拓扑至关重要：多智能体大语言模型中的记忆泄漏测量
密码学与安全
2026-01-13 v3 人工智能
计算与语言
摘要
图拓扑是多智能体大语言模型系统中记忆泄漏的基本决定因素，但其影响尚未得到充分量化。我们提出了 MAMA（多智能体记忆攻击）框架，用于衡量网络结构如何塑造泄漏。MAMA 在包含标记个人身份信息（PII）实体的合成文档上运行，从中生成经过净化的任务指令。我们执行两阶段协议：Engram（将私密信息植入目标智能体的记忆）和 Resonance（攻击者尝试提取的多轮交互）。在超过 10 轮中，我们通过攻击者输出中对真实 PII 的精确匹配恢复来衡量泄漏。我们在六种典型拓扑（完全图、环、链、树、星、星-环）上评估了 、攻击者-目标放置位置以及基础模型。结果一致表明：更密集的连通性、更短的攻击者-目标距离以及更高的目标中心性会增加泄漏；大部分泄漏发生在早期轮次，随后趋于平稳；模型选择会改变绝对速率但保持拓扑排序；时空/位置属性比身份凭证或受监管标识符更容易泄漏。我们提炼了系统设计的实用指导：优先采用稀疏或分层连通性，最大化攻击者-目标分离，并通过拓扑感知访问控制限制中心节点/捷径路径。
引用
@article{arxiv.2512.04668,
title = {Topology Matters: Measuring Memory Leakage in Multi-Agent LLMs},
author = {Jinbo Liu and Defu Cao and Yifei Wei and Tianyao Su and Yuan Liang and Yushun Dong and Yan Liu and Yue Zhao and Xiyang Hu},
journal= {arXiv preprint arXiv:2512.04668},
year = {2026}
}