Neuer Cyberabwehr-Agent kann Netzwerke beliebiger Topologie schützen

Forscher haben einen innovativen Ansatz vorgestellt, der es Cyberabwehr-Agenten ermöglicht, Netzwerke mit unterschiedlichen Topologien und Größen zu schützen, ohne dass sie neu trainiert werden müssen.

Der Schlüssel liegt in den Topological Extensions for Reinforcement Learning Agents (TERLA), die heterogene Graph Neural Network-Schichten einsetzen, um einen festen latenten Embedding zu erzeugen, der den beobachteten Netzwerkzustand kompakt repräsentiert.

Zusätzlich wird ein kompakter, semantisch sinnvoller Aktionsraum definiert, der die Entscheidungsfindung vereinfacht und die Interpretierbarkeit der Aktionen erhöht.

TERLA wurde in ein Proximal Policy Optimisation (PPO)-Modell integriert und in der Cyber Autonomy Gym for Experimentation (CAGE) Challenge 4 getestet, einer Umgebung, die realistische IDS‑Ereignisse und mehrere Agenten für unterschiedliche Netzwerksegmente simuliert.

Die Ergebnisse zeigen, dass TERLA‑Agenten dieselbe Verteidigungsleistung wie herkömmliche PPO‑Agenten erzielen, jedoch mit höherer Aktionseffizienz und demonstrierter Generalisierbarkeit über verschiedene Netzwerkgrößen und -topologien hinweg.