DESOLATOR技術(shù)以深度強(qiáng)化學(xué)習(xí)為基礎(chǔ)構(gòu)建一套資源分配與移動目標(biāo)防御部署框架，幫助車/機(jī)載網(wǎng)絡(luò)識別出最理想的IP更替頻率與帶寬分配方案，借此建立起長期且有效的移動目標(biāo)防御能力。

美國陸軍研究人員開發(fā)出一套基于機(jī)器學(xué)習(xí)的新型框架，能夠在不影響性能的前提下增強(qiáng)車/機(jī)載計算機(jī)網(wǎng)絡(luò)的安全水平。

現(xiàn)代汽車正越來越多地將管理控制權(quán)交由內(nèi)置計算機(jī)負(fù)責(zé)，而此項(xiàng)研究則呼吁美國陸軍做出進(jìn)一步探索，為其空中及陸地運(yùn)輸平臺（特別是重型車輛）開發(fā)出更為全面的網(wǎng)絡(luò)安全保護(hù)方案。

美國陸軍研究實(shí)驗(yàn)室此次與弗吉尼亞理工大學(xué)、昆士蘭大學(xué)以及光州科學(xué)技術(shù)學(xué)院的國際專家團(tuán)隊(duì)開展合作，由美國陸軍作戰(zhàn)能力發(fā)展司令部（DEVCOM）的研究人員設(shè)計出一項(xiàng)名為DESOLATOR的技術(shù)，用于優(yōu)化“移動目標(biāo)防御”這一著名網(wǎng)絡(luò)安全策略。

美國陸軍數(shù)學(xué)家Terrence Moore博士表示，“這項(xiàng)策略的基本思路，在于移動中的目標(biāo)很難被擊中。但如果一切處于靜態(tài)，則敵對手可以花時間慢慢觀察并選定目標(biāo)。所以，只要能夠以足夠快的速度不斷重新分配IP地址，那么任何已分配的IP信息都將會很快失效，導(dǎo)致對手在短時間內(nèi)失去目標(biāo)?！?

DESOLATOR的核心構(gòu)想，是以深度強(qiáng)化學(xué)習(xí)為基礎(chǔ)構(gòu)建一套資源分配與移動目標(biāo)防御部署框架，幫助車/機(jī)載網(wǎng)絡(luò)識別出最理想的IP更替頻率與帶寬分配方案，借此建立起長期且有效的移動目標(biāo)防御能力。

根據(jù)陸軍計算機(jī)科學(xué)家兼項(xiàng)目負(fù)責(zé)人Frederica Free-Nelson博士的介紹，理想的IP更新頻率既能保持足夠高的不確定性、阻止?jié)撛诠粽?，又能把維護(hù)成本控制在合理水平；而帶寬分配方案則能防止高優(yōu)先級關(guān)鍵網(wǎng)絡(luò)區(qū)域的傳輸速度始終處于正常區(qū)間。

Nelson表示，“任何一種網(wǎng)絡(luò)保護(hù)方案，都必然要對網(wǎng)絡(luò)上的高優(yōu)先級資產(chǎn)進(jìn)行重點(diǎn)保護(hù)。這項(xiàng)技術(shù)有望促進(jìn)保護(hù)方案的輕量化轉(zhuǎn)型，使用更少的資源最大程度實(shí)現(xiàn)良好保護(hù)。這不僅降低了車/機(jī)載任務(wù)系統(tǒng)與連接設(shè)備的保護(hù)成本，還能維持穩(wěn)定一致的服務(wù)質(zhì)量?！?

研究團(tuán)隊(duì)使用深度強(qiáng)化學(xué)習(xí)技術(shù)，根據(jù)暴露時長、丟包次數(shù)等多種獎勵函數(shù)逐步塑造算法行為，確保DESOLATOR在安全性與運(yùn)行效率之間找到平衡點(diǎn)。

Moore解釋道，“傳統(tǒng)車/機(jī)載網(wǎng)絡(luò)已經(jīng)非常高效，但在設(shè)計層面并沒有真正考慮到安全保護(hù)需求。如今，很多研究單純著眼于提高性能或者增強(qiáng)安全性，卻并沒能把這兩大核心訴求融合起來。這種顧此失彼的問題在車/機(jī)載系統(tǒng)中尤為常見?！?

更重要的是，DESOLATOR的能耐絕不限于發(fā)現(xiàn)最佳IP混洗頻率與帶寬分配方案。由于這套框架以機(jī)器學(xué)習(xí)為基礎(chǔ)，其他研究人員完全可以通過模型微調(diào)在其他問題空間內(nèi)達(dá)成其他目標(biāo)。

Nelson指出，“這種技術(shù)重組能力極具價值，不僅能夠擴(kuò)展研究范疇，還可以將重組同其他網(wǎng)絡(luò)能力結(jié)合起來、共同實(shí)現(xiàn)最佳網(wǎng)絡(luò)安全保護(hù)效果?！?

研究人員已經(jīng)在同行評審期刊《IEEE Access》上發(fā)表了題為《DESOLATER：基于深度強(qiáng)化學(xué)習(xí)的資源分配與移動目標(biāo)防御部署框架》（DESOLATER: Deep Reinforcement Learning-Based Resource Allocation and Moving Target Defense Deployment Framework）的論文，文中詳細(xì)介紹了具體實(shí)現(xiàn)方法。