Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
alignment-cage-challenge-2 — CybORG CAGE 2-Umgebung aktualisiert für das Paper „Alignment of Autonomous Cyber Defense Agents via Adaptive Policy Shaping“ | Kitploit
Tools/GitHubGitHub/itm-kitware/alignment-cage-challenge-2
DefensivwerkzeugeNetzwerksicherheitPenetrationstestsMaschinelles LernenPapers & ForschungLernen & BildungRed TeamingKI-SicherheitLabs & Praxis
Teilen
GitHubitm-kitware/alignment-cage-challenge-2

alignment-cage-challenge-2

CybORG CAGE 2-Umgebung aktualisiert für das Paper „Alignment of Autonomous Cyber Defense Agents via Adaptive Policy Shaping“

Repository anzeigen
55vor 29 TagenNoch nicht geprüft

Ausrichtung autonomer Cyber-Verteidigungsagenten durch adaptive Policy-Gestaltung

Code für unser Paper Alignment of Autonomous Cyber Defense Agents via Adaptive Policy Shaping. Dieses Repository erweitert die CybORG CAGE Challenge 2, um zu untersuchen, wie autonome Verteidiger auf operative Prioritäten ausgerichtet werden können, während ihre Fähigkeit zur Verteidigung des Netzwerks erhalten bleibt.

Unterschiede zur ursprünglichen CybORG CAGE Challenge 2

Die ursprüngliche CAGE-2-Challenge bewertet blaue Verteidiger gegen integrierte rote Agenten anhand der CAGE-Belohnung. Diese modifizierte Version fügt operative Ziele, modifizierte Angreiferrichtlinien und Ausrichtungsmethoden für blaue Verteidiger hinzu. Der Simulator und die Experiment-Skripte bleiben in der CybORG/-Struktur. Der ursprüngliche CAGE-2-Leitfaden behält die ursprüngliche Challenge-Beschreibung bei.

Modifiziertes Szenario und Resilienzmetriken

Das modifizierte Netzwerk umfasst zusätzlich zu den Benutzer-, Unternehmens-, Betriebs- und Verteidiger-Hosts Authentifizierungs- (Auth), Datenbank- (Database) und Front-End- (Front) Server. Diese Server repräsentieren operative Prioritäten, ausgedrückt durch Vertraulichkeit (C), Integrität (I) und Verfügbarkeit (A):

ServertypOperative Prioritäten
Authentifizierung (Auth)Vertraulichkeit, Integrität, Verfügbarkeit
Datenbank (Database)Vertraulichkeit, Verfügbarkeit
Front-End (Front)Integrität, Verfügbarkeit

Die Resilienzbewertung ist angelehnt an Cadet et al. Quantitative Resilience Modeling for Autonomous Cyber Defense. Die Implementierung baut auf dem zugehörigen CyberResilience-Code auf.

Unsere Resilienzmetrik zeichnet CIA-Verluste bei jedem Schritt auf und kombiniert sie zu einem normalisierten Resilienzverlust, mit Standardgewichten von 0,6 für Vertraulichkeit, 0,2 für Integrität und 0,2 für Verfügbarkeit. Sie bewertet außerdem Kandidaten für blaue Aktionen für die attributbasierte Policy- und Ausrichtungsanalyse. Die generierten Szenarien weisen CIA-kritischen Servern normale CAGE-Host-Belohnungswerte von null zu, sodass operative Ausrichtung und allgemeine Netzwerkverteidigungsleistung getrennt bewertet werden können.

Weitere interne Änderungen an der CAGE-2-Codebasis sind im Experiment-README beschrieben.

Modifikationen der CAGE-2-Rot-Agenten

Die ursprünglichen Meander- und B-line-Angreifer werden erweitert, um die hinzugefügten operativen Server anzugreifen und Hostnamen über die generierten Netzwerkgrößen hinweg zu unterstützen. Die Evaluierung verwendet fünf Gegner:

Paper-GegnerPython-KlasseAuswirkungsziele
M-CIARedMeanderAgent_Combination_CIACIA-kritische Auth-, Database- und Front-Server
M-CAGERedMeanderAgent_Combination_CAGEAndere geeignete kompromittierte Hosts, die zur CAGE-Leistung beitragen
Bline-CB_lineAgent_Resilience_CAuth- oder Database-Server
Bline-IB_lineAgent_Resilience_IAuth- oder Front-Server
Bline-AB_lineAgent_Resilience_AAuth-, Database- oder Front-Server

Das Training verwendet RedMeanderAgent_Combination, der bei jeder Entscheidung zur Auswahl der Auswirkung mit gleicher Wahrscheinlichkeit zwischen CIA- und CAGE-Auswirkungszielen wählt. Die B-line-Varianten wählen einmal pro Episode einen Zielservertyp aus und ermitteln passende Hosts aus den Beobachtungen. Siehe Meander_Resilience.py und B_line_resilience.py.

