arXiv cs.AI· Venkata M Sangaraju, Sudhir Vissa·· 10 天前AI 评分24
面向企业 AI 智能体的血缘感知记忆治理：隐私保护列级访问控制的派生门控框架
Lineage-Aware Memory Governance: A Derivation-Gated Framework for Privacy-Preserving Column-Level Access Control in Enterprise AI Agents
AI 导读
研究者提出 Analytical Memory Unit（AMU）记忆模式，为每条缓存结果附加完整派生（血缘）图，仅当请求者对所有涉及列均有权限时才返回命中，从而阻止经由合法计算结果泄露敏感数据。
正文 · AI 翻译
摘要：共享记忆存储的企业 AI 智能体面临两个尚未解决的风险：敏感数据可能通过请求者无法自行推导的合法计算结果泄露，各部门也可能通过相互冲突的逻辑静默计算同名的关键绩效指标（KPI）。现有的智能体记忆系统（如 MemGPT、Zep、A-MEM）按内容、所有权和角色来限制检索，而非按推导过程，因而会遗漏嵌入了受限列的缓存洞察。我们提出分析记忆单元（AMU），这是一种记忆模式，为每个缓存结果附加完整的推导（血缘）图，并由检索策略进行门控，仅当请求者对所有涉及的列均获授权时才提供命中结果。在血缘记录完整的前提下，我们通过构造证明该策略会阻止检索源自请求者权限之外敏感列的结果，最坏情况为 O(n)——这是一项有条件的设计保证，而非经验性主张，它排除了那些编码了敏感信息却未指明其来源的派生特征。消除实测泄露需要 75-90% 的记录血缘完整度，因此我们将 90% 视为保守的部署目标。在六项实验中，血缘门控检索消除了朴素内容门控记忆所遭受的 18.8-25.5% 跨部门泄露，同时保留了 81.5-82.6% 的记忆复用率，最坏情况开销为 13.8 微秒。使用 LLM 生成 SQL 的真实智能体概念验证与该保证一致：9 次往返零泄露，自动捕获两处冲突——不过这只是一项可行性演示，并非生产可行性的证据。这为共享智能体记忆提供了一种实用的治理层，补充了源层访问控制，并支持欧盟《人工智能法案》合规。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.07258 [cs.CR] |
| （或 arXiv:2610.07258v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07258 arXiv 颁发的 DOI，经由 DataCite（待注册） |
|
| 相关 DOI： | https://doi.org/10.1109/ACCESS.2026.3730363
链接到相关资源的 DOI |
提交历史
来自：Venkata Manikanta Sangaraju [查看电子邮件]
[v1]
2026 年 10 月 5 日星期一 18:56:56 UTC（784 KB）
来源：arXiv cs.AI · arxiv.org