論文の概要: Decentralized Granular Access Control for Agentic AI Systems in Critical Infrastructure
- arxiv url: http://arxiv.org/abs/2607.22611v1
- Date: Sun, 14 Jun 2026 20:32:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.984203
- Title: Decentralized Granular Access Control for Agentic AI Systems in Critical Infrastructure
- Title（参考訳）: 臨界インフラにおけるエージェントAIシステムの分散粒界アクセス制御
- Abstract要約: 本稿では,重要なクラウドインフラで動作するエージェントAIシステムを対象とした分散多層アクセス制御アーキテクチャを提案する。
非決定論的アクターによる特権エスカレーションを防止するために,アクセスパターンの分布,否定率,層状認証の有効性に関する実証データを提示する。
- 参考スコア（独自算出の注目度）: 0.205246094017924
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of autonomous AI agents in production infrastructure introduces fundamental security challenges that traditional role-based access control (RBAC) models cannot address. Unlike deterministic automation, AI agents exhibit stochastic behavior, making conventional trust models insufficient for governing their access to critical systems. This paper presents a decentralized, multi-layered access control architecture designed specifically for agentic AI systems operating in critical cloud infrastructure. Our framework introduces four key innovations: (1) a compound identity model that binds agent actions to delegated human authority, (2) a hierarchical permission system spanning five granularity levels from global platform access to per-parameter constraints, (3) a decentralized policy ownership model where tool teams independently govern their authorization boundaries, and (4) progressive trust escalation with safety interlocks that prevent autonomous agents from executing high-risk operations. We ground our design in the OWASP Top 10 for LLM Applications (2025) threat taxonomy and demonstrate how each architectural decision mitigates specific attack vectors. Deployed in production at a major cloud provider managing network infrastructure across hundreds of datacenters, the system enforces granular access control for 20+ specialized AI agents and 60+ deterministic playbooks processing thousands of operations daily while maintaining zero unauthorized write operations over eight months of production deployment. We present empirical data on access pattern distributions, denial rates, and the effectiveness of layered authorization in preventing privilege escalation by non-deterministic actors.
- Abstract（参考訳）: 運用インフラストラクチャに自律的なAIエージェントを配置することは、従来のロールベースのアクセス制御(RBAC)モデルでは対応できない、基本的なセキュリティ上の課題をもたらす。
決定論的自動化とは異なり、AIエージェントは確率的な振る舞いを示し、従来の信頼モデルは重要なシステムへのアクセスを管理するのに不十分である。
本稿では,重要なクラウドインフラで動作するエージェントAIシステムを対象とした分散多層アクセス制御アーキテクチャを提案する。
本フレームワークでは,(1)エージェントアクションを委譲された人的権限にバインドする複合IDモデル,(2)グローバルプラットフォームアクセスからパラメータごとの制約までの5つの粒度レベルにまたがる階層的パーミッションシステム,(3)ツールチームが独立して認証境界を統治する分散的ポリシーオーナシップモデル,(4)自律的エージェントによる高リスク操作の実行を防止するための安全インターロックによるプログレッシブ信頼エスカレーション,の4つの重要なイノベーションを紹介している。
OWASP Top 10 for LLM Applications (2025)では、それぞれのアーキテクチャ上の決定が特定の攻撃ベクトルを緩和する様子を示しています。
数百のデータセンターにわたるネットワークインフラストラクチャを管理する大手クラウドプロバイダで本番環境にデプロイされたこのシステムは、20以上の専門のAIエージェントと60以上の決定論的プレイブックに対して、粒度のアクセス制御を実行し、毎日数千の操作を処理すると同時に、8ヶ月の運用デプロイメントで無許可の書き込み操作を維持している。
非決定論的アクターによる特権エスカレーションを防止するために,アクセスパターンの分布,否定率,層状認証の有効性に関する実証データを提示する。
関連論文リスト
- Traccia: An OpenTelemetry-Based Governance Platform for AI Systems [0.7919969809015938]
LLM(Large Language Models)とAI(Artificial Intelligent)による自律エージェントの急速な開発は、ソフトウェアガバナンスの既存の形態を根本的に変えた。
