arXiv cs.AI· Puyu Zeng, Mingang Chen, Zheli Liu, Qibing Ren·· 9 天前AI 评分58
研究提出智能体资源劫持攻击与 ResourceHijackBench 基准
Beyond Direct Access: Resource Hijacking in LLM Agents
AI 导读
论文首次系统研究智能体资源劫持，即攻击者诱导智能体把外部 API、GPU、服务器及部署审批等工作流用于自身目标，而无需直接获取这些资源或凭证。
正文 · AI 翻译
摘要：大型语言模型智能体正越来越多地连接到高价值资源，包括外部 API、GPU 和服务器，以及部署和审批等工作流。现有的智能体安全研究主要关注针对信息和智能体行为的攻击，而高价值资源作为攻击目标本身受到的关注较少。据我们所知，我们是首个识别并系统研究智能体资源劫持的团队，在这种攻击中，攻击者诱导智能体将高价值资源用于其自身目标，而无需直接获取这些资源或其凭据。我们提出了 ResourceHijackBench，这是一个可执行基准和自动化用例生成流水线，涵盖六类高价值资源。它包含 300 个攻击场景和 900 个攻击提示，每个用例都在隔离的本地环境中运行，并记录实际资源使用情况。资源劫持在四个模型后端上仍然有效，平均攻击成功率为 70.0% 至 89.6%，并且在两个智能体框架上也出现，OpenClaw 上的平均 ASR 为 84.1%，Codex 上为 72.3%。在配对比较中，资源劫持在四个模型后端上的 ASR 比直接资源获取高出 62.4 至 84.0 个百分点。真实世界实验也证明了资源劫持的实际有效性。在我们评估的三种现有防御中，最低平均 ASR 仍为 55.1%。我们进一步提出了 ResGate，一种执行前资源授权防御，它将基于模型的资源使用提取与基于可信请求者身份元数据的确定性策略执行相结合，将 OpenClaw 上的平均 ASR 降至 23.6%。这些结果表明，仅防止直接访问不足以保护智能体仍可代表攻击者使用的资源，而显式资源授权有助于降低这一风险。
| 评论： | 21 页，5 张图，20 张表 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2608.15108 [cs.CR] |
| （或 arXiv:2608.15108v2 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.15108 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Puyu Zeng [查看电子邮件]
[v1]
2026年8月15日星期六 08:16:59 UTC（238 KB）
[v2]
2026年10月8日星期四 16:05:57 UTC（753 KB）
来源：arXiv cs.AI · arxiv.org