Využití strojového učení pro tvorbu optimálních útočných strategií

Bc. Michal Savčinský

Master's thesis

Using machine learning to optimize attack strategies

Abstract:

V súčasnosti dosahuje strojové učenie významné úspechy v mnohých oblastiach, ako autonómne riadenie áut, virtuálni asitenti alebo hranie hier. Z toho dôvodu veríme, že schopnosti strojového učenia by mohli byť použité aj v oblasti kyberbezpečnosti. Na vyvinutie robustného a odolného systému voči sofistikovanému správaniu útočníka potrebujeme náš obranný systém natrénovať proti širokému spektru útočných stratégií. Aby sme dosiahli takú povahu útokov, je potrebné vyvinúť inteligentného autonómneho útočníka. V tejto práci opisujeme rôzne algoritmy strojového učenia pre naučenie útočníka. Do komplikovanejších algoritmov sme zahrnuli rôzne typy neurónových sietí. Následne, sme otestovali algoritmy pre rôzne vopred pripravené scenáre a porovnali sme dosiahnuté výsledky. Zistili sme, že algoritmy využívajúce LSTM dosahujú najspoľahlivejšie výsledky naprieč našimi scenármi.

Abstract:

Recently, reinforcement learning methods have accomplished significant breakthroughs in many areas, such as autonomous driving, virtual assistants, or games. Therefore we believe that the capabilities of reinforcement learning could be exploited for cybersecurity as well. To develop a robust system, proof against sophisticated adversary behavior, we need to train our defensive system against the broad range of attacking strategies. To achieve such nature of attacks, we need to develop an autonomous rational attacker. In this thesis, we provide an overview of various reinforcement learning algorithms to train the attacker. Several types of neural networks are included in more complicated algorithms. Ultimately, we test algorithms for different prepared scenarios and compare achieved results. We conclude that algorithms with LSTM units provide the most reliable results across our scenarios.

Keywords

machine learning, reinforcement learning, neural network, recurrent neural network, long short-term memory, Q-learning

Language used: English

Date on which the thesis was submitted / produced: 20. 5. 2019

Thesis defence

• Date of defence: 21. 6. 2019
• Supervisor: RNDr. Martin Drašar, Ph.D.
• Reader: RNDr. Tomáš Jirsík

Masaryk University

Faculty of Informatics

Master programme / field:
Applied Informatics / Applied Informatics