零信任智能体AI中的混合检查与基于任务的访问控制

授权LLM驱动的智能体动态调用工具并访问受保护资源带来重大安全风险，且随着智能体进行多轮对话并扩展到分布式协作，风险急剧增长。被攻陷或恶意的智能体应用可以篡改工具调用、伪造结果，或请求超出主体预期任务范围的权限——鉴于现有委托授权流缺乏对主体原始意图的可见性，这些行为可能不被察觉。有鉴于此，我们朝持续智能体语义授权（CASA）做出如下贡献。第一，我们提出由零信任拦截层赋能的确定性+语义混合运行时强制模型：五项确定性控制对消息流施加结构与数据完整性保证，语义检查层评估工具调用选择是否与委托给智能体的预期任务一致。第二，不同于在单轮交互上运作的既有基于任务的访问控制（TBAC）技术，我们把语义层分解为两阶段：(i) 在拦截层从多轮对话中蒸馏主体目标的任务抽取步；(ii) 在授权服务器评估所请求工具是否适合所抽取任务的任务-工具语义匹配步。第三，我们扩展先前工作提出的ASTRA数据集，生成含相关与无关工具调用的多轮对话-工具新数据集。最后，我们给出TBAC在多轮对话下的首批实验结果。