研究人员开发了一种新颖的安全契约图多智能体强化学习（MARL）框架，命名为ACD$^3$-GAT，以提高自主网络安全响应系统的可部署性。与传统的仅基于奖励的MARL不同，该框架将运营预算与奖励分开，并纳入了约束优化和反事实动作筛选。在CAGE Challenge 4中的评估表明，无约束方法会持续违反停机时间预算，而提出的ACD$^3$-GAT和C-MAPPO-GAT方法显著降低了停机成本和违规率，显示出改进的运营纪律和安全性。 AI
影响 这项研究引入了一个MARL框架，提高了自主网络安全运营的安全性和预算合规性，有望实现AI在关键基础设施中更可靠的部署。
排序理由 该集群包含一篇研究论文，详细介绍了一个用于网络安全的新MARL框架，包括实验结果和比较。
在 arXiv cs.MA (Multiagent) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.13832v1 Announce Type: cross Abstract: Autonomous network-security response systems promise to reduce Security Operations Centre (SOC) reaction latency, but reward-only multi-agent reinforcement learning (MARL) can improve security reward while remaining non-deployable…
Autonomous network-security response systems promise to reduce Security Operations Centre (SOC) reaction latency, but reward-only multi-agent reinforcement learning (MARL) can improve security reward while remaining non-deployable. We present a safety-contract graph MARL framewor…