arXiv cs.AI· Yuhan Ma, Stefan Schmid·· 2 天前AI 评分37
SecureClaw：双边界架构让 LLM 智能体重获控制权
SecureClaw: Clawing Back Control of LLM Agents
AI 导读
SecureClaw 是一种双边界架构，在可信执行器中强制授权，并将原始敏感数据隔离在 LLM 运行时之外。敏感读取经可信网关替换为引用 ID，写操作遵循 PREVIEW→COMMIT 协议，仅可信执行器可执行经策略授权的请求。
正文 · AI 翻译
摘要：使用工具的大语言模型（LLM）智能体面临两种截然不同的安全失效：未经授权的外部操作，以及在任何最终输出检查介入之前运行时内部敏感明文的暴露。现有防御通常只保护一个边界，要么是规划器/运行时，要么是执行外部操作的位置，因此本身无法同时保护这两个面。我们提出 SecureClaw，一种双边界架构，在可信执行器中强制执行授权，并将原始受保护数据保持在 LLM 运行时之外。敏感读取通过可信网关，该网关用引用 ID 替换原始值。在评估部署中，该网关还提供简短规划摘要，有意释放选定信息，这一过程称为解密。改变外部状态的写入遵循 PREVIEW$\rightarrow$COMMIT 协议，其中只有可信执行器可以执行策略授权的确切请求。运行时仍可基于摘要和引用 ID 进行规划，但无法直接将 ID 解析为机密或执行副作用。在 AgentDojo、AgentLeak 和 Agent Security Bench（ASB）基准测试中，SecureClaw 是我们在通用测试框架中评估的唯一一种防御，它同时保持可用的任务效用，并在 ASB 上实现 0% 攻击成功率（ASR），在 AgentDojo 上实现 0.64% ASR，在 AgentLeak 受攻击对等通道上实现 3.23% 总体泄漏，该通道衡量最终输出和内部中继泄漏。代码可在 此 https URL 获取。
| 评论： | 已被 NeurIPS 2026 接收（海报）；含附录共 29 页。此版本仅更正会议页脚；科学内容未变 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.09549 [cs.CR] |
| （或 arXiv:2606.09549v3 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.09549 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Yuhan Ma [查看电子邮件]
[v1]
2026年6月8日星期一 14:29:01 UTC（103 KB）
[v2]
2026年10月14日星期三 09:11:06 UTC（186 KB）
[v3]
2026年10月15日星期四 09:33:47 UTC（187 KB）
来源：arXiv cs.AI · arxiv.org