Skip to content
KitploitKITPLOIT
도구익스플로잇블로그
Log in
제출
도구익스플로잇블로그
제출

해킹, 침투 테스트 및 사이버 보안 도구를 당신의 보안 무기고에!

Kitploit은 해킹, 사이버 보안 및 침투 테스트 도구 디렉토리입니다. 최신 프로젝트 업데이트를 발견하여 취약점을 찾고, 시스템을 분석하고, 테스트를 자동화하고, 보안을 강화하세요.

피드문의개인정보© 2026 Kitploit

도구 디렉토리

카테고리

모든 카테고리 보기
Loading categories
dlr-ne-ics-security — 고급 지속적 위협과 이동 표적 방어 간의 확률적 ICS 보안 게임을 위한 동적 저랭크 내시 균형 계산을 구현한 연구 코드. | Kitploit
도구/GitHubGitHub/tz98lab/dlr-ne-ics-security
Defensive ToolsVulnerability AnalysisSCADA/ICS SecurityUtilities & FrameworksMachine LearningPapers & Research
GitHubtz98lab/dlr-ne-ics-security

dlr-ne-ics-security

고급 지속적 위협과 이동 표적 방어 간의 확률적 ICS 보안 게임을 위한 동적 저랭크 내시 균형 계산을 구현한 연구 코드.

저장소 보기
11101개월 전아직 검토되지 않음
공유

ICS 보안 게임을 위한 DLR-NE

Python 3.10+ License: MIT

지능형 지속 위협과 이동 표적 방어 간의 확률적 게임을 위한 동적 저계수 균형 계산

정규 논문, Automatica 심사 중 (2026년 10월 재투고)

개요

이 저장소는 고차원 산업 제어 시스템(ICS) 보안 게임에서 내시 균형을 계산하기 위한 동적 저계수 내시 균형(DLR-NE) 알고리즘의 구현 및 실험적 검증을 포함합니다.

지능형 지속 위협(APT) 과 이동 표적 방어(MTD) 간의 전략적 상호작용은 차원 $n \sim 10^3$–$10^4$의 연속 상태 공간에서의 2인 제로섬 확률적 게임으로 모델링됩니다. 핵심 통찰은 공격 및 방어 채널의 물리적 저계수 결합(ICS 네트워크 토폴로지에 내재된 구조적 특성)이 균형 가치 함수의 계산 가능한 저계수 신경망 근사를 가능하게 하여, 반복당 복잡도를 $\mathcal{O}(n^2)$에서 $\mathcal{O}(nr^2)$로 감소시키며, 이는 $\Theta(n/r^2)$의 속도 향상이라는 점입니다.

핵심 이론적 기여

정리내용실험
정리 1최적 가치 함수 $V^*$에 대한 전역 저계수 근사 오차 한계실험 1
정리 2명시적 정상 상태 오차 분해를 동반한 DLR-NE의 기하학적 수렴실험 2
정리 3반복당 복잡도 $\mathcal{O}(nr^2)$ 및 전체 계수 기준선 대비 $\Theta(n/r^2)$ 속도 향상실험 3
따름정리 1게임 이론적 견고성: 균형 민감도는 조건수 $\kappa(S)$에 의해 제어됨실험 4

저장소 구조

dlr-ne-ics-security/
├── src/                          # Core algorithmic modules
│   ├── environment.py            # Synthetic nonlinear power-system dynamics
│   ├── networks.py               # Low-rank and full-rank neural networks
│   ├── bellman.py                # Bellman operator and greedy Nash policy extractor
│   ├── dlra_vi.py                # Algorithm 1: DLR-NE
│   └── utils.py                  # FLOPs accounting, EYM error, metrics
│
├── experiments/                  # Experimental scripts (one per theorem)
│   ├── exp01_truncation_error.py     # Theorem 1: Low-rank truncation error
│   ├── exp02_convergence.py          # Theorem 2: Convergence of DLR-NE
│   ├── exp03_complexity.py           # Theorem 3: Computational complexity
│   ├── exp04_robustness.py           # Corollary 1: Game-theoretic robustness
│   ├── exp05_tradeoff.py             # Compression-accuracy Pareto frontier
│   └── exp06_ablation.py             # Ablation: necessity of basis augmentation
│
├── data/                         # Generated datasets (excluded from git)
├── results/                      # Figures and logs (excluded from git)
├── notebooks/                    # Prototyping and visualization
├── requirements.txt              # Python dependencies
└── README.md                     # This file

