Towards Hierarchical Cyber Defense with Large Language Models: From Planning to Execution
本篇论文研究自主网络防御中强化学习(RL)防御智能体的泛化瓶颈：用 RL 训练出的自主防御者通常与其训练所在的网络绑定，一旦网络规模发生变化，策略能力就会下降，往往需要按新规模重新训练。分层强化学习通过把"战略层目标选择"与"战术层动作执行
#cyber-defense
共收录 3 条相关情报。
← 返回所有主题Belief-Space Quantum-Inspired Reinforcement Learning for Partially Observable Autonomous Cyber Defense in the Internet of Vehicles
该论文针对车联网（IoV）动态、对抗性的安全环境，指出现有入侵检测系统依赖静态分类器，无法捕捉攻击者的自适应策略、序列决策过程以及不确定性。作者将IoV安全建模为攻击者与防御者之间的序贯博弈，并将防御问题视为部分可观测马尔可夫决策过程下的强
Stable Agentic Control: Tool-Mediated LLM Architecture for Autonomous Cyber Defense
本论文提出了一种面向自主网络防御的工具中介LLM架构（Stable Agentic Control），旨在解决现有方法无法为高对抗压力下的自主系统提供形式化保证的问题。研究背景源于安全运营中心（SOC）在敌对压力下配置端点检测与响应（EDR