CN119449373A 一种基于强化学习的自动化渗透测试方法 （北京理工大学）_第1页
CN119449373A 一种基于强化学习的自动化渗透测试方法 （北京理工大学）_第2页
CN119449373A 一种基于强化学习的自动化渗透测试方法 （北京理工大学）_第3页
CN119449373A 一种基于强化学习的自动化渗透测试方法 （北京理工大学）_第4页
CN119449373A 一种基于强化学习的自动化渗透测试方法 （北京理工大学）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号本发明涉及一种基于强化学习的自动化渗利用组件库通过强化学习模型推荐优选漏洞利针对渗透测试的人工依赖以及漏洞利用组件应2之间形成一一对应关系，具体形式为{1:no_action；2:exploit/aix/local/ibstat_集模块对漏洞利用组件攻击后的测试环境状态进行信息收集评估，威胁度奖励R2见公式3攻击失败则判断是否长时间未能攻击成功，未达到最大尝试次数则继续计算奖励更新模4R1+λ2R2+λ3R3作为最终奖励函数。2.6将当前状态si输入Q网络中预测当前动作ai的Q值，将下一状态si+1输入目标网络中预测其中n+5经济损失也同步显著增长。渗透测试是通过模拟攻击者在真实环境下的攻击意图和行为，对存在大量渗透目标、多种渗透手段的场景和没有利用状态转移信息导致动作覆盖率低、67[0033]实验使用精确率(Precision)和测试时间(Time)对结果进行评价。其中精确率取序号之间形成一一对应关系，具体形式为{1:no_action；2:exploit/aix/local/ibstat_[0043]漏洞利用组件的复杂度建模通过计算利用组件代码长度l计算，复杂度奖励R3=8择Q值最高的组件作为本轮迭代所使用的攻击动作ai，使用代理选择的漏洞利用组件攻击更新Session和Access参数，若攻击成功则重置测试环境，并将当前状态恢复为初始状态s0si+1中预测当前动作ai的Q值，将下一状态si+1输入目标网络中预测下一状态所能得到的最大Q9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论