APRIL：通过动作嵌入实现大动作空间中可扩展、可迁移的自主渗透测试

基于摘要分析。本文研究强化学习驱动的自主渗透测试在大动作空间中的可扩展性与跨场景策略迁移问题，提出 APRIL 框架，通过主机级状态表示和具有语义结构的连续动作嵌入空间，支持智能体学习与探索。 核心机制包括：利用嵌入技术构建有界、贴近实际的主机级状态空间，避免处理无界网络级信息的复杂性；以渗透测试动作之间的语义关联为先验，将离散动作映射到连续且具有语义意义的嵌入空间。智能体在该空间中进行动作推理，并采用基于置信上界的动作细化方法促进探索，使用距离感知损失改善学习效率与泛化。摘要未提供嵌入构建方式、动作映射细节、损失公式或具体强化学习算法，相关实现尚未验证。这里的“状态空间”指强化学习环境表示，不能因来源栏目名称将其认定为 State Space Model 架构研究。 作者报告，在基于虚拟化脆弱环境构建的模拟场景中，APRIL 展现出大动作空间下的可扩展性，并有助于跨不同场景迁移策略。摘要未给出动作规模、场景划分、对照基线或定量指标；实验协议、消融及统计信息尚未验证，模拟结果也不能直接替代真实网络部署验证。 本文主要研究对象是网络安全中的自主渗透测试，而非 EEG 解码或 BCI。其方法依赖可用的动作语义关联与智能体—环境交互，目前材料未建立这些条件与具体 BCI 瓶颈之间的对应关系，因此不提出 EEG 迁移方案或复现实验建议。已有 EEG 相关工作尚未检索确认。