설치

사전 요구 사항

  • Python >= 3.10
  • NumPy, SciPy, Matplotlib, PyTorch (CPU 또는 CUDA)

빠른 설정

# Clone the repository
git clone https://github.com/tz98lab/dlr-ne-ics-security.git
cd dlr-ne-ics-security

# Create a virtual environment (recommended)
python -m venv venv
source venv/bin/activate        # Linux/Mac
# venv\Scripts\activate         # Windows

# Install dependencies
pip install -r requirements.txt

요구 사항

numpy>=1.24.0
scipy>=1.10.0
matplotlib>=3.7.0
torch>=2.0.0

실험

모든 실험은 독립적으로 실행 가능하며 자체적으로 완결됩니다. 각 스크립트는 results/figures/ 디렉터리에 그림을 생성합니다.

규모에 관한 참고: 기본 구성은 빠른 시연을 위해 $n=200$을 사용합니다. 논문에서 보고된 전체 규모 결과($n \sim 10^3$)를 재현하려면 각 스크립트 상단의 PowerSystemConfig를 수정하십시오(인라인 주석 참조).

실험 1: 저계수 절단 오차 (정리 1)

절단 오차 $|V_{\mathrm{full}} - \widehat{V}r|\infty$가 계수 $r$에 따라 감소하며 Eckart-Young-Mirsky 이론적 예측과 일치함을 검증합니다.

python experiments/exp01_truncation_error.py

출력: results/figures/exp1_truncation_error.png
예상: 측정된 오차(파란 원)가 이론적 한계 $L_\phi |w_{\mathrm{out}}^*|2 R{\mathcal{X}} \epsilon_{\mathrm{EYM}}(r)$(보라색 점선)를 추종함; 특이값 스펙트럼은 빠른 감쇠를 보임.

실험 2: DLR-NE의 수렴 (정리 2)

수렴률 $\gamma$와 명시적 정상 상태 오차 이웃 $\varepsilon_{\mathrm{total}}/(1-\gamma)$를 동반한 기하학적 수렴을 검증합니다.

python experiments/exp02_convergence.py

출력: results/figures/exp2_convergence.png
예상: 오차 곡선은 먼저 $\gamma^k$ 포락선을 따라 감소하다가, 내부 루프 예산 $s^$에 의해 지배되는 평탄역으로 접어듦($s^$를 절반으로 줄이면 정확도에서 약 20배의 비용 발생); 배치 크기 $N_b$는 상대적으로 무시할 수 있는 영향.

실험 3: 계산 복잡도 (정리 3)

$\mathcal{O}(nr^2)$의 반복당 복잡도와 전체 계수 FC-NN 기준선 대비 $\Theta(n/r^2)$ 속도 향상을 검증합니다.

python experiments/exp03_complexity.py

출력: results/figures/exp3_complexity.png
예상: DLR-NE는 $n$에 대해 선형으로 확장(로그-로그에서 기울기 1), FC-NN은 이차적으로 확장(기울기 2); $n=2000, r=10$에서 측정된 FLOPs 속도 향상 $\approx 12\times$(실제 시간 $\approx 4\times$).

실험 4: 게임 이론적 견고성 (따름정리 1)

조건수 $\kappa(S)$에 의해 인증되는 유한하고 $\beta$로 조정 가능한 민감도 상수 $L_\kappa$를 갖는 선형 관계 $|V(\cdot;\pi_D,\pi_A) - V(\cdot;\tilde{\pi}D,\pi_A)|\infty \le L_\kappa |\Delta S|_F$를 검증합니다(사전적 최악의 경우 인증서).

python experiments/exp04_robustness.py

출력: results/figures/exp4_robustness.png
예상: 가치 편차는 $|\Delta S|_F$에 대해 선형이며 기울기는 스펙트럼 정규화 가중치 $\beta$가 증가함에 따라 감소; $\kappa(S)$는 $\beta$를 증가시킴으로써 압축됨.

