SquirRL: Automating Attack Analysis on Blockchain Incentive Mechanisms with Deep Reinforcement Learning.
本文提出 SquirRL，一个利用深度强化学习自动分析区块链激励机制攻击的框架。区块链的激励机制（如矿工奖励）对无许可区块链的安全运行至关重要，它激励参与者维护共识协议。然而，设计激励兼容的机制极具挑战，目前大多数公有链的激励机制缺乏严格的
#deep-reinforcement-learning
共收录 8 条相关情报。
← 返回所有主题Automated Stealthy Wear-Out Attack on Digital Twins With Deep Reinforcement Learning
该论文研究数字孪生（DT）系统中的隐蔽性磨损攻击。数字孪生作为工业4.0的关键技术，通过实时监控、仿真和精准控制物理资产，实现了数据驱动决策和运营优化。然而，这种物理与虚拟域的无缝交互极大地扩展了攻击面。论文提出一种基于深度强化学习（DRL
SA-DRL: Security-Aware Deep Reinforcement Learning for Ransomware Detection with Asymmetric Reward Design
该论文提出了一种面向勒索软件检测的安全感知深度强化学习（SA-DRL）框架，核心创新在于将误报（False Positive）和漏报（False Negative）的成本不对称性嵌入到强化学习的奖励信号中。传统机器学习检测器通常使用对称目标
Auditable Machine Unlearning for Privacy-Compliant Ransomware Detection Using Multi-Shard SISA and Deep Reinforcement Learning
本文提出了一种可审计的勒索软件检测与遗忘框架，旨在解决现有机器学习检测器不支持选择性样本移除的问题，以满足GDPR和CCPA等隐私法规要求。该框架将深度强化学习与多分片SISA（分片隔离状态聚合）重训练相结合：核心检测器采用双深度Q网络（D
ORAN-DEFEND: Subspace Detection and Sanitization of Backdoor DRL xApps in Open RAN
开放无线接入网络（O-RAN）越来越多地将近实时控制委托给从第三方供应商获取的深度强化学习（DRL）xApp，这引入了新的供应链攻击面。后门策略在正常情况下表现最优，但一旦对手向观察到的关键性能指标（KPI）遥测数据中注入隐蔽触发器，就会产
An AI-Based Solution for Secure Service Provisioning in IoT
随着物联网（IoT）的快速发展，攻击面不断扩大，针对智能对象及其交互的新兴威胁日益增多。确保服务提供的安全性对于IoT生态系统的正常运行、安全性和可靠性至关重要。服务提供涵盖设备注册、配置、认证、授权和软件部署等关键任务。本文提出一个综合框
ORL-AUDITOR: Dataset Auditing in Offline Deep Reinforcement Learning.
该论文提出了一种名为ORL-AUDITOR的新型数据集审计机制，专门针对离线深度强化学习（offline DRL）场景。离线DRL利用预先收集的数据集训练模型，广泛应用于自动驾驶等安全关键领域。随着高质量数据集成为AI核心资产，许多机构公开
Angel or Demon: Investigating the Plasticity Interventions' Impact on Backdoor Threats in Deep Reinforcement Learning
该论文系统研究了深度强化学习（DRL）中可塑性干预（plasticity interventions）对后门攻击威胁的影响。可塑性干预是现代DRL智能体的内置组件，用于缓解可塑性损失，但其对后门漏洞的作用尚不明确。作者通过大规模实证研究，分