增强信号；行动网络接收由环境模块传递的信号的同时，接收由遗传算法传递到神经网络构造器的信号；通过策略欺骗提高蜜罐诱骗程度η，合理部署蜜罐概率q，满足均衡状态，从而影响攻击者对蜜罐部署概率q的后验概率判断，提高诱骗主动性，博弈均衡策略与智能强化学习模型提高针对蜜罐反制问题的能力。

技术领域

本发明涉及网络安全技术领域,更具体的说是涉及一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法。

背景技术

从被动网络防御到主动防御，蜜罐具有干扰迷惑可检测未知攻击，并且数据集小，误报漏报率低等优势。随之攻击势态的复杂和变化，蜜罐本身只是一种静态、固定不动的易被识别的和逃脱的。所以传统蜜罐本上是一种“被动式主动防御”手段，无法预知攻击者接下来的未知攻击和路径。随着对抗的防战，反制蜜罐手段也在不断出现。

因此本发明提出一种诱骗博弈均衡与强化学习模型解决传统蜜罐在攻防中的有效性和局限性。

发明内容

有鉴于此，本发明提供了一种能够解决上述问题的一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法。

为实现上述目的，本发明提供如下技术方案，包括以下步骤：

S1:通过策略欺骗满足状态，同时将此状态嵌入Agent智能体和环境模块中；

S2:智能体通过学习，并与环境进行交互获得奖赏指导行为；

S3：环境模块对评估信号传递信号，并对行动行动网络信号；

S4:评估网络传递信号到时序查分方法的同时，接收由评估网络产生的内部增强信号；

S5：时序差分方法将信号传递到遗传算法的同时，接收由评估网络产生的增强信号；

S6：行动网络接收由环境模块传递的信号的同时，接收由遗传算法传递到神经网络构造器的信号。

优选的，在上述一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法中，其特征在于，步骤S1具体为通过策略欺骗提高蜜罐诱骗程度η，合理部署蜜罐概率q，满足(γa-b)/(γa+ηc)＜q＜1/2的均衡状态，从而影响攻击者对蜜罐部署概率q的后验概率判断，提高诱骗主动性，将均衡条件嵌入Agent智能体和环境模块中，进而对下一步动作占据主动优势。

优选的，在上述一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法中，其特征在于，步骤S具体为：Agent智能体以“试错”的方式进行学习，并通过与环境进行交互获得的奖赏指导行为，使智能体获得最大的奖赏。

优选的，在上述一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法中，其特征在于，步骤S3具体为：环境模块中提供的强化信号为内部增强产生的好坏作评估。

优选的，在上述一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法中，其特征在于：步骤S2具体为智能体以“试错”的方式进行学习，获得奖赏指导行为，目的使智能体获得最大的奖赏。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种诱骗博弈均衡与强化学习模型对抗反蜜罐的方法，融合了博弈均衡策略与智能强化学习模型提高针对蜜罐反制问题的能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。