Un cyber range open-source pour entraîner et évaluer des agents de reinforcement learning sur des problèmes de sécurité réseau.
Émulez des réseaux informatiques à grande échelle et exécutez des jeux de Markov à l'aide d'environnements Python compatibles OpenAI Gym.
CSLE est une plateforme de recherche conçue pour exécuter des expériences de reinforcement learning sur des problèmes de contrôle de cybersécurité. Elle associe l'émulation de conteneurs Linux à des processus de décision de Markov et des jeux de Markov pour tester des politiques de sécurité automatisées. Vous devriez l'utiliser si vous concevez, simulez ou benchmarkez des agents de sécurité autonomes et des défenseurs IA.
CSLE fournit une architecture multi-système comprenant l'émulation de réseaux de conteneurs Linux, des environnements de simulation compatibles Gym et une pile de gestion avec interface Web, CLI et API REST. Il vous permet de modéliser des cyberattaques, des populations de clients et des actions défensives à l'aide de la théorie des jeux computationnelle et de la programmation dynamique. Vous pouvez surveiller les traces de simulation en temps réel ou connecter des bibliothèques Python de reinforcement learning personnalisées.
Cet outil convient aux chercheurs en cybersécurité, aux développeurs IA et aux ingénieurs réseau qui construisent des modèles de défense autonome ou des simulations de jeux de Markov. Il n'est pas conçu pour les développeurs de jeux généraux ou les équipes recherchant des scanners de sécurité commerciaux prêts à l'emploi. Si vous manquez d'infrastructure pour exécuter des conteneurs Linux ou des clusters de calcul, cet outil sera difficile à exploiter.
Simulez des réseaux à grande échelle, des cyberattaques et des populations de clients à l'aide de conteneurs Linux distribués.
Exécutez des processus de décision de Markov et des jeux de Markov directement à l'aide des interfaces standard OpenAI Gym et Gymnasium.
Contrôlez et surveillez les exécutions d'émulation et de simulation via une interface Web, une CLI, une API REST ou un SDK Python.
Combinez le reinforcement learning avec la théorie des jeux computationnelle, l'inférence causale, la programmation dynamique et les algorithmes évolutionnaires.
CSLE est accessible gratuitement sur GitHub, bien qu'aucun fichier de licence explicite ne soit inclus dans les métadonnées du dépôt principal. Le coût financier principal provient de l'exécution et de la maintenance du matériel serveur ou du cluster de calcul distribué requis pour des émulations réseau à grande échelle.
896 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 10 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Oui, mais les configurations locales sur ordinateur portable sont limitées à de petites topologies d'émulation en raison des limites de ressources des conteneurs.
Oui, son système de simulation respecte les normes OpenAI Gym et Gymnasium afin que vous puissiez y connecter des algorithmes RL personnalisés.
Vous pouvez gérer et surveiller les exécutions de simulation ou d'émulation via l'API REST, l'interface Web, la CLI ou les bibliothèques client Python.
Voir Zekai en premier dans Google