港大：LLM轨迹自适应欺骗防御系统
随着大语言模型智能体进入自动化渗透测试领域，攻击智能体能够根据环境反馈持续调整策略，传统预先部署蜜罐、诱导文件等静态防御方式容易被高级智能体识别并绕过。AgentSnare提出一种轨迹自适应欺骗防御系统，通过动态构建一致性的诱饵环境，将攻击智能体持续引导至虚假目标，从而延缓攻击、转移行为并削弱攻击完成能力。
核心亮点：
动态诱饵环境构建： 不同于固定蜜罐，AgentSnare根据智能体交互历史、当前攻击意图和诱饵状态，实时生成并验证欺骗性文件、凭证、服务等环境信息，逐步展开完整的虚拟攻击世界。
全局一致性防御机制： 系统通过ShadowOS维护世界事实账本和攻击机会图，确保新增诱饵信息与历史交互保持一致，避免智能体因上下文矛盾发现陷阱。
Delay-Divert-Defuse评估体系： 提出轨迹级防御指标，从攻击延迟、行为转移和证据瓦解三个角度衡量防御效果，而不仅关注最终攻击是否成功。
基于模拟交互训练策略： 通过攻击者-防御者双智能体模拟生成训练轨迹，利用反应引导筛选有效诱饵，并使用LoRA微调轻量级模型提升诱导能力。
显著降低真实漏洞利用： 在15个CVE-Bench真实漏洞任务和3种攻击智能体测试中，AgentSnare实现46.8%的攻击调用吸收率、55.9%的攻击后留存率、90.0%的诱饵证据完成率，并在45组攻击测试中未出现真实目标成功利用。

arXiv:2607.26998

网络安全 AI智能体 大模型安全 LLM 蜜罐技术 科研 漏洞挖掘 LLM安全 香港大学