Akhilesh-kolli/Cyber-MARL-Simulator

# Cymarl框架

# Cymarl框架 Cymarl框架是一个网络安全多智能体强化学习框架，专用于图基网络环境中的攻防对抗模拟。 该框架对智能攻击者与防御者代理之间的交互进行建模，双方均使用近端策略优化算法学习自适应策略。项目聚焦于网络攻击路径遍历、动态防御决策、奖励优化及基于强化学习的网络安全实验。 环境模拟了网络安全冲突场景：攻击者试图入侵网络节点，而防御者则致力于保护关键资产并最小化攻击成功率。 # 核心特性 - 多智能体强化学习 - 基于PPO的攻防双方训练 - 图基网络环境 - 攻击路径模拟 - 动态奖励工程 - 网络节点入侵模拟 - 防御响应机制 - 训练指标可视化 - 基于GIF的环境渲染 - 研究导向的网络安全实验 # 技术栈 | 类别 | 技术 | |---|---| | 编程语言 | Python | | 强化学习算法 | PPO | | 环境建模 | 图基模拟 | | 可视化 | Matplotlib | | 数值计算 | NumPy | | 数据处理 | Pandas | | 平台 | Kali Linux | # 框架工作流程 ``` Attacker Agent ↓ Graph-Based Cyber Environment ↓ Defender Agent ↓ State Transition & Rewards ↓ PPO Training Process ↓ Metrics & Visualization ``` # 项目结构 ``` Cymarl-Framework/ │ ├── src/ ├── models/ ├── plots/ ├── gifs/ ├── metrics/ ├── compute_metrics.py ├── plot_training.py ├── generate_gif.py ├── requirements.txt └── README.md ``` # 安装指南 克隆仓库： ``` git clone https://github.com/Akhilesh-kolli/Cymarl-Framework-.git ``` 进入项目目录： ``` cd Cymarl-Framework- ``` 安装依赖： ``` pip install -r requirements.txt ``` # 运行框架 执行训练： ``` python train.py ``` 生成指标： ``` python compute_metrics.py ``` 绘制训练图表： ``` python plot_training.py ``` 生成环境GIF： ``` python generate_gif.py ``` # 生成输出 框架将生成： - PPO训练指标 - 奖励收敛曲线 - 攻击成功率分析 - 防御效能评估 - 训练过程可视化 - 动态网络环境模拟动画 - 图遍历分析 # 研究应用 - 网络安全强化学习 - 自主网络防御研究 - 攻防对抗模拟 - 图基威胁建模 - 自适应防御策略分析 - AI驱动的网络实验 # 未来改进方向 - 多防御者协同机制 - 高级对抗性强化学习算法 - 实时模拟仪表板 - 可扩展分布式训练 - 可解释AI网络安全决策 - 动态网络拓扑生成 # 作者 ## Akhilesh Kolli 网络安全研究 | 强化学习 | 威胁模拟 GitHub： https://github.com/Akhilesh-kolli # 许可协议 本项目仅用于学术研究与网络安全研究目的。

标签：AMSI绕过, IOC情报, MITRE ATT&CK映射, PPO算法, Python框架, SOC分析, TGT, 人工智能, 图基环境, 多智能体强化学习, 奖励工程, 威胁情报, 威胁检测, 安全仿真, 实验研究, 密钥泄露防护, 开发者工具, 强化学习, 技术栈, 攻击路径模拟, 攻防演练, 机器学习安全, 模拟平台, 用户模式Hook绕过, 结构化查询, 网络安全, 网络攻防, 自动化安全, 逆向工具, 防御决策, 隐私保护