神經代理控制：一種基於深度學習的LLM驅動代理AI框架用於控制安全控制器

針對工業物聯網環境中操作技術（OT）網路攻擊日益頻繁導致的昂貴停機與物理損壞問題，傳統基於規則的監控方法已顯現出侷限性。雖然大型語言模型（LLM）具備強大的語義推理能力，可用於輔助決策支援，但其易產生幻覺的特性在閉環控制中帶來了不可接受的安全隱患。為突破這一瓶頸，本文提出了一種神經代理控制框架（Neuro-Agentic Control Framework），該架構創新性地將基於LLM的規劃器（如Gemini 2.5 Flash-Lite）與預訓練的時間序列基礎模型（TimesFM）進行耦合，實現了基於物理規律的自主防禦。

該框架的核心是“反事實物理注入”（Counterfactual Physics Injection）機制，該機制在基礎模型的數值潛空間中模擬LLM所提議干預措施的影響，然後再執行實際動作，同時允許系統拒絕任何幻覺或不安全動作。透過在工業資料集（安全水處理系統SWaT）上的隨機攻擊場景評估，該框架表現出優於長短期記憶網路（LSTM）和時間卷積網路（TCN）基線的效能。神經代理迴圈（Neuro-Agentic Loop）在閾值以下成功阻止了5次違規（33.3%），而LSTM和TCN的阻止率分別為26.7%和13.3%，且實驗中沒有執行任何物理無效（幻覺）動作。這些結果證明了利用基礎模型作為確定性“哨兵”（Sentinels）來保護關鍵基礎設施中代理AI的有效性。該研究為在工業控制系統中安全應用AI提供了一條可行路徑，有望顯著提升關鍵基礎設施的防禦能力。

此外，該框架的設計具有高度模組化，LLM規劃器負責高層決策，TimesFM則提供精確的物理模擬，兩者透過反事實注入協同工作。這種架構不僅適用於水處理系統，還可擴充套件到電力網路、石油化工等關鍵基礎設施領域。未來工作可能包括在更多真實場景中驗證框架的魯棒性，以及最佳化計算效率以適應即時控制需求。總體而言，神經代理控制框架為AI在工業控制中的安全部署提供了新的正規化。