Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
Ferramentas/GitHubGitHub/itm-kitware/alignment-cage-challenge-2
Ferramentas DefensivasSegurança de RedeTestes de PenetraçãoAprendizado de MáquinaPapers e PesquisaAprendizado e EducaçãoRed TeamingSegurança de IALabs e Prática
GitHubitm-kitware/alignment-cage-challenge-2

alignment-cage-challenge-2

Ambiente CybORG CAGE 2 atualizado para o artigo "Alignment of Autonomous Cyber Defense Agents via Adaptive Policy Shaping"

Ver Repositório
55há 1 mêsAinda não revisado

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    439
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingere relatórios do Shadowserver no MongoDB e os reproduz como mapas interativos, análises, descobertas, avisos e painéis executivos.

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    264

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →
Compartilhar

Alinhamento de Agentes Autônomos de Ciberdefesa via Modelagem Adaptativa de Políticas

Código do nosso artigo Alignment of Autonomous Cyber Defense Agents via Adaptive Policy Shaping. Este repositório estende o CybORG CAGE Challenge 2 para estudar como defensores autônomos podem ser direcionados para prioridades operacionais, mantendo sua capacidade de defender a rede.

Diferenças em relação ao CybORG CAGE Challenge 2 original

O desafio CAGE 2 original avalia defensores azuis contra agentes vermelhos integrados usando a recompensa CAGE. Esta versão modificada adiciona objetivos operacionais, políticas de atacante modificadas e métodos de alinhamento para defensores azuis. O simulador e os scripts de experimento permanecem na estrutura CybORG/. O guia original do CAGE 2 mantém a descrição original do desafio.

Cenário modificado e métricas de resiliência

A rede modificada inclui servidores de autenticação (Auth), banco de dados (Database) e front-end (Front), além dos hosts de usuário, empresarial, operacional e defensor. Esses servidores representam prioridades operacionais expressas por meio de confidencialidade (C), integridade (I) e disponibilidade (A):

Tipo de servidorPrioridades operacionais
Autenticação (Auth)Confidencialidade, integridade, disponibilidade
Banco de dados (Database)Confidencialidade, disponibilidade
Front-end (Front)Integridade, disponibilidade

A pontuação de resiliência é adaptada de Cadet et al. Quantitative Resilience Modeling for Autonomous Cyber Defense. A implementação baseia-se no código CyberResilience associado.

Nossa métrica de resiliência registra as quedas de CIA em cada etapa e as combina em uma queda de resiliência normalizada, com pesos padrão de 0,6 para confidencialidade, 0,2 para integridade e 0,2 para disponibilidade. Ela também pontua ações azuis candidatas para a política baseada em atributos e a análise de alinhamento. Os cenários gerados atribuem aos servidores críticos para CIA valores de recompensa de host CAGE comuns iguais a zero, permitindo que o alinhamento operacional e o desempenho geral de defesa da rede sejam avaliados separadamente.

Alterações internas adicionais feitas na base de código do CAGE 2 estão detalhadas no README do experimento.

Modificações do agente vermelho do CAGE 2

Os atacantes originais Meander e B-line são estendidos para atingir os servidores operacionais adicionados e oferecer suporte a nomes de host em todos os tamanhos de rede gerados. A avaliação usa cinco adversários:

Adversário do artigoClasse PythonAlvos de impacto
M-CIARedMeanderAgent_Combination_CIAServidores Auth, Database e Front críticos para CIA
M-CAGERedMeanderAgent_Combination_CAGEOutros hosts comprometidos elegíveis que contribuem para o desempenho CAGE
Bline-CB_lineAgent_Resilience_CServidores Auth ou Database
Bline-IB_lineAgent_Resilience_IServidores Auth ou Front
Bline-AB_lineAgent_Resilience_AServidores Auth, Database ou Front

O treinamento usa RedMeanderAgent_Combination, que seleciona entre alvos de impacto CIA e CAGE com igual probabilidade em cada decisão de seleção de impacto. As variantes B-line selecionam um tipo de servidor alvo uma vez por episódio e resolvem os hosts correspondentes a partir das observações. Consulte Meander_Resilience.py e B_line_resilience.py.

Instalação

Use Python 3.10 ou mais recente e instale o uv. A partir da raiz do repositório:

uv sync
cd CybORG

uv sync cria o ambiente do projeto e instala o CybORG e as suas dependências. Execute scripts com uv run ... e lançadores de shell com uv run bash ...; a ativação manual do ambiente não é necessária.

Scripts de experimentação do repositório

LocalizaçãoConteúdo
CybORG/CybORG/Simulador, agentes, recompensas, métricas, cenários e testes upstream
CybORG/experiment_configs/Configurações de avaliação em tempo de teste, tempo de treino, adaptativas, de escalonamento e de agente vermelho
CybORG/train_agents.pyTreinar agentes azuis de linha de base ou com recompensa moldada
CybORG/test_experiment.pyAvaliar políticas de linha de base, fixas e adaptativas
CybORG/test_experiment_training_time.pyAvaliar agentes alinhados durante o treino
CybORG/alignment_analysis.pyCalcular pontuações de alinhamento e analisar trade-offs de recompensa
CybORG/CybORG/Shared/Scenarios/scenario_generation.pyGerar cenários com populações de hosts e definições de recompensa configuráveis

Treino

Utilize train_agents.py para treinar um defensor PPO contra o atacante errante misto. PPOAgent treina a linha de base; AlignedPPOAgent adiciona um termo de recompensa para o atributo CIA selecionado. O bónus de tempo de treino é designado por lambda no artigo e por alpha apenas na CLI; é distinto do peso de interpolação em tempo de teste.

Para treinar um checkpoint de linha de base para base:

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

Para treinar um defensor alinhado à confidencialidade com um bônus de 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

Para as varreduras completas de treinamento:

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

Esses launchers cobrem base, hosts_2, hosts_3 e hosts_4 com seeds de treinamento 0 1 2 3 4. Os checkpoints são salvos em CybORG/checkpoints/ como PPO_{scenario}_0_seed{seed}.zip para as baselines e PPO_{scenario}_{bonus}_{attribute}_seed{seed}.zip para os agentes com modelagem de recompensa. Após salvar um checkpoint, train_agents.py também executa uma breve avaliação. O logging fica desativado por padrão; adicione --wandb a um comando de treinamento em Python para habilitá-lo.

Avaliação e análise

Os scripts de avaliação carregam checkpoints treinados e executam os agentes contra o adversário vermelho configurado. As configurações fornecidas usam 100 episódios, uma seed de avaliação começando em 42 e cinco seeds de treinamento. Os horizontes dos episódios são de 200, 300, 400 e 500 passos para base, hosts_2, hosts_3 e hosts_4, respectivamente.

test_experiment.py avalia as baselines Blue Monitor e PPO juntamente com alinhamento de tempo de teste fixo ou adaptativo:

Baixar ferramenta