ARL: Adversarial resilience learning

Abstract

Adversarial Resilience Learning (ARL) wird als Rahmenwerk zur systematischen Analyse und Verbesserung der Resilienz technischer Infrastruktursysteme gegenüber intelligenten, adaptiven Angreifern eingeführt. Auf Basis formalisierter System- und Angreifermodelle wird ein spieltheoretisch motiviertes Zwei-Agenten-Setup formuliert, in dem ein Verteidiger- und ein Angreiferagent mittels Reinforcement Learning konkurrierende Strategien zur Steuerung und Störung eines Energieverteilungssystems erlernen. Die Interaktion beider Agenten in einer gemeinsamen Simulationsumgebung erlaubt die Exploration komplexer Angriffsvektoren sowie die simultane Entwicklung robuster Verteidigungsstrategien, wobei Resilienzmetriken zur Bewertung von Systemzuständen und Handlungssequenzen herangezogen werden. Durch die Verwendung moderner RL-Verfahren und geeigneter Zustands- und Aktionsrepräsentationen können sowohl kurzfristige betriebliche Effekte als auch längerfristige strukturelle Verwundbarkeiten des Energiesystems identifiziert und quantifiziert werden. Die Ergebnisse zeigen, dass ARL gezielt Schwachstellen in Infrastruktur- und Kontrollarchitekturen offenlegt und zugleich adaptive Gegenmaßnahmen synthetisiert, wodurch ein daten- und simulationsgetriebener Zugang zur Resilienzbewertung und -steigerung geschaffen wird, der über klassische statische Risikoanalysen hinausgeht.