论文
神经智能体控制：基于深度学习与LLM的控制安全措施智能体框架
Neuro-Agentic Control: A Deep Learning-based LLM-Powered Agentic AI Framework for Controlling Security Controls
摘要
针对运营技术的网络攻击日益造成昂贵的停机与物理损害，暴露传统基于规则的监控在工业物联网环境中的局限。大语言模型（LLM）虽有辅助决策的强语义推理能力，但其幻觉本性对闭环控制构成不可接受的安全责任。本文提出神经智能体控制框架：把LLM规划器（如Gemini 2.5 Flash-Lite）与预训练时间序列基础模型（TimesFM）耦合，实现物理落地的自主防御。框架引入“反事实物理注入”机制：在执行前于基础模型的数值潜空间中仿真LLM提议干预的影响，使系统能拒绝幻觉或不安全动作。在随机攻击场景下于工业数据集（如Secure Water Treatment，SWaT）上评估：该框架优于LSTM与TCN基线——神经智能体回路阻止了阈值以下五次入侵（33.3%），对比LSTM的26.7%与TCN的13.3%，且执行零物理无效（幻觉）动作。结果表明以基础模型作确定性“哨兵”守护关键基础设施中的智能体AI切实有效。
