Un campo de pruebas cibernético de código abierto para entrenar y evaluar agentes de aprendizaje por refuerzo en problemas de seguridad de redes.
Emula redes de IT a gran escala y ejecuta juegos de Markov utilizando entornos de Python compatibles con OpenAI Gym.
CSLE es una plataforma de investigación diseñada para ejecutar experimentos de aprendizaje por refuerzo en problemas de control de ciberseguridad. Combina la emulación de contenedores de Linux con procesos de decisión de Markov y juegos de Markov para probar políticas de seguridad automatizadas. Debes usarlo si diseñas, simulas o evalúas agentes de seguridad autónomos y defensores de IA.
CSLE ofrece una arquitectura multisistema que incluye emulación de redes de contenedores de Linux, entornos de simulación compatibles con Gym y una pila de gestión con interfaz web, CLI y APIs REST. Permite modelar ciberataques, poblaciones de clientes y acciones defensivas utilizando teoría de juegos computacional y programación dinámica. Puedes monitorizar los rastros de simulación en tiempo real o conectar bibliotecas personalizadas de aprendizaje por refuerzo en Python.
Esta herramienta está dirigida a investigadores de ciberseguridad, desarrolladores de IA e ingenieros de redes que construyen modelos de defensa autónoma o simulaciones de juegos de Markov. No está pensada para desarrolladores de juegos generales o equipos que busquen escáneres de seguridad comerciales listos para usar. Si careces de la infraestructura para ejecutar contenedores de Linux o clústeres de computación, esta herramienta resultará difícil de operar.
Simula redes a gran escala, ciberataques y poblaciones de clientes utilizando contenedores de Linux distribuidos.
Ejecuta procesos de decisión de Markov y juegos de Markov directamente utilizando interfaces estándar de OpenAI Gym y Gymnasium.
Controla y monitoriza ejecuciones de emulación y simulación a través de una interfaz web, CLI, API REST o SDK de Python.
Combina el aprendizaje por refuerzo con teoría de juegos computacional, inferencia causal, programación dinámica y algoritmos evolutivos.
CSLE es de acceso gratuito en GitHub, aunque no se incluye un archivo de licencia explícito en los metadatos principales del repositorio. El principal coste financiero proviene de ejecutar y mantener el hardware del servidor o el clúster de computación distribuida requerido para emulaciones de red a escala completa.
896 puestos remotos abiertos de entrenamiento de IA, actualizados el 16 de noviembre de 2026; la mayoría paga $20–$175 por hora. 25 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Sí, pero las configuraciones locales en portátil están restringidas a pequeñas topologías de emulación debido a los límites de recursos de los contenedores.
Sí, su sistema de simulación se adhiere a los estándares de OpenAI Gym y Gymnasium para que puedas conectar algoritmos de RL personalizados.
Puedes gestionar y monitorizar ejecuciones de simulación o emulación a través de la API REST, la interfaz web, la CLI o las bibliotecas de cliente de Python.
Ve Zekai primero en Google