当 LLM 组队时：面向自动化网络入侵的协同攻击框架
When LLMs Team Up: A Coordinated Attack Framework for Automated Cyber Intrusions
AI 导读
研究者提出面向自动化网络入侵的多智能体协同攻击框架 CAESAR，在 25 个 CTF 任务上成功率高于同等预算与工具访问下的单智能体基线。该框架将入侵式工作流拆分为五个类型化角色，通过有界轮次协议、持久知识库、每轮工作区、验证器把关的知识晋升和 capability-token 写隔离进行协调，并在五个类别、四个 LLM 后端上完成评估。CAESAR 同时降低了性能方差，在需要多步骤漏洞利用组合的任务上提升更大；一项辅助的模拟交互安全研究提示，该角色结构可迁移到代码原生场景之外。作者称，角色切换、工件溯源和知识晋升事件可为监控协同 LLM 智能体行为提供有用的结构信号，超越对单个提示词和输出的检查。数据集、实现和评估日志已在 https://github.com/Xu-Qiu/CMAS 发布。