Installation

Verwenden Sie Python 3.10 oder neuer und installieren Sie uv. Vom Repository-Stammverzeichnis aus:

uv sync
cd CybORG

uv sync erstellt die Projektumgebung und installiert CybORG sowie seine Abhängigkeiten. Führen Sie Skripte mit uv run ... und Shell-Launcher mit uv run bash ... aus; eine manuelle Aktivierung der Umgebung ist nicht erforderlich.

Repository-Experiment-Skripte

SpeicherortInhalt
CybORG/CybORG/Simulator, Agenten, Belohnungen, Metriken, Szenarien und Upstream-Tests
CybORG/experiment_configs/Konfigurationen für Testzeit-, Trainingszeit-, adaptive, Skalierungs- und Red-Agent-Evaluierung
CybORG/train_agents.pyTrainieren von Baseline- oder belohnungsgeformten Blue-Agenten
CybORG/test_experiment.pyEvaluieren von Baseline-, festen und adaptiven Richtlinien
CybORG/test_experiment_training_time.pyEvaluieren von Agenten, die während des Trainings ausgerichtet wurden
CybORG/alignment_analysis.pyBerechnen von Alignment-Scores und Analysieren von Belohnungsabwägungen
CybORG/CybORG/Shared/Scenarios/scenario_generation.pyGenerieren von Szenarien mit konfigurierbaren Host-Populationen und Belohnungseinstellungen

Training

Verwenden Sie train_agents.py, um einen PPO-Verteidiger gegen den gemischten mäandernden Angreifer zu trainieren. PPOAgent trainiert die Baseline; AlignedPPOAgent fügt einen Belohnungsterm für das ausgewählte CIA-Attribut hinzu. Der Trainingszeit-Bonus wird im Paper Lambda und in der CLI nur alpha genannt; er ist getrennt vom Testzeit-Interpolationsgewicht.

Um einen Baseline-Checkpoint für base zu trainieren:

uv run python train_agents.py \
  --scenario scalability_experiments/base \
  --agent_type PPOAgent \
  --red_agent RedMeanderAgent_Combination \
  --alpha 0 --seed 0 --game_steps 200 --training_iter 500000 \
  --agent_export checkpoints/PPO_base_0_seed0

Um einen Verteidiger zu trainieren, der auf Vertraulichkeit ausgerichtet ist, mit einem Bonus von 1,5:

uv run python train_agents.py \
  --scenario scalability_experiments/base \
  --agent_type AlignedPPOAgent \
  --red_agent RedMeanderAgent_Combination \
  --alignment_attribute C --alpha 1.5 \
  --seed 0 --game_steps 200 --training_iter 500000 \
  --agent_export checkpoints/PPO_base_1.5_C_seed0

Für die vollständigen Trainings-Sweeps:

uv run bash experiment_configs/train_agents/train_base.sh
uv run bash experiment_configs/train_agents/train_trainingtime_alignment.sh

Diese Launcher decken base, hosts_2, hosts_3 und hosts_4 mit den Trainings-Seeds 0 1 2 3 4 ab. Checkpoints werden unter CybORG/checkpoints/ als PPO_{scenario}_0_seed{seed}.zip für Baselines und als PPO_{scenario}_{bonus}_{attribute}_seed{seed}.zip für reward-geformte Agenten gespeichert. Nach dem Speichern eines Checkpoints führt train_agents.py außerdem eine kurze Evaluierung aus. Die Protokollierung ist standardmäßig deaktiviert; füge --wandb zu einem Python-Trainingsbefehl hinzu, um sie zu aktivieren.

Evaluierung und Analyse

Evaluierungsskripte laden trainierte Checkpoints und führen die Agenten gegen den konfigurierten roten Gegner aus. Die mitgelieferten Konfigurationen verwenden 100 Episoden, einen Evaluierungs-Seed beginnend bei 42 und fünf Trainings-Seeds. Die Episodenhorizonte betragen 200, 300, 400 bzw. 500 Schritte für base, hosts_2, hosts_3 und hosts_4.

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    513
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    471
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    345
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    311
  • 5

    estorides

    grisuno/estorides

    Aggregiert 99+ kostenlose OSINT-Quellen parallel, löst Entitäten in einen Knowledge Graph auf und exportiert STIX 2.1, MISP oder GraphML mit LLM-gestützter Analyse.

    303
  • 6

    opencti

    opencti-platform/opencti

    Offene Plattform für Cyber-Bedrohungsinformationen

    303

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →