- 说明：题目来源网络，由于本人水平有限，代码可能存在错误
A Bayesian network approach for cybersecurity risk assessment implementing and extending the FAIR model
A Bayesian network approach for cybersecurity risk assessment implementing and extending the FAIR model
使用贝叶斯网络来扩展公平模型（fair model），定量风险评估
已有工作
FAIR用于评估智能电网网络威胁的损失事件频率，2019
Park等人使用FAIR来评估Andriod恶意软件的威胁，2018
典型的CRA（风险评估）方法
- 威胁树，2002
- 攻击树，1999
- 攻击图，2002
- 防御树，2006
- 贝叶斯攻击图，2012
博弈论模型存在的问题
信息的缺乏和不对称：
- 不知道攻击者的策略和payoff
- 很难指导风险管理者进行决策和评估
考虑将博弈模型和统一收益模型相结合：将博弈论模型和FAIR-BN相结合，可以支持防御者-攻击博弈中防御者部署的决策，并预测网络攻击造成的损失。
博弈模型
借用Banks,2015的序列防御-攻击博弈模型来构建EFBN
决策分析的目标是使得决策者的效用节点最大化，可以使用AgenaRisk生成决策树（Fenton,Neil,2018）
A Hybrid Game Theory and Reinforcement Learning Approach forCyber-Physical Systems Security
基于博弈论和多智能体强化学习在战略和战场两个维度去考量。
- 使用预定义漏洞和已发现漏洞
- 使用MARL和Q-learning推导最有攻击序列和防御策略
背景
MARL（多代理agent强化学习） [6]被认为是博弈论的改编，具有机器学习的附加功能，可以使用深度强化学习在内的多种算法来学习最优策略，也就是收敛到nashEQ
强化学习案例：
- R. Elderman, L. J. Pater, A. S. Thie, M. M. Drugan, and M. Wiering,“Adversarial reinforcement learning in a cyber security simulation.,” inICAART (2), pp. 559–566, 2017
- . Huang, C. Zhou, Y. Qin, and W. Tu, “A game-theoretic approachto cross-layer security decision-making in industrial cyber-physicalsystems,”IEEE Transactions on Industrial Electronics, 2019.
模型
战略层面
我们使用不完善的信息广泛形式博弈对战略水平进行建模。 此游戏的状态为总体安全状态：低，中，高和严重危险。 显然，防御者不确定确切的状态是什么（例如，攻击者发现了零日漏洞）。 攻击者不知道状态是什么，因为他没有有关目标网络的全部信息或所有防御者的对策。 因此，我们认为信息模型不完善。 该游戏具有扩展形式，因为防御者将尝试从腐败状态恢复到原始（低）状态。攻击者将尝试达到关键状态。 因此，游戏具有多个阶段。 防御者根据对策选择策略，以阻止攻击者的前进。 该策略被转化为一系列在战场上可以选择的行动。 攻击者根据攻击方法选择策略。 攻击者策略被翻译为战场级别的一组动作，漏洞和渗透工具。
战场层面
采用MARL。包含一个主机和四个子网构成的CPS
- 三个子网在云端，拥有IDS。安全影响较低
- 其它子网托管在本地，IDS具有不确定性易受到攻击。中等的影响
- SCADA网络，具有高安全性影响。
漏洞评分系统（CVSS）：“Common vulnerability scoring system.” https://www.first.org/cvss/. Ac-cessed: 2019-08-02
一个典型的CPS子网有关的漏洞。
病毒传播模型
攻击者在攻击过程收集信息。
描述
首先使用基于Q-learning的RL寻找最优攻击路径；进一步，将MARL处理Q-learning应用于两个agent以到达NE，并找到最佳防御策略