실험 5: 압축–정확도 트레이드오프

압축률과 균형 정책 효용 간의 파레토 프론티어를 탐구합니다.

python experiments/exp05_tradeoff.py

출력: results/figures/exp5_tradeoff.png
예상: $r = 5$에서 최적점: 약 2.3%의 효용 손실로 약 94%의 파라미터 압축.

실험 6: 절제—기저 증강의 필요성

세 가지 변형을 비교합니다: (i) 전체 알고리즘 1, (ii) 고정 기저, (iii) 리트랙션 없음.

python experiments/exp06_ablation.py

출력: results/figures/exp6_ablation.png
예상: 고정 기저 변형은 정체됨; 리트랙션 없음 변형은 불안정함; 전체 알고리즘 1은 통제된 비용으로 안정적인 감쇠를 달성함.

재현성 성명

모든 난수 시드는 고정되어 있으며 보고됩니다. 각 실험 스크립트는 자체적으로 완결되며 기본 $n=200$ 구성에 대해 표준 노트북(CPU 전용)에서 실행할 수 있습니다. 전체 규모 실험($n \sim 10^3$)은 Intel Xeon Gold 6248R과 NVIDIA A100 40GB GPU(전체 계수 기준선 가속에만 사용)에서 수행되었습니다.

주요 하이퍼파라미터:

  • 할인 계수: $\gamma = 0.95$
  • 활성화 함수: $\tanh$ ($L_\phi = 1$)
  • 배치 크기: $N_b = 512$ (LHS)
  • 내부 루프 단계: $s^* = 10$
  • 스펙트럼 정규화: $\beta = 0.1$ (기본값)

전체 파라미터 목록은 src/utils.py 및 개별 실험 스크립트를 참조하십시오.

인용

이 코드를 사용하는 경우 다음을 인용해 주십시오:

@article{dlrne2026,
  title={Dynamical Low-Rank Equilibrium Computation for Stochastic Games between Advanced Persistent Threats and Moving Target Defense},
  author={Tian, Zijian and Zhang, He and Chen, Xinjie and Wang, Wenhai and Liu, Xinggao},
  journal={Automatica},
  year={2026},
  note={Under review}
}

라이선스

이 프로젝트는 MIT 라이선스에 따라 라이선스가 부여됩니다. 자세한 내용은 LICENSE를 참조하십시오.

연락처

코드나 실험에 관한 질문은 GitHub에 이슈를 열어 주십시오. 이론적 내용에 관한 질문은 Automatica에 투고된 원고를 참조하십시오.

도구 다운로드

인기

모두 보기 →

커뮤니티에서 가장 많이 사용되는 도구를 찾아보세요.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 궁극의 OSINT 툴킷: 조사 그래프, 신뢰도 점수 산정, 별칭 패밀리, 지도, 타임라인 및 보고서. 49개 모듈, 400개 이상 사이트, API 키 불필요.

    732
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # GhostLock 원탭 실행 앱 (CVE-2026-43499)

    506
  • 3

    ARTEX

    baarai/artex

    LLM 멀티 에이전트 자율 침투 테스트 플랫폼으로, 플래너/워커 에이전트, 자산 및 탐색 그래프, MITM 트래픽 기록, 취약점 재테스트 기능을 제공합니다.

    405
  • 4

    redforge

    cybersecurity91/redforge

    브라우저 측 레드 팀 툴킷으로, 정찰, 페이로드 생성, 자격 증명 공격, 암호화, 인코딩 및 참여 보고를 위한 102개의 오프라인 도구를 제공합니다.

    342
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI 네이티브 사이버보안을 위한 행동 체계—의도가 통제된 실행이 되고, 증거가 운영 메모리가 되며, 모든 운영이 다음 운영을 개선하는 곳.

    261
  • 6

    antifox

    antifox-ai/antifox

    정찰, 공격 표면 탐색, 익스플로잇 검증, 증거 기반 보고서 전달을 수행하는 AI 멀티 에이전트 자율 침투 테스트 플랫폼입니다.

    259

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →