복잡하고 동적인 환경에서 자율적인 사이버 공격 및 방어 학습 에이전트의 보상을 설계하는 것은 어려운 과제입니다. 본 논문에서는 심층 강화 학습(DRL) 기반 실험 시뮬레이션 환경에서 자율적인 사이버 방어 정책을 생성하기 위해 대규모 언어 모델(LLM) 기반 보상 설계 접근 방식을 제안합니다. 다양한 에이전트 행동을 반영하는 여러 공격 및 방어 에이전트 페르소나를 제작하여 LLM에게 먼저 상황별 사이버 시뮬레이션 환경 정보를 제공한 후, LLM 안내 보상 설계를 생성했습니다. 이러한 보상 구조는 DRL 기반 공격-방어 시뮬레이션 환경에서 일련의 사이버 방어 정책을 학습하는 데 사용되었습니다. 결과는 LLM 기반 보상 설계가 다양한 적대적 행동에 효과적인 방어 전략으로 이어질 수 있음을 시사합니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 보상 설계는 복잡한 사이버 환경에서 효과적인 방어 전략을 개발할 수 있습니다.
◦
다양한 에이전트 페르소나와 LLM을 활용하여 적대적 행동에 대응하는 방어 정책을 학습할 수 있습니다.
