研究文章

人工智能攻防博弈与动态对抗研究

摘要

数字时代网络空间安全是国家安全与数字化运行的关键基础。生成式 AI、强化学习推动网络攻防进入智能动态自主博弈阶段,攻击者借助智能算法实施变异恶意代码、仿真钓鱼等高隐蔽自动化攻击;防御侧依托 AI 感知决策搭建自适应主动防御体系。从攻防博弈视角梳理生成对抗网络、深度强化学习、联邦学习的攻防应用逻辑,融合对抗训练与联邦学习构建分层协同自适应攻防架构。实测显示优化模型攻击识别精度提升 23%,响应时延缩短 65%,对抗样本误报率下降 18.7%,弥补传统防御未知威胁处置短板,同时剖析人机协同、理性约束、隐私保护等核心难题与技术痛点,为新型智能网络安全防护体系建设提供理论与技术依据。

关键词

人工智能;网络安全;攻防博弈;动态对抗

参考

刘叶. 基于AI技术的网络安全攻防技术创新研究[J]. 移动信息, 2025(12): 171-173.

Gupta M, Akiri C, Aryal K, et al. From ChatGPT to ThreatGPT: Impact of Generative AI in Cybersecurity and Privacy[J]. IEEE Access, 2023, 11: 80212-80233.

Hu W, Tan Y. Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN[C]// Communications in Computer and Information Science. Springer, 2022: 427-442.

Li D, Li Q. Adversarial Deep Ensemble: Evasion Attacks and Defenses for Malware Detection[J]. IEEE Transactions on Information Forensics and Security, 2020, 15: 1754-1769.

Won D O, Jang Y N, Lee S W. PlausMal-GAN: Plausible Malware Training Based on Generative Adversarial Networks for Analogous Zero-Day Malware Detection[J]. IEEE Transactions on Emerging Topics in Computing, 2022, 10(4): 937-949.

Apruzzese G, Laskov P, de Oca E M, et al. The Role of Machine Learning in Cybersecurity[J]. Digital Threats: Research and Practice, 2022, 4(1): 1-33.

Xue M, Yuan C, Wu H, et al. Machine Learning Security: Threats, Countermeasures, and Evaluations[J]. IEEE Access, 2020, 8: 73320-73335.

Sarker I H, Kayes A S M, Badsha S, et al. Cybersecurity Data Science: An Overview From Machine Learning Perspective[J]. Journal of Big Data, 2020, 7(1): 41.

杨晨, 林思远. 生成式AI驱动网络攻防演化机理与主动防护策略研究[J]. 计算机科学, 2024, 51(S1): 312-318.

Refbacks

  • 当前没有refback。
版权所有(c)2026 爽 王, 彪 曹, 娟 陈, 振新 范
Creative Commons License
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。