Network_Defense_Symmetric_Competitive

该数据集是一个用于多智能体强化学习研究的模拟环境数据集，包含1.024亿个时间步。数据集模拟了网络安全攻防对抗场景，包含两个对抗性智能体：红方智能体（攻击者）和蓝方智能体（防御者）。红方智能体的目标是发现系统漏洞、提升权限、破坏关键资产并维持持久性访问，其动作空间基于MITRE ATT&CK攻击框架的各个阶段进行建模。蓝方智能体作为防御者，目标包括维护系统可用性、减少攻击面、检测恶意行为、使用蜜罐技术欺骗攻击者以及最终驱逐入侵者，其动作空间由各种防御配置和缓解措施组成。该环境建模为纯零和博弈，即红方智能体的收益直接等于蓝方智能体的绝对损失，反之亦然。数据集适用于网络安全领域的多智能体强化学习算法研究、攻防策略分析以及对抗性AI系统的训练与评估。This dataset is a simulation environment dataset for multi-agent reinforcement learning research, containing 102.4 million time steps. It simulates a cybersecurity attack and defense adversarial scenario, featuring two adversarial agents: the Red Agent (attacker) and the Blue Agent (defender). The Red Agents objectives are to discover system vulnerabilities, escalate privileges, compromise critical assets, and maintain persistent access, with its action space modeled based on various stages of the MITRE ATT&CK attack framework. The Blue Agent, as the defender, aims to maintain system availability, reduce the attack surface, detect malicious behavior, deceive attackers using honeypot techniques, and ultimately expel intruders, with its action space composed of various defense configurations and mitigation measures. The environment is modeled as a pure zero-sum game, meaning the Red Agents gain directly equals the absolute loss of the Blue Agent, and vice versa. The dataset is suitable for research in multi-agent reinforcement learning algorithms in cybersecurity, analysis of attack and defense strategies, and training and evaluation of adversarial AI systems.

原始信息汇总

数据集概述

数据集名称： Network_Defense_Symmetric_Competitive

许可证： MIT

语言： 英语

数据规模： 1亿至10亿时间步（100M < n < 1B）

内容描述： 该数据集包含 102,400,000 个时间步，用于多智能体强化学习场景，是一个纯零和博弈数据集。其中包含两个对立的智能体角色：

• 红方智能体（攻击方）： 目标是发现漏洞、提升权限、危害资产并维持持久性。其动作空间可参考 MITRE ATT&CK 框架的各阶段建模。
• 蓝方智能体（防御方）： 目标是维护系统可用性、减少攻击面、检测恶意行为、使用蜜罐欺骗攻击者并驱逐入侵者。其动作空间包括防御配置和缓解措施。

博弈性质： 纯零和博弈，红方的收益即为蓝方的绝对损失，反之亦然。

相关资源：

• 防御方智能体演示视频：https://www.youtube.com/watch?v=3g3plOjZkJw

搜集汇总

数据集介绍

构建方式

该数据集基于多智能体强化学习范式构建，模拟了网络攻防对称竞争场景，包含高达1.024亿时间步的交互数据。红方智能体以攻击者身份运作，其行动空间映射自MITRE ATT&CK框架，涵盖漏洞发现、权限提升、资产妥协及持久化维持等阶段。蓝方智能体则作为防御者，其行动空间包含系统可用性维护、攻击面缩减、恶意行为检测、蜜罐诱捕及入侵者驱逐等策略。双方构成纯粹的零和博弈，红方的收益即为蓝方的绝对损失。

特点

数据集的核心特色在于其高度对称的博弈结构与大规模时间序列。红蓝双方在严格的零和框架下进行对抗，使得每个智能体的决策都直接反映为对方的收益损失。1.024亿时间步的庞大数据量为训练稳定、鲁棒的防御策略提供了坚实基础。其构建紧密结合了实际网络攻击框架（MITRE ATT&CK），确保了行动空间的专业性与现实关联性。此外，数据集中还引入了诱捕（蜜罐）等高级防御机制，提升了对抗的复杂度和真实性。

