Um cyber range de código aberto para treinar e avaliar agentes de aprendizado por reforço em problemas de segurança de rede.
Emule redes de TI de grande escala e execute jogos de Markov usando ambientes Python compatíveis com o OpenAI Gym.
O CSLE é uma plataforma de pesquisa projetada para executar experimentos de aprendizado por reforço em problemas de controle de cibersegurança. Ele combina emulação de containers Linux com processos de decisão de Markov e jogos de Markov para testar políticas de segurança automatizadas. Você deve usá-lo se projeta, simula ou compara agentes de segurança autônomos e defensores de IA.
O CSLE fornece uma arquitetura multissistema com emulação de rede em containers Linux, ambientes de simulação compatíveis com o Gym e uma pilha de gerenciamento com interface web, CLI e REST APIs. Ele permite modelar ataques cibernéticos, populações de clientes e ações defensivas usando teoria dos jogos computacional e programação dinâmica. Você pode monitorar rastros de simulação em tempo real ou conectar bibliotecas personalizadas de aprendizado por reforço em Python.
Esta ferramenta é adequada para pesquisadores de cibersegurança, desenvolvedores de IA e engenheiros de rede que constroem modelos de defesa autônomos ou simulações de jogos de Markov. Ela não se destina a desenvolvedores de jogos em geral ou equipes que buscam scanners de segurança comerciais prontos para uso. Se você não possui infraestrutura para executar containers Linux ou clusters de computação, esta ferramenta será difícil de operar.
Simule redes de grande escala, ataques cibernéticos e populações de clientes usando containers Linux distribuídos.
Execute processos de decisão de Markov e jogos de Markov diretamente usando interfaces padrão do OpenAI Gym e Gymnasium.
Controle e monitore execuções de emulação e simulação por meio de uma interface web, CLI, REST API ou SDK Python.
Combine aprendizado por reforço com teoria dos jogos computacional, inferência causal, programação dinâmica e algoritmos evolutivos.
O CSLE é de acesso gratuito no GitHub, embora nenhum arquivo de licença explícito esteja incluído nos metadados principais do repositório. O principal custo financeiro vem da execução e manutenção do hardware de servidor ou cluster de computação distribuída necessário para emulações de rede em larga escala.
896 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 10 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Sim, mas configurações locais em notebook são restritas a topologias de emulação pequenas devido aos limites de recursos dos containers.
Sim, seu sistema de simulação adere aos padrões do OpenAI Gym e Gymnasium para que você possa conectar algoritmos de RL personalizados.
Você pode gerenciar e monitorar execuções de simulação ou emulação por meio da REST API, interface web, CLI ou bibliotecas de cliente Python.
Veja o Zekai primeiro no Google