Ein Open-Source-Cyber-Range zum Trainieren und Evaluieren von Reinforcement-Learning-Agenten bei Netzwerksicherheitsproblemen.
Emuliere groß angelegte IT-Netzwerke und führe Markov-Spiele über OpenAI Gym-kompatible Python-Umgebungen aus.
CSLE ist eine Forschungsplattform zur Durchführung von Reinforcement-Learning-Experimenten bei Cybersicherheits-Kontrollproblemen. Sie kombiniert Linux-Container-Emulation mit Markov-Entscheidungsprozessen und Markov-Spielen, um automatisierte Sicherheitsrichtlinien zu testen. Du solltest sie verwenden, wenn du autonome Sicherheitsagenten und KI-Verteidiger entwirfst, simulieren oder benchmarken möchtest.
CSLE bietet eine Multi-System-Architektur mit Linux-Container-Netzwerkemulation, Gym-kompatiblen Simulationsumgebungen und einem Verwaltungssack aus Web-UI, CLI und REST-APIs. Sie ermöglicht die Modellierung von Cyberangriffen, Client-Populationen und Verteidigungsmaßnahmen mittels computergestützter Spieltheorie und dynamischer Programmierung. Du kannst Simulationsspuren in Echtzeit überwachen oder eigene Python-Reinforcement-Learning-Bibliotheken anbinden.
Dieses Tool richtet sich an Cybersicherheitsforscher, KI-Entwickler und Netzwerkingenieure, die autonome Verteidigungsmodelle oder Markov-Spielsimulationen entwickeln. Es ist nicht gedacht für allgemeine Spieleentwickler oder Teams, die sofort einsatzbereite kommerzielle Sicherheitsscanner suchen. Wenn dir die Infrastruktur zum Ausführen von Linux-Containern oder Rechenclustern fehlt, wird die Bedienung dieses Tools schwierig sein.
Simuliere groß angelegte Netzwerke, Cyberangriffe und Client-Populationen mithilfe verteilter Linux-Container.
Führe Markov-Entscheidungsprozesse und Markov-Spiele direkt über standardmäßige OpenAI-Gym- und Gymnasium-Schnittstellen aus.
Steuere und überwache Emulations- und Simulationsläufe über eine Web-UI, CLI, REST-API oder das Python-SDK.
Kombiniere Reinforcement Learning mit computergestützter Spieltheorie, kausaler Inferenz, dynamischer Programmierung und evolutionären Algorithmen.
CSLE ist auf GitHub frei zugänglich, wobei im Haupt-Repository-Metadatensatz keine explizite Lizenzdatei enthalten ist. Die primären finanziellen Kosten entstehen durch den Betrieb und die Wartung der Server-Hardware oder des verteilten Rechenclusters, die für groß angelegte Netzwerkemulationen erforderlich sind.
896 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Ja, aber lokale Laptop-Setups sind aufgrund von Container-Ressourcenlimits auf kleine Emulationstopologien beschränkt.
Ja, das Simulationssystem hält sich an die OpenAI-Gym- und Gymnasium-Standards, sodass du eigene RL-Algorithmen einbinden kannst.
Du kannst Simulations- oder Emulationsläufe über die REST-API, die Web-UI, das CLI oder Python-Client-Bibliotheken verwalten und überwachen.
Zekai zuerst in Google sehen