使用方法

该数据集主要适用于多智能体强化学习算法的训练与评估。研究人员可将其作为基准环境，用于验证红蓝对抗场景下防御策略的有效性。具体使用时，需加载预定义的环境接口，红蓝智能体分别依据各自的观测空间产生行动，数据集记录了每一步的状态-动作-奖励转移。通过分析蓝方智能体在长时间步演化中的表现，可对比不同强化学习算法（如PPO、DQN或基于模型的算法）在应对持续、自适应攻击时的稳定性与适应性。

背景与挑战

背景概述

网络空间对抗日益激烈，传统的被动防御策略难以应对高度动态和隐蔽的攻击手段。在此背景下，Network_Defense_Symmetric_Competitive数据集应运而生，由相关研究团队构建于近期，旨在为多智能体强化学习在网络安全领域的应用提供标准化评估平台。该数据集包含1.024亿时间步的交互数据，聚焦于红蓝双方对称竞争场景：红方代理模仿MITRE ATT&CK框架的攻击链，以发现漏洞、提升权限、破坏资产并维持驻留为目标；蓝方代理则致力于维护系统可用性、减少攻击面、检测恶意行为，并通过蜜罐诱捕及驱逐入侵者。这一纯零和博弈框架精准刻画了网络攻防的本质矛盾，为研究动态防御策略、攻击模拟与自动化响应提供了关键基准，对推动智能网络安全决策的发展具有重要意义。

当前挑战

该数据集所解决的领域核心挑战在于网络攻防的非对称性与实时性需求：传统安全方案难以在毫秒级响应中平衡系统开放性与安全性，且缺乏对攻击者长期潜伏与自适应行为的有效建模。构建过程中面临的挑战包括：如何将MITRE ATT&CK框架的复杂战术动作高效映射为智能体的离散动作空间，同时保证红蓝双方策略的均衡性与逼真度；设计102,400,000时间步的大规模多智能体交互环境，需克服状态空间爆炸与奖励稀疏问题；此外，还需确保零和博弈下奖励函数的严格对称性，以避免策略收敛于次优局部均衡。这些技术难点对数据集的真实性、可扩展性及算法评估的公平性提出了严苛要求。

常用场景

经典使用场景

在网络对抗与博弈论的交汇领域，Network_Defense_Symmetric_Competitive数据集为多智能体强化学习研究提供了经典的零和博弈仿真环境。该数据集收录了高达1.024亿个时间步长的交互数据，专门用于红蓝双方的对称性竞争场景。红色智能体以发现漏洞、提升权限、攻击资产并维持驻留为目标，其动作空间精准映射了MITRE ATT&CK框架的各个攻击阶段；而蓝色智能体则致力于维护系统可用性、缩减攻击面、检测恶意行为、利用蜜罐诱骗攻击者并驱逐入侵者，其动作空间涵盖防御配置与缓解措施。该数据集的纯零和博弈特性——红方收益即蓝方绝对损失——使其成为评估智能体在完全对抗环境下策略优化与收敛性的理想测试平台。

实际应用

在实际部署层面，该数据集为网络安全自动化防御系统的开发与测试注入了关键动力。企业安全运营中心可借助该环境训练智能体，使其能在真实攻击尚未爆发前习得最优防御策略，例如动态调整防火墙规则、智能部署蜜罐节点以诱导攻击者暴露意图，并在检测到入侵时自动触发响应机制。数据集涵盖的零和博弈设定，特别适用于红蓝对抗演练的自动化评估，帮助安全团队在虚拟环境中反复演练攻击链的阻断与恢复流程。此外，该数据集所孕育的智能体框架可直接嵌入下一代安全编排自动化与响应平台，提升对高级持续性威胁等复杂攻击的实时预警与自适应防御能力。

衍生相关工作

围绕Network_Defense_Symmetric_Competitive数据集，学术界已涌现出一系列具有深远影响力的衍生工作。部分研究聚焦于多智能体深度强化学习算法的改进，例如引入注意力机制以增强蓝方对关键资产的保护优先级，或利用分层强化学习来分解攻击与防御的高层战略与底层动作。另有工作致力于对手建模的深度探索，通过从数据集中提取红方策略的潜在模式，训练出能预判攻击路径的蓝方智能体。此外，该数据集还催生了面向网络防御的迁移学习与元学习研究，旨在将模拟环境中的防御策略高效迁移到真实网络拓扑中。这些衍生成果不仅丰富了多智能体博弈的理论框架，更显著加速了智能网络安全从学术探索向工程落地的转化进程。