Game Theory คืออะไร
Game Theory (ทฤษฎีเกม) เป็นกรอบคณิตศาสตร์สำหรับวิเคราะห์สถานการณ์ที่ "ผู้เล่น" (Players) หลายฝ่าย ตัดสินใจเชิงกลยุทธ์ (Strategic Decisions) โดยผลลัพธ์ของแต่ละฝ่าย ขึ้นอยู่กับการตัดสินใจของฝ่ายอื่น — ใช้ใน Economics, Political Science, Biology, Computer Science, และ Cybersecurity
องค์ประกอบพื้นฐานของ Game ใน Security Context
- Players: Defender (Organization, Security Team) vs Attacker (Hacker, APT, Insider)
- Strategies: Defender: Invest in FW, EDR, Training, Patch / Attacker: Phishing, Exploit, DDoS, Supply Chain
- Payoffs (Utilities): Defender: -Cost(Defense) - Loss(Breach) / Attacker: Gain(Data/Ransom) - Cost(Attack) - Risk(Caught)
- Information: Perfect/Imperfect, Complete/Incomplete (Security มักเป็น Incomplete Information Game)
- Equilibrium: Nash Equilibrium — ไม่มีฝ่ายได้ประโยชน์จากการเปลี่ยน Strategy คนเดียว
Game Theory ประยุกต์ใน Network Security อย่างไร
1. Resource Allocation (Budget Optimization)
Defender มี Budget จำกัด ต้องจัดสรรไป: Firewall, EDR, Training, PenTest, Insurance → Stackelberg Game (Leader-Follower): Defender (Leader) Commit Strategy First, Attacker (Follower) Best Response → หา Optimal Allocation
2. Attack-Defense Trees & Attack Graphs
Model Attack Paths เป็น Game Tree: Attacker เลือก Path ความน่าจะเป็นสำเร็จ × Impact, Defender เลือก Mitigation → Minimax / Nash Equilibrium หา Optimal Defense Portfolio
3. Honeypot / Deception Game
Defender Deploy Honeypots (Decoys) → Attacker ตัดสินใจ Attack Real vs Honeypot → Signaling Game (Defender ส่ง Signal ผ่าน Deception) → เพิ่ม Attacker Uncertainty/Cost
4. Patch Management Game
Defender: When to Patch? (Immediate vs Scheduled) / Attacker: When to Exploit? (Zero-day vs Known) → Timing Game / FlipIt Game → Optimal Patching Frequency
5. DDoS Defense Game
Attacker: Botnet Size, Attack Vector / Defender: Scrubbing Capacity, Rate Limiting, Anycast → Resource Allocation Game → Cost-effective Defense
6. Insider Threat Game
Insider: Steal Data vs Stay Legit / Defender: Monitoring Level, Access Control, DLP → Principal-Agent Game dengan Asymmetric Information
7. Cyber Insurance Game
Insurer: Premium, Coverage / Organization: Investment in Security / Attacker: Target Selection → Moral Hazard, Adverse Selection Modeling
ตัวอย่างจริง: FlipIt Game (Advanced Persistent Threats)
FlipIt Game (Van Dijk et al.) ใช้สำหรับ Model APT:
- System มี State: Compromised / Clean
- Attacker "Flip" (Compromise) ด้วย Cost Ca
- Defender "Flip" (Recover/Clean) ด้วย Cost Cd
- Payoff: Attacker ได้ Value V ต่อเวลาที่ Control, Defender ลด Loss
- Nash Equilibrium: Optimal Flip Rate = √(V/C) → กำหนด Frequency ของ Red Teaming, Credential Rotation, Patch Cycle
ข้อจำกัดของ Game Theory ใน Security
- Model Complexity: Real World มี Players หลายตัว, Strategies อนันต์, Dynamic Environment
- Parameter Uncertainty: ไม่รู้ Attacker Cost, Value, Capability จริง (Estimation Error)
- Multiple Equilibria: หลาย Nash Equilibria — ไร้ทางเลือกว่าไหน "จะเกิดจริง" (Equilibrium Selection Problem)
- Rationality Assumption: Attacker ไม่ได้ Rational เสมอไป (Emotional, Political, Opportunistic)
- Computational Intractability: Large Games แก้หา Equilibrium ยาก (PPAD-Complete)
- Data Scarcity: ไมมี Historical Data พอสำหรับ Calibrate Model
ทิศทางอนาคต: Game Theory + ML/AI
- Multi-Agent Reinforcement Learning (MARL): Train Defender/Attacker Agents ใน Simulated Environment (CyberBattleSim, NASim, Gym-network)
- Inverse Game Theory: เรียนรู้ Attacker Utility จาก Observed Behavior → Predict Future Moves
- Automated Defense: Game-theoretic Policies → Autonomous Response (SOAR Integration)
สรุป
Game Theory ให้ Mathematical Framework สำหรับ Decision Making ภายใต้ Uncertainty และ Adversarial Environment ใน Network Security ใช้ได้จริงใน: Budget Allocation, Patch Timing, Deception, DDoS, Insider Threat, Insurance แต่มีข้อจำกัดด้าน Complexity, Parameter Estimation, Rationality Assumption ทิศทางอนาคต: MARL + Game Theory = Adaptive Autonomous Defense
