論文の概要: Skillsets on the Chain: A Blockchain-based Zero-Trust Framework for Agentic AI Networking
- arxiv url: http://arxiv.org/abs/2608.00104v1
- Date: Fri, 31 Jul 2026 00:24:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 15:31:30.776904
- Title: Skillsets on the Chain: A Blockchain-based Zero-Trust Framework for Agentic AI Networking
- Title（参考訳）: Skillsets on the Chain: エージェントAIネットワークのためのブロックチェーンベースのZero-Trustフレームワーク
- Abstract要約: Agentic AI Network(AgentNet)システムは、サードパーティのスキルセット実装と分散マルチエージェントコラボレーションに大きく依存している。
本稿では、2層ブロックチェーンでセキュアなゼロトラストフレームワークであるTrustAgentNetを提案する。
- 参考スコア（独自算出の注目度）: 41.895053158170136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agentic AI networking (AgentNet) systems rely heavily on third-party skillset implementations and distributed multi-agent collaboration, yet they face major claim-to-capability inconsistencies and security vulnerabilities under trust-by-declaration assumptions. To bridge this gap, this paper proposes TrustAgentNet, a dual-tier blockchain-secured zero-trust framework. Specifically, a global Chain of Skillsets (CoS) governs the lifecycle of skillset metadata with protocols empowered by specialized agents to enforce off-chain auditing while maintaining lightweight on-chain cryptographic consensus. Furthermore, transient, task-oriented Chains of Collaboration (CoC) are dynamically established to enable trustless distributed multi-agent collaboration. Theoretical analysis of the three-way trade-off among security level, task performance, and resource overhead is provided and empirically validated. Experimental results on a hardware prototype demonstrate that compared with no-blockchain trust-by-default baselines, the zero-trust overhead of TrustAgentNet is dominated by off-chain inference, while the blockchain layer incurs minor ledger costs via the ledger-IPFS storage and on/off-chain integration design. Crucially, the proposed verification pipeline achieves a flawless 100% accuracy across 50 AI models, correctly validating 40 honest skillsets and intercepting 10 adversarial ones, and generalizes to non-AI domains with an 83.91% accuracy and a 0.85 F1-score across 1478 features from 171 ClawHub skills. Adversarial experiments further show that TrustAgentNet enables autonomous skillset self-recovery against various malicious attacks.
- Abstract（参考訳）: Agentic AI Network(AgentNet)システムは、サードパーティのスキルセット実装と分散マルチエージェントコラボレーションに大きく依存するが、信頼バイ宣言の前提の下では、大きなクレーム・トゥ・キャパビリティの不整合とセキュリティ上の脆弱性に直面している。
このギャップを埋めるために、二層ブロックチェーンでセキュアなゼロトラストフレームワークであるTrustAgentNetを提案する。
特に、グローバルスキルセットのチェーン(CoS)は、オンチェーン暗号コンセンサスを軽量に維持しつつ、オフチェーン監査を実施するための特別なエージェントによって権限付けられたプロトコルを使用して、スキルセットメタデータのライフサイクルを管理します。
さらに、非信頼な分散マルチエージェントコラボレーションを可能にするために、過渡的でタスク指向の協調連鎖(CoC)を動的に確立する。
セキュリティレベル,タスクパフォーマンス,リソースオーバーヘッドの3方向トレードオフに関する理論的解析を行い,実証実験を行った。
ハードウェアプロトタイプの実験結果によると、非ブロックチェーンの信頼とデフォルトのベースラインを比較すると、TrustAgentNetのゼロトラストオーバーヘッドはオフチェーン推論が支配的であり、ブロックチェーン層は台帳IPFSストレージとオン/オフチェーン統合設計を通じて小さな台帳コストを発生させる。