現在のソリューションでは、アライメントやセキュリティ上の懸念、シャドウAIシステムの無許可デプロイメントといった深刻な脅威から、非バウンドな状態空間エージェントアーキテクチャを保護することができない。
OpenTelemetryインフラストラクチャプラットフォーム上に構築された、一貫性のあるマルチレベルAIガバナンススタックであるTracciaの形で、議論された課題を克服するためのソリューションが提案されている。
論文 参考訳（メタデータ） (2026-07-15T19:14:21Z) - Autonomous Incident Resolution at Hyperscale: An Agentic AI Architecture for Network Operations [0.33842793760651557]
本稿では,大規模ネットワーク運用における自律的インシデント解決のためのエージェントAIアーキテクチャを提案する。
我々のシステムは、人間の介入なしにネットワークインシデントを検出し、診断し、修正するために、専門のAIエージェントが協力するマルチエージェントオーケストレーションフレームワークを採用している。
論文 参考訳（メタデータ） (2026-06-08T07:15:53Z) - DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents [121.77550256034]
DecodingTrust-Agent Platform (DTap)は、AIエージェントのためのコントロール可能でインタラクティブなレッドチームプラットフォームである。
DTap-Redは、多様なインジェクションベクターを探索し、効果的な攻撃戦略を自律的に発見する、最初の自律的赤チームエージェントである。
DTapを通じて、さまざまなバックボーンモデル上に構築された一般的なAIエージェントの大規模評価を行う。
論文 参考訳（メタデータ） (2026-05-06T11:59:48Z) - Architecting Secure AI Agents: Perspectives on System-Level Defenses Against Indirect Prompt Injection Attacks [46.32011684548212]
AIエージェントは間接的なプロンプトインジェクションに対して脆弱であり、信頼できないデータに埋め込まれた悪意のある命令は危険なエージェントアクションを引き起こす可能性がある。
本稿では,間接的インジェクション攻撃に対するシステムレベルの防御の展望について論じる。
論文 参考訳（メタデータ） (2026-03-31T17:15:46Z) - OMNI-LEAK: Orchestrator Multi-Agent Network Induced Data Leakage [59.3826294523924]
オーケストレータ設定として知られる,一般的なマルチエージェントパターンのセキュリティ脆弱性について検討する。
本報告では,フロンティアモデルの攻撃カテゴリに対する感受性を報告し,推論モデルと非推論モデルの両方が脆弱であることが確認された。
論文 参考訳（メタデータ） (2026-02-13T21:32:32Z) - Just Ask: Curious Code Agents Reveal System Prompts in Frontier LLMs [65.6660735371212]
textbftextscJustAskは,インタラクションのみで効果的な抽出戦略を自律的に発見するフレームワークである。
これは、アッパー信頼境界に基づく戦略選択と、原子プローブと高レベルのオーケストレーションにまたがる階層的なスキル空間を用いて、オンライン探索問題として抽出を定式化する。
この結果から,現代のエージェントシステムにおいて,システムプロンプトは致命的ではあるがほぼ無防備な攻撃面であることがわかった。
論文 参考訳（メタデータ） (2026-01-29T03:53:25Z) - MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era [74.42509044145417]
MegaFlowは、エージェント環境ワークロードの効率的なスケジューリング、リソース割り当て、きめ細かいタスク管理を可能にする、大規模な分散オーケストレーションシステムである。
エージェントのトレーニングデプロイメントでは、MegaFlowは、高いシステムの安定性を維持しながら、数万の並行エージェントタスクを編成し、効率的なリソース利用を実現しています。
論文 参考訳（メタデータ） (2026-01-12T13:25:33Z) - Securing AI Agents: Implementing Role-Based Access Control for Industrial Applications [0.0]
産業環境では、AIエージェントは意思決定、予測保守、プロセス最適化を強化することでオペレーションを変革している。
これらの進歩にもかかわらず、AIエージェントは、迅速なインジェクション攻撃を含む、セキュリティ上の脅威に弱いままである。
本稿では,RBAC(Role-Based Access Control)をAIエージェントに統合し,堅牢なセキュリティガードレールを提供するフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-14T20:58:08Z) - Using the NANDA Index Architecture in Practice: An Enterprise Perspective [9.707223291705601]
自律型AIエージェントの普及は、従来のWebアーキテクチャから協調的なインテリジェントシステムへのパラダイムシフトを表している。
本稿では,セキュアで信頼性が高く,相互運用可能なAIエージェントエコシステムの基盤要件に対処する包括的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-05T05:27:27Z) - Security Challenges in AI Agent Deployment: Insights from a Large Scale Public Competition [101.86739402748995]
44の現実的なデプロイメントシナリオを対象とした,22のフロンティアAIエージェントを対象にしています。
Agent Red Teamingベンチマークを構築し、19の最先端モデルで評価します。
私たちの発見は、今日のAIエージェントの重要かつ永続的な脆弱性を浮き彫りにしたものです。
論文 参考訳（メタデータ） (2025-07-28T05:13:04Z) - When Autonomy Goes Rogue: Preparing for Risks of Multi-Agent Collusion in Social Systems [78.04679174291329]
悪意のあるマルチエージェントシステム(MAS)のリスクをシミュレートするための概念実証手法を提案する。
この枠組みを、誤情報拡散とeコマース詐欺という2つのリスクの高い分野に適用する。
その結果,分散システムの方が,集中型システムよりも悪意ある行動を実行するのに効果的であることが示唆された。
論文 参考訳（メタデータ） (2025-07-19T15:17:30Z) - 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)
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。