MATRA：智能体AI系统攻击面建模——OpenClaw案例研究

摘要

LLM日益被部署为可访问工具、数据库与外部服务的自主智能体，但（跨行业的）从业者缺乏系统方法来评估已知威胁类别如何在特定智能体部署中转化为具体风险。我们提出MATRA，一个面向智能体AI系统的务实威胁建模框架，它改造既有的风险评估方法，以系统评估已知LLM威胁如何转化为特定部署的风险。MATRA从基于资产的影响评估入手，并利用攻击树确定这些影响在系统架构内发生的可能性。我们在一个使用OpenClaw的个人AI智能体部署上演示MATRA，量化网络沙箱与最小权限访问等架构控制如何通过限制成功注入的爆炸半径来降低风险。

MATRA：智能体AI系统攻击面建模——OpenClaw案例研究：论文配图 — 图 1：MATRA 框架概述。从客户端收集系统属性和威胁源。从系统文档中识别的资产将输入到利益相关者驱动的业务影响评估中，从而生成影响场景。数据流图 (DFD) 与已建立目录中的已知攻击技术相结合，告知攻击树的构建，将每个影响场景分解为目标、技术和特定于架构的向量。