ترجمه فارسی مقاله یک رویکرد MDP فاکتور برای حرکت دفاع هدف با مدل سازی تهدید پویا و راندمان هزینه

چکیده

Moving Target Defense (MTD) has emerged as a proactive and dynamic framework to counteract evolving cyber threats. Traditional MTD approaches often rely on assumptions about the attackers knowledge and behavior. However, real-world scenarios are inherently more complex, with adaptive attackers and limited prior knowledge of their payoffs and intentions. This paper introduces a novel approach to MTD using a Markov Decision Process (MDP) model that does not rely on predefined attacker payoffs. Our framework integrates the attackers real-time responses into the defenders MDP using a dynamic Bayesian Network. By employing a factored MDP model, we provide a comprehensive and realistic system representation. We also incorporate incremental updates to an attack response predictor as new data emerges. This ensures an adaptive and robust defense mechanism. Additionally, we consider the costs of switching configurations in MTD, integrating them into the reward structure to balance execution and defense costs. We first highlight the challenges of the problem through a theoretical negative result on regret. However, empirical evaluations demonstrate the frameworks effectiveness in scenarios marked by high uncertainty and dynamically changing attack landscapes.

چکیده به فارسی (ترجمه ماشینی)

حرکت دفاعی هدف (MTD) به عنوان یک چارچوب فعال و پویا برای مقابله با تهدیدهای سایبری در حال تحول ظاهر شده است.رویکردهای سنتی MTD اغلب به فرضیات مربوط به دانش و رفتار مهاجمان متکی است.با این حال ، سناریوهای دنیای واقعی ذاتاً پیچیده تر هستند ، با مهاجمان تطبیقی ​​و دانش قبلی محدود از بازپرداخت و اهداف خود.در این مقاله یک رویکرد جدید به MTD با استفاده از یک مدل تصمیم گیری Markov (MDP) ارائه شده است که به بازپرداخت های مهاجم از پیش تعریف شده متکی نیست.چارچوب ما با استفاده از یک شبکه پویا بیزی ، پاسخ های زمان واقعی مهاجمان را در MDP Defenders ادغام می کند.با استفاده از یک مدل MDP Factored ، ما یک سیستم جامع و واقع بینانه را ارائه می دهیم.ما همچنین به روزرسانی های افزایشی در یک پیش بینی کننده پاسخ حمله با ظهور داده های جدید درج می کنیم.این یک مکانیسم دفاعی تطبیقی ​​و قوی را تضمین می کند.علاوه بر این ، ما هزینه های تعویض پیکربندی ها را در MTD در نظر می گیریم ، و آنها را در ساختار پاداش برای تعادل در هزینه های اجرای و دفاعی در نظر می گیریم.ما ابتدا چالش های مسئله را از طریق نتیجه منفی نظری بر پشیمانی برجسته می کنیم.با این حال ، ارزیابی های تجربی نشان دهنده اثربخشی چارچوب در سناریوهای مشخص شده توسط عدم اطمینان زیاد و تغییر پویا در مناظر حمله است.