通过采用名为深层增强学习（DRL）的人工智能手段，学者们正在致力于保障电子网络的稳定性，并迈出了关键一步。

这些工具对于评估深度强化学习算法的性能至关重要。这种方法正在成为网络安全专家的强大决策支持工具，DRL是一个具有学习能力、适应快速变化的环境和自主决策能力的防御模式。以往其他形式的人工智能是检测入侵或过滤垃圾邮件的标准，但深度强化学习扩展了防御者在与对手的日常对峙中协调顺序决策计划的能力。

深度强化学习提供了更智能的网络安全、更早发现网络环境变化的能力，以及采取适当的先发制人措施，从而挫败其他方面的网络攻击的机会。

该团队使用开源软件工具包OpenAI Gym作为基础，创建了一个自定义的受控模拟环境，以评估四种深度强化学习算法的优缺点。

同时使用了MITRE公司开发的MITRE ATT&CK框架，并结合了三个不同对手部署的7种战术和15种技术。防御者配备了23个缓解措施，试图阻止或阻挡攻击的进展。

攻击的阶段包括侦察、执行、持久性、防御规避、指挥和控制、收集和过滤（当数据从系统中传输出去时）等战术。如果对手成功进入最后的过滤阶段，则攻击被记录为获胜。在这个阶段，敌人的行动将被记录下来，并且可以通过电子邮件发送到指定的地点。