计算机应用

作者：王诚熠, 徐磊, 陈晋音, 邱洪君

单位：1.浙江工业大学 信息工程学院，杭州 310023；2.中国人民解放军93196部队，新疆 巴音郭楞 841000；3.浙江工业大学 网络空间安全研究院，杭州 310023；4.杭州电子科技大学 网络空间安全学院，杭州 310018

关键词：强化学习,智能化测绘,关键路径,防测绘,对抗扰动

基金：国家自然科学基金资助项目(62072406);国家重点研发计划项目(2018AAA0100801);浙江省自然科学基金资助项目(LDQ23F020001)

基于深度强化学习（DRL）的智能化网络测绘方法将网络测绘过程建模为马尔可夫决策过程（MDP），利用试错学习的方式训练攻击智能体以识别关键网络路径，获取网络拓扑信息。然而，传统的网络防测绘方法通常基于固定的规则，难以应对DRL智能体在测绘过程中不断变化的行为策略。因此，提出一种基于自适应扰动的网络防测绘方法，即AIP （Adaptive Interference Perturbation），旨在抵御智能化网络测绘攻击。首先，通过历史流量序列信息预测流量状况，根据预测的状况与真实流量数据的差异获取梯度信息，且使用梯度信息生成的对抗扰动返回原始流量样本中生成对抗样本；其次，采用融合流量态势-路由状态的特征重构方法通过迭代实现对稀疏字典的动态优化，进而完成对流量数据的稀疏变换；最后，将稀疏化后的对抗流量作为网络拓扑的可观测流量信息，并通过分析测绘智能体在网络拓扑链路权重分配上的变化和网络时延的差异评估AIP方法的防御性能。实验结果表明，与传统的扰动防御方法如快速梯度符号法（FGSM）和随机攻击（RA）相比，当网络中的流量强度大于25%时，AIP对攻击者的干扰效果更显著，从而导致网络拓扑中链路权重的变化幅度加大，并显而易见地影响网络时延；与静态蜜罐部署（SHD）和基于Q-Learning的动态蜜罐部署（DHD-Q）方法相比，根据延迟趋势对比结果，AIP可持续干扰攻击者，使攻击者难以发现网络中的关键路径，从而有效控制网络时延波动，在防御效率与稳定性方面具有更优的表现。

来源：2025年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第12期