論文の概要: SAMEP: A Secure Protocol for Persistent Context Sharing Across AI Agents
- arxiv url: http://arxiv.org/abs/2507.10562v1
- Date: Sat, 05 Jul 2025 02:20:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-20 22:54:22.105953
- Title: SAMEP: A Secure Protocol for Persistent Context Sharing Across AI Agents
- Title（参考訳）: METHODP:AIエージェント間の永続的コンテキスト共有のためのセキュアプロトコル
- Authors: Hari Masoor,
- Abstract要約: 安全なエージェントメモリ交換プロトコル(Secure Agent Memory Exchange Protocol)は、AIエージェント間の永続的でセキュアでセマンティックに検索可能なメモリ共有を可能にする新しいフレームワークである。
本プロトコルは,(1)エージェントセッション間の永続的コンテキスト保存,(2)きめ細かいアクセス制御によるセキュアなマルチエージェント協調,(3)関連する歴史的コンテキストの効率的な意味的発見,の3つの重要な課題に対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current AI agent architectures suffer from ephemeral memory limitations, preventing effective collaboration and knowledge sharing across sessions and agent boundaries. We introduce SAMEP (Secure Agent Memory Exchange Protocol), a novel framework that enables persistent, secure, and semantically searchable memory sharing among AI agents. Our protocol addresses three critical challenges: (1) persistent context preservation across agent sessions, (2) secure multi-agent collaboration with fine-grained access control, and (3) efficient semantic discovery of relevant historical context. SAMEP implements a distributed memory repository with vector-based semantic search, cryptographic access controls (AES-256-GCM), and standardized APIs compatible with existing agent communication protocols (MCP, A2A). We demonstrate SAMEP's effectiveness across diverse domains including multi-agent software development, healthcare AI with HIPAA compliance, and multi-modal processing pipelines. Experimental results show 73% reduction in redundant computations, 89% improvement in context relevance scores, and complete compliance with regulatory requirements including audit trail generation. SAMEP enables a new paradigm of persistent, collaborative AI agent ecosystems while maintaining security and privacy guarantees.
- Abstract（参考訳）: 現在のAIエージェントアーキテクチャは、一時的なメモリ制限に悩まされており、セッションとエージェント境界間の効果的なコラボレーションと知識共有が防止されている。
我々は,AIエージェント間での永続的でセキュアでセマンティックに検索可能なメモリ共有を可能にする新しいフレームワークであるPameP(Secure Agent Memory Exchange Protocol)を紹介する。
本プロトコルは,(1)エージェントセッション間の永続的コンテキスト保存,(2)きめ細かいアクセス制御によるセキュアなマルチエージェント協調,(3)関連する歴史的コンテキストの効率的な意味的発見,の3つの重要な課題に対処する。
MadePは、ベクトルベースのセマンティック検索、暗号化アクセス制御(AES-256-GCM)、および既存のエージェント通信プロトコル(MCP、A2A)と互換性のある標準化されたAPIを備えた分散メモリリポジトリを実装している。
我々は、マルチエージェントソフトウェア開発、HIPAA準拠のヘルスケアAI、マルチモーダル処理パイプラインなど、さまざまな分野におけるMatePの有効性を実証する。
実験の結果,冗長計算の73%削減,文脈関連スコアの改善89%,監査証跡生成を含む規制要件への完全準拠が示された。
セキュリティとプライバシの保証を維持しながら、永続的で協力的なAIエージェントエコシステムの新たなパラダイムを実現する。
関連論文リスト
- OpenAgentSafety: A Comprehensive Framework for Evaluating Real-World AI Agent Safety [58.201189860217724]
OpenAgentSafetyは,8つの危機リスクカテゴリにまたがるエージェントの動作を評価する包括的なフレームワークである。
従来の作業とは異なり、我々のフレームワークは、Webブラウザ、コード実行環境、ファイルシステム、bashシェル、メッセージングプラットフォームなど、実際のツールと対話するエージェントを評価します。
ルールベースの分析とLSM-as-judgeアセスメントを組み合わせることで、過度な行動と微妙な不安全行動の両方を検出する。
論文 参考訳（メタデータ） (2025-07-08T16:18:54Z) - Agent Capability Negotiation and Binding Protocol (ACNBP) [0.0]