博弈法制
使用以下6元组定义：14x6game model matrix (14 nodes, five vulnerabilities, level ofprotection)
- 参数 $W$ ：如果IDS检查到病毒，返回1，否则返回0
- 参数 $T$：是否终止
- 参数 $Y$：攻击者的步长
- 参数 $V$：攻击成功率
- 参数 $N$：最后一个节点的index
攻击者的目标状态：
攻击成功率 $V$ 应超过漏洞可利用性得分 $P$，形式化描述为：
防御者目标状态：
对于防御者的目标状态，在两种情况下游戏被认为是吉祥的：首先，只要攻击者的行动成功不超过最后节点上的转移概率，并且IDS检测到攻击，然后将其阻止； 第二，超过最大攻击步数时，形式化描述：
架构图
学习算法基于table表示法而不是神经网络，因为神经网络存在对抗性学习问题，即对不断变化的环节适应很慢。
学习参数
- 学习率：描述新值和旧值的比较程度
- 折现因子：影响未来奖励的权值。
- 衰减率：确定勘探与开发之间的权衡。
Q-tables会在每个game策略中更新。
战略与策略
图4给出了使用博弈论和 MARL的想法;它将博弈论中的策略概念与RL 中的政策概念联系起来。首先基于博弈论原理对 CPS网络中所面临的问题进行建模和形式化。每个玩家都定义了相应的策略和行动空间。同时，通过使用MARL，将博弈模型的形式化应用到环境中，使用Q-learning算法来应用学习过程。此外，对所选择的策略推导出最优策略。
tooru框架
经典静态博弈
经典静态博弈是所有博弈的基础，在这一部分中，我们将描述所有博弈的基本内容。
标题
一个可选字段，关键字是 title，值类型是字符串。
顾名思义，是一个博弈的标题。这个字段不会影响内部分析计算，它只被用于帮助使用者理解输出
评论
一个可选字段，关键字是 comment，值类型是字符串。
顾名思义，是对于一个博弈、文件、项目的进一步之描述。这个字段不会影响内部分析计算，它只被用于帮助使用者理解输出
博弈类型
一个必需字段，关键字是 game_type，值类型是字符串。
顾名思义，是该博弈的类型。目前程序支持的博弈类型有：
- 经典静态博弈（由
csg指代） - 重复博弈（由
rpg指代） - 进化博弈（由
evo指代） - 随机博弈（）不完全分析计算支持
- 经典动态博弈（）
- 贝叶斯博弈（）
并发编程
秒杀系统设计
SpringCloud之趋势投资实践
项目介绍
量化投资是金融界的发展方向。 福利待遇好的行业，大家都知道是有： IT 和 金融。 而量化投资，恰恰就是这两者的交汇点。 各个金融机构，投资公司都会越来越深入地进行量化投资的领域，不可避免地就会越来越需要这方面的计算机技术人才。 而有过量化投资经历，必定在激烈的竞争中增加自己的优势。
分布式和集群开发经验。 本项目会先使用单站方式演示，然后分析其缺点，接着对这个单站基于 springcloud 进行 分布式和集群的改造。 通过参与这个过程，大家第一手资料地感受到分布式与集群的好处，积累珍贵的分布式和集群开发经验。
量化投资概念对个人理财观念的建立。 话说，你不理财，财不理你。理财是必然要做的事情，不然钱放在银行里，连通货膨胀都跑不过呢。 那么如何理财？ 如何有效，低风险，高收益地理财？ 通过参与这次量化投资项目，以程序员身份拉去第一手的原生资料，对原生资料，用透明的算法计算出明确的结果。 这样的方式得到的年化收益率才是让自己信服的。 可以说，量化投资观念的建立，这是一件对一生都有益的事情，而且越早开始越好呀。
Kali使用教程（三）：Web渗透
Kali使用教程（二）：无线攻击
常用的WLAN标准如下：
802.11 - The original WLAN standard
802.11a- Up to 54 Mbit/s on 5 GHz
802.11b- 5.5 Mbit/s and 11 Mbit/s on 2.4 GHz
802.11g- Up to 54 Mbit/s on 2.4 GHz. Backward compatible with 802.11b
802.11i- Provides enhanced security
802.11n - Provides higher throughput with Multiple Input/Multiple Output (MIMO)