重要なことに、提案された検証パイプラインは50のAIモデルで100%の正確さを達成し、40の正直なスキルセットを正しく検証し、10の敵のスキルをインターセプトし、83.91%の精度で非AIドメインに一般化する。
敵対的な実験は、TrustAgentNetが様々な悪意ある攻撃に対して自律的なスキルセットの自己回復を可能にすることを示している。
関連論文リスト
- Blockchain Empowered Trustworthy Agent Networks: Foundations, Taxonomy, and Future Directions [47.65093774088672]
この調査およびチュートリアル記事は、1980年から2026年にかけての古典的マルチエージェントシステムからオープンエージェントネットワークへの進化に関する文献をレビューする。
私たちはまず、この進化をレビューし、信頼境界が個々の実行からクロスプラットフォーム、クロスプラットフォーム、組織間の相互作用へとどのように広がるかを示します。
我々は、実体と能力の信頼、認可と委譲、情報と信頼、調整とグループ・ロバスト性信頼、説明責任と決済信頼を含む5次元の分類法を開発する。
論文 参考訳（メタデータ） (2026-08-05T09:32:35Z) - Toward Web 4.0: Bidirectional Trust between AI Agents and Blockchain [12.755719715389167]
本稿では,双方向信頼フレームワークを中心に組織された体系化知識について述べる。
B方向では、ブロックチェーンがエージェントの信頼基盤、IDとアカウントの抽象化、パーミッションとデリゲート、インテント中心の実行、トークン化されたエージェント経済をどのように提供するかを検討する。
A方向では、セキュリティ監査、コンセンサス、ガバナンスなど、AIエージェントがコアブロックチェーンメカニズムに参加する方法について検討する。
論文 参考訳（メタデータ） (2026-05-09T12:42:07Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - GoAT-X: A Graph of Auditing Thoughts for Securing Token Transactions in Cross-Chain Contracts [52.51342355102833]
マルチチェーンエコシステムの重要な基盤であるクロスチェーンブリッジは、攻撃者にとって主要なターゲットとなっている。
バイトコードレベルの静的解析のような既存の防御は、チェーン間の相互作用のセマンティックな複雑さを扱うには不十分である。
パターンマッチングから体系的な第一原理検証へ自動的なクロスチェーンスマートコントラクト監査を移行するフレームワークであるGoAT-Xを提案する。
論文 参考訳（メタデータ） (2026-04-27T11:34:21Z) - Zer0n: An AI-Assisted Vulnerability Discovery and Blockchain-Backed Integrity Framework [0.0]
Zer0nは、Large Language Models(LLM)の推論能力をブロックチェーン技術の不変監査パスに固定するフレームワークである。
ロジックベースの脆弱性検出のためにGemini 2.0 ProとAvalanche C-Chainを統合した。
論文 参考訳（メタデータ） (2026-01-11T18:27:52Z) - AI Agent Architecture for Decentralized Trading of Alternative Assets [2.8195433571821162]
GoldMine OSは、ブロックチェーンベースのStablecoin("OZ")への物理的な金のトークン化と交換を自動化するために、複数の専門的AIエージェントを使用する研究指向アーキテクチャである。
本稿では,4つの協調エージェント(コンプライアンス,トークン発行,マーケットメイキング,リスクコントロール)とコーディネートコアについて述べる。
実験では、プロトタイプは需要トークンを1.2秒未満で提供し、手動よりも100倍以上高速である。
論文 参考訳（メタデータ） (2025-07-15T09:11:19Z) - Decompiling Smart Contracts with a Large Language Model [51.49197239479266]
Etherscanの78,047,845のスマートコントラクトがデプロイされているにも関わらず(2025年5月26日現在)、わずか767,520 (1%)がオープンソースである。
この不透明さは、オンチェーンスマートコントラクトバイトコードの自動意味解析を必要とする。
バイトコードを可読でセマンティックに忠実なSolidityコードに変換する,先駆的な逆コンパイルパイプラインを導入する。
論文 参考訳（メタデータ） (2025-06-24T13:42:59Z) - Trusted Compute Units: A Framework for Chained Verifiable Computations [41.94295877935867]
本稿では,異種技術間のコンポーザブルで相互運用可能な計算を可能にする統合フレームワークであるTrusted Compute Unit(TCU)を紹介する。
オンチェーンの確認遅延やガス料金を発生させることなく、セキュアなオフチェーンインタラクションを可能にすることで、TCUはシステムパフォーマンスとスケーラビリティを大幅に改善する。
論文 参考訳（メタデータ） (2025-04-22T09:01:55Z) - zScore: A Universal Decentralised Reputation System for the Blockchain Economy [0.8246494848934447]
zScoreという名の堅牢なフレームワークを提供しています。これはウォレットのオンチェーン動作に由来する評価のためのコアプリミティブです。
貸し出しプロトコルの遡及的データで行った最初の結果は、良いzScoreと健全な借り入れ行動と返済行動との間に強い相関関係を確立した。
第5節では,本システムの適用可能性のリストを提示し,実際の価値創造に報いるための実用性を確立する。
論文 参考訳（メタデータ） (2025-02-17T07:19:04Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳（メタデータ） (2021-03-23T15:04:44Z)
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。