本稿ではACNBP(Agen Capability Negotiation and Binding Protocol)を提案する。
ACNBPは、異種マルチエージェントシステムにおけるエージェント間のセキュアで効率的な、検証可能な相互作用を促進するために設計されたフレームワークである。
我々は,MAESTRO脅威モデリングフレームワークを用いた包括的セキュリティ解析によりACNBPの有効性を示す。
論文 参考訳（メタデータ） (2025-06-16T15:18:24Z) - A Novel Zero-Trust Identity Framework for Agentic AI: Decentralized Authentication and Fine-Grained Access Control [7.228060525494563]
本稿では,Agentic AI IAMフレームワークの提案について述べる。
リッチで検証可能なエージェント識別子(ID)に基づく包括的フレームワークを提案する。
また、Zero-Knowledge Proofs(ZKPs)によって、プライバシ保護属性の開示と検証可能なポリシーコンプライアンスを実現する方法について検討する。
論文 参考訳（メタデータ） (2025-05-25T20:21:55Z) - From Glue-Code to Protocols: A Critical Analysis of A2A and MCP Integration for Scalable Agent Systems [0.8909482883800253]
エージェント間通信のためのGoogleのエージェント・トゥ・エージェント(A2A)プロトコルと標準化されたツールアクセスのためのAnthropicのモデルコンテキストプロトコル(MCP)の2つのオープンスタンダードは、断片化されたカスタム統合アプローチの制限を克服することを約束している。
本稿では, A2A と MCP を効果的に統合することは, 交差点に固有の, 創発的な課題をもたらすことを主張する。
論文 参考訳（メタデータ） (2025-05-06T16:40:39Z) - A survey of agent interoperability protocols: Model Context Protocol (MCP), Agent Communication Protocol (ACP), Agent-to-Agent Protocol (A2A), and Agent Network Protocol (ANP) [0.8463972278020965]
モデルコンテキストプロトコル(MCP)、エージェント通信プロトコル(ACP)、エージェント・ツー・エージェントプロトコル(A2A)、エージェントネットワークプロトコル(ANP)の4つの新しいエージェント通信プロトコルについて検討する。
論文 参考訳（メタデータ） (2025-05-04T22:18:27Z) - A Survey of AI Agent Protocols [35.431057321412354]
大きな言語モデル(LLM)エージェントが外部ツールやデータソースと通信する標準的な方法はありません。
この標準化されたプロトコルの欠如は、エージェントが協力したり、効果的にスケールするのを難しくする。
LLMエージェントの統一通信プロトコルは、これを変更できる。
論文 参考訳（メタデータ） (2025-04-23T14:07:26Z) - Privacy-Enhancing Paradigms within Federated Multi-Agent Systems [47.76990892943637]
LLMベースのマルチエージェントシステム(MAS)は、複数のエージェントを統合することで複雑な問題を解決するのに非常に効果的であることが証明されている。
本稿では、フェデレーションMASの概念を紹介し、フェデレーションMASと従来のFLの根本的な違いを明らかにする。
1)エージェント間の異種プライバシープロトコル,2)多人数会話の構造的差異,3)動的会話ネットワーク構造などである。
これらの課題に対処するため、我々はEPEAgent(Embedded Privacy-Enhancing Agents)を提案し、これはRetrieval-Augmented GenerationフェーズとRetrieval-Augmented Generationフェーズにシームレスに統合する革新的なソリューションである。
論文 参考訳（メタデータ） (2025-03-11T08:38:45Z) - MultiAgentBench: Evaluating the Collaboration and Competition of LLM agents [59.825725526176655]
大規模言語モデル(LLM)は、自律的なエージェントとして顕著な能力を示している。
既存のベンチマークでは、単一エージェントタスクにフォーカスするか、狭いドメインに限定されており、マルチエージェントのコーディネーションと競合のダイナミクスを捉えていない。
多様な対話シナリオにまたがってLLMベースのマルチエージェントシステムを評価するためのベンチマークであるMultiAgentBenchを紹介する。
論文 参考訳（メタデータ） (2025-03-03T05:18:50Z) - Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。
我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。
IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
論文 参考訳（メタデータ） (2024-07-09T17:33:24Z) - A Survey and Comparative Analysis of Security Properties of CAN Authentication Protocols [92.81385447582882]
コントロールエリアネットワーク(CAN)バスは車内通信を本質的に安全でないものにしている。
本稿では,CANバスにおける15の認証プロトコルをレビューし,比較する。
実装の容易性に寄与する本質的な運用基準に基づくプロトコルの評価を行う。
論文 参考訳（メタデータ） (2024-01-19T14:52:04Z) - ACE: Cooperative Multi-agent Q-learning with Bidirectional
Action-Dependency [65.28061634546577]
マルチエージェント強化学習(MARL)は非定常性問題に悩まされる。
本稿では,双方向行動依存型Q-ラーニング(ACE)を提案する。
ACEは、Google Research FootballとStarCraft Multi-Agent Challengeで最先端のアルゴリズムを上回っている。
論文 参考訳（メタデータ） (2022-11-29T10:22:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。