神经代理控制：一种基于深度学习的LLM驱动代理AI框架用于控制安全控制器

针对工业物联网环境中操作技术（OT）网络攻击日益频繁导致的昂贵停机与物理损坏问题，传统基于规则的监控方法已显现出局限性。虽然大型语言模型（LLM）具备强大的语义推理能力，可用于辅助决策支持，但其易产生幻觉的特性在闭环控制中带来了不可接受的安全隐患。为突破这一瓶颈，本文提出了一种神经代理控制框架（Neuro-Agentic Control Framework），该架构创新性地将基于LLM的规划器（如Gemini 2.5 Flash-Lite）与预训练的时间序列基础模型（TimesFM）进行耦合，实现了基于物理规律的自主防御。

该框架的核心是“反事实物理注入”（Counterfactual Physics Injection）机制，该机制在基础模型的数值潜空间中模拟LLM所提议干预措施的影响，然后再执行实际动作，同时允许系统拒绝任何幻觉或不安全动作。通过在工业数据集（安全水处理系统SWaT）上的随机攻击场景评估，该框架表现出优于长短期记忆网络（LSTM）和时间卷积网络（TCN）基线的性能。神经代理循环（Neuro-Agentic Loop）在阈值以下成功阻止了5次违规（33.3%），而LSTM和TCN的阻止率分别为26.7%和13.3%，且实验中没有执行任何物理无效（幻觉）动作。这些结果证明了利用基础模型作为确定性“哨兵”（Sentinels）来保护关键基础设施中代理AI的有效性。该研究为在工业控制系统中安全应用AI提供了一条可行路径，有望显著提升关键基础设施的防御能力。

此外，该框架的设计具有高度模块化，LLM规划器负责高层决策，TimesFM则提供精确的物理模拟，两者通过反事实注入协同工作。这种架构不仅适用于水处理系统，还可扩展到电力网络、石油化工等关键基础设施领域。未来工作可能包括在更多真实场景中验证框架的鲁棒性，以及优化计算效率以适应实时控制需求。总体而言，神经代理控制框架为AI在工业控制中的安全部署提供了新的范式。