【技术实现步骤摘要】
本专利技术涉及智能交通安全，特别涉及一种基于生成对抗模仿学习的车联网环境智能渗透测试方法及系统。
技术介绍
1、随着信息技术的快速发展，特别是物联网(iot)和车联网(vehicular network)技术的广泛应用，车辆信息化、智能化程度不断提高，但也带来了日益严重的网络安全风险。ivi车联网环境因其复杂性、动态性和开放性，容易受到各类恶意攻击，使得车辆系统及其相关基础设施的安全防护工作变得尤为关键。传统的渗透测试(penetration testing,pt)方法在识别和暴露这些潜在威胁方面发挥了重要作用，但它高度依赖于安全专家的手工操作和决策，这不仅耗费大量人力成本，而且在面对庞大而复杂的状态空间以及高维离散动作空间时，往往难以快速收敛至有效的渗透策略。
2、鉴于此，近年来业界逐渐转向采用强化学习(reinforcement learning,rl)和深度强化学习(deep reinforcement learning,drl)等人工智能算法来自动化渗透测试过程，以此降低人力投入并提高测试效率。然而，直接应用rl/d...
【技术保护点】
1.一种基于生成对抗模仿学习的车联网环境智能渗透测试方法，其特征在于，包含：
2.根据权利要求1所述的基于生成对抗模仿学习的车联网环境智能渗透测试方法，其特征在于，生成对抗模仿学习模型的训练过程，包含：
3.根据权利要求2所述的基于生成对抗模仿学习的车联网环境智能渗透测试方法，其特征在于，所述生成器为强化学习模型或深度强化学习模型，利用强化学习模型或深度强化学习模型获取车联网环境状态对应的动作，以输入至判别器中与车联网安全专家经验知识库中的状态-动作进行比较。
4.根据权利要求3所述的基于生成对抗模仿学习的车联网环境智能渗透测试方法...
【技术特征摘要】
1.一种基于生成对抗模仿学习的车联网环境智能渗透测试方法，其特征在于，包含：
2.根据权利要求1所述的基于生成对抗模仿学习的车联网环境智能渗透测试方法，其特征在于，生成对抗模仿学习模型的训练过程，包含：
3.根据权利要求2所述的基于生成对抗模仿学习的车联网环境智能渗透测试方法，其特征在于，所述生成器为强化学习模型或深度强化学习模型，利用强化学习模型或深度强化学习模型获取车联网环境状态对应的动作，以输入至判别器中与车联网安全专家经验知识库中的状态-动作进行比较。
4.根据权利要求3所述的基于生成对抗模仿学习的车联网环境智能渗透测试方法，其特征在于，所述生成器包括策略网络和价值网络，策略网络和价值网络在训练过程设置为最大最小博弈过程，最小最大博弈过程的目标函数表示为：其中，d为判别器，π表示学习策略，πe表示专家策略，log d(s，a)表示判别器对状态-动作对(s，a)事实数据的判断，log(1-d(s，a))表示判别器对状态-动作对(s，a)生成数据的判断，lgail为...
【专利技术属性】
技术研发人员：贾浩阳，罗海斌，李国佳，曹琰，王清贤，
申请(专利权)人：郑州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。