본 논문은 심층 강화 학습 기반의 자율 사이버 방어 에이전트에 대한 연구를 다룬다. 기존의 대부분 사이버 방어 에이전트는 다양한 상태와 행동에 대한 보상과 패널티를 결합한 '밀집된(dense)' 보상 함수를 사용하여 훈련되는데, 이는 최적이 아닌 해결책으로 이어질 수 있다는 한계가 있다. 본 논문에서는 '희소한(sparse)' 보상 함수를 사용하여 더 효과적인 사이버 방어 에이전트를 훈련할 수 있는지 평가한다. 기존 연구의 평가 한계를 극복하기 위해 새로운 지상 진실(ground truth) 평가 점수를 제안하고, 두 가지 희소 보상 메커니즘을 제안하여 밀집 보상과 비교 분석한다. 2~50개 노드의 다양한 네트워크 크기와 반응적, 사전적 방어 행동을 고려하여 평가를 수행한다.
