ShieldNet：针对代理系统中新兴供应链注入的网络级防护
人工智能
2026-04-07 v1
摘要
现有研究在 LLM 代理安全方面主要关注提示注入和不安全的输入/输出行为。然而，随着代理越来越多地依赖第三方工具和 MCP 服务器，一种新的供应链威胁类已出现，其中恶意行为被嵌入看似良好的工具中，默默劫持代理执行、泄露敏感数据或触发未授权操作。尽管这些威胁的影响日益突出，但目前没有针对此类威胁的综合基准测试。为填补这一差距，我们引入 SC-Inject-Bench，一个由超过 10,000 个恶意 MCP 工具构成的大规模基准，基于源自 MITRE ATT&CK 的 25+ 攻击类型的分类体系。我们观察到，现有的 MCP 扫描器和语义防护在该基准上表现不佳。基于这一发现，我们提出 ShieldNet，一个通过观察实际网络交互而非表面级工具痕迹来检测供应链投毒的网络级防护框架。ShieldNet 集成了一个中间人（MITM）代理和一个事件提取器，以识别关键网络行为，然后由轻量级分类器处理以进行攻击检测。大量实验表明，ShieldNet 实现了强大的检测性能（最高达 0.995 的 F1 分数，仅 0.8% 的假阳性率），同时引入极少的运行时开销，显著优于现有的 MCP 扫描器和基于 LLM 的防护措施。
引用
@article{arxiv.2604.04426,
title = {ShieldNet: Network-Level Guardrails against Emerging Supply-Chain Injections in Agentic Systems},
author = {Zhuowen Yuan and Zhaorun Chen and Zhen Xiang and Nathaniel D. Bastian and Seyyed Hadi Hashemi and Chaowei Xiao and Wenbo Guo and Bo Li},
journal= {arXiv preprint arXiv:2604.04426},
year = {2026}
}