CN119520039A 一种基于深度强化学习的自动化渗透测试方法、系统、设备及介质 (中电信数智科技有限公司)_第1页
CN119520039A 一种基于深度强化学习的自动化渗透测试方法、系统、设备及介质 (中电信数智科技有限公司)_第2页
CN119520039A 一种基于深度强化学习的自动化渗透测试方法、系统、设备及介质 (中电信数智科技有限公司)_第3页
CN119520039A 一种基于深度强化学习的自动化渗透测试方法、系统、设备及介质 (中电信数智科技有限公司)_第4页
CN119520039A 一种基于深度强化学习的自动化渗透测试方法、系统、设备及介质 (中电信数智科技有限公司)_第5页
已阅读5页,还剩27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

一种基于深度强化学习的自动化渗透测试本发明公开了一种基于深度强化学习的自用漏洞扫描和基线核查工具对设备进行漏洞扫测试方案,大幅提高网络安全评估的精度和效2根据获取的脆弱性信息生成攻击图,根据脆弱性信息确定漏洞在生成的贝叶斯攻击图上设计攻击者目标节点奖励值,模拟攻击者的可能攻击行为,根据攻击策略在攻击图中模拟攻击者的潜在攻击行为,生成攻击在渗透测试试验环境内,按照攻击者最可能采用的渗透攻击路3使用Q_learning方法让攻击者在与环境的交互中不断更新最t将攻击者的深度神经网络参数初始化为随机值,从训练数据集中随攻击者根据当前的攻击策略选择动作,在选择过程中加入探索元素每发生一次状态转移后,实时计算智能体获取的奖励值,奖励值根据状态转移后的奖励值计算深度神经网络的损失函数的梯度核查工具对确定范围内的所有设备进行漏洞扫描和基线核查,获取被测系统的脆弱性信攻击图生成模块,用于根据获取的脆弱性信息生成攻击图,根据脆策略训练模块,用于在生成的贝叶斯攻击图上设计攻击者目标节模拟攻击模块,用于根据攻击策略在攻击图中模拟攻击者的潜在攻击4渗透测试模块,用于在渗透测试试验环境内,按照攻击者最可能5据漏洞分析的结果寻找或者开发相关利用工具,利用漏洞获取系统的访问权限(如获取67)表示击者的最优动作价值函数;表示采取攻击动[0022]使用Q_learning方法让攻击者在与环境的交互中不断更t8算机程序使计算机执行如本申请的第一方面所述的基于深度强化学习的自动化渗透测试9[0054]DRL(DeepReinforcementLearning,深度强化学习):是一种结合了深度学习在CVE编号为CVE_2012_1123是BAG拥有的N个安全状态,每个状态si都来自于系统的一个脆[0078]pa是原子攻击a成功的概率;渗透攻击者攻击动作成功的概率一方面取决于漏洞[0087]首先需要将渗透测试过程转化为一个马尔可夫决策过程(MDP),将攻击策略的训练抽象为一个一个智能体(Agent)在与环境的交互中学习改进自身策略的问题。这里的策智能体将会获得一个值为负的奖励作为采取行动的代价。图4描述了在攻击者采取行动时t时刻攻击者采取行动后所获得的奖励;γ表示学习的折扣率,对于越久远的未来折扣越Q(x,)数的TD目标yt和TD误差δt:θ)_yt[0093]其中TD目标yt是Q函数在t+1时刻对t时刻最佳Q值的估计,它基于下一个回合的实包括激活目标节点后获得的奖励以及智能体结(目标节点被激活或者状态转移次数达到阈值)[0109]使用上一步骤所挑选的3条攻击路径对系统进行渗透测试。由于对于系统漏洞的利用有一定的成功概率,如果一条攻击路径遇到阻碍可以及时的切换到另外两条攻击路一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器[0121]本发明能够根据系统的脆弱性智能生成渗透测试方案,

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。

评论

0/150

提交评论