本技术涉及网络安全技术领域,尤其涉及在物联网网络实现自高效自主防御。包括:构建网络攻防场景,利用图数据结构对观察信息建模;对攻击者与防御代理的动作空间进行建模;对网络攻防场景中的攻防过程进行建模;采用图归一化对节点的特征矩阵进行归一化处理;利用GAT的自注意机制,根据网络设备与其相邻设备的交互动态聚合每个设备的当前状态信息;利用图下采样池化策略根据自注意力得分选择性保留节点主机;利用图注意力网络增强的强化学习算法训练防御代理。本发明解决现有强化学习算法的自动化防御在复杂网络场景中面临性能瓶颈,难以收敛到较高的回报值,无法制定有效的防御策略的问题。
背景技术
人工智能技术的快速发展推动物联网(IoT)应用领域的转型,从工业物联网、医疗物联网、消费物联网逐渐迈向人工智能物联网(AIoT);尽管AIoT显著提升了便利性,但也使物联网网络系统暴露于更多样化的网络威胁之中,大量设备的使用带来了潜在漏洞的激增,而设备之间高度的交互进一步放大了网络攻击的风险。
Alshahrani,H等人的Intrusion detection framework for industrialinternet of things using software defined network.Sustainability采用强化学习应用与网络安全防御,但强化学习方法在准确表征和利用观测信息,以及捕捉网络中的复杂依赖关系和交互模式方面存在一定的局限性,尤其是在具有大量设备和复杂交互的物联网场景中,这些局限性阻碍了智能防御策略的有效制定;另外,现有强化学习方法在复杂网络环境中制定和实施有效策略时仍面临挑战;主要归因于这些复杂系统中网络设备之间存在的复杂交互和依赖关系,难以区分网络拓扑结构或识别网络主机的重要性,这些重要性往往高度依赖于其当前状态,未能有效捕捉和利用节点间的交互,导致次优结果。
实现思路