基于强化学习的安全策略匹配方法、计算机程序产品、存储介质及终端

本发明公开了基于强化学习的安全策略匹配方法、计算机程序产品、存储介质及终端，属于网络安全技术领域，使用PPO模型的策略网络与网络环境进行交互，计算策略网络基于KL惩罚项优化的目标函数以及限制新旧策略比例进行剪切操作的目标函数，根据两个目标函数更新策略网络，多次迭代使网络输出最优调度策略，并采用最优调度策略处理网络威胁。PPO模型能够评估当前策略的有效性，并据此动态调整策略，当面对新型网络威胁时，若旧策略无法有效应对导致奖励降低，模型会自动探索新的策略，以寻找更优的应对方案，从而实现对策略的快速优化和更新，当网络环境或攻击手段发生变化时，能够迅速调整策略以应对新的挑战。