Neuro-Agentic Control: A Deep Learning-based LLM-Powered Agentic AI Framework for Controlling Security Controls

📄 arXiv: 2607.09076v1 📥 PDF

作者: Saroj Gopali, Bipin Chhetri, Deepika Giri, Sima Siami-Namini, Akbar Siami Namin

分类: cs.AI

发布日期: 2026-07-10

💡 一句话要点

提出神经代理控制框架以解决工业物联网安全监控问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经代理控制 大型语言模型 时间序列模型 工业物联网 安全监控 反事实物理注入 自主防御

📋 核心要点

  1. 现有的基于规则的监控方法在应对工业物联网中的网络攻击时存在显著不足，无法有效防止安全漏洞。
  2. 论文提出了一种神经代理控制框架，通过结合LLM规划器和时间序列基础模型，实现物理基础的自主防御。
  3. 在工业数据集上进行的实验显示，该框架在防止安全漏洞方面表现优于LSTM和TCN，且未执行任何幻觉行为。

📝 摘要（中文）

随着网络攻击对操作技术造成的损失日益严重，传统基于规则的监控方法在工业物联网环境中暴露出局限性。尽管大型语言模型（LLMs）在决策支持中具有强大的语义推理能力，但其幻觉特性对闭环控制带来了不可接受的安全隐患。本文提出了一种神经代理控制框架，将基于LLM的规划器与预训练的时间序列基础模型结合，以实现物理基础的自主防御。引入的“反事实物理注入”机制在执行前模拟LLM提出的干预措施的影响，从而拒绝幻觉或不安全的行为。该框架在工业数据集（如安全水处理SWaT）上进行评估，表现优于LSTM和TCN基线。

🔬 方法详解

问题定义：本文旨在解决工业物联网环境中传统基于规则的监控方法在应对网络攻击时的局限性，尤其是其无法有效防止安全漏洞的问题。

核心思路：提出的神经代理控制框架结合了LLM的规划能力与时间序列基础模型的物理基础，利用“反事实物理注入”机制来模拟干预措施的影响，从而确保安全性。

技术框架：整体架构包括LLM规划器、时间序列基础模型和反事实物理注入机制。LLM负责生成干预建议，基础模型用于评估这些建议的物理可行性。

关键创新：最重要的创新在于引入了“反事实物理注入”机制，使得系统能够在执行前评估LLM建议的安全性，从而有效避免幻觉行为。

关键设计：在模型设计中，采用了预训练的时间序列基础模型，并设置了特定的损失函数来优化安全性和性能，确保在执行过程中不产生物理无效的行为。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，神经代理控制框架在防止安全漏洞方面表现优异，成功阻止了33.3%的攻击，而LSTM和TCN的表现分别为26.7%和13.3%。此外，该框架在执行过程中未产生任何幻觉行为，显示出其在关键基础设施中的有效性。

🎯 应用场景

该研究的潜在应用领域包括工业物联网、智能制造和关键基础设施的安全监控。通过提高安全防护能力，能够有效减少网络攻击造成的损失，提升系统的可靠性和稳定性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Cyberattacks on operational technology are increasingly causing costly downtime and physical damage, exposing the limitations of traditional rule-based monitoring in industrial IoT environments. While Large Language Models (LLMs) have strong semantic reasoning abilities to assist in decision support, their hallucinatory nature presents unacceptable safety liabilities for closed-loop control. This paper introduces a neuro-agentic control framework, a novel architecture that couples an LLM-based planner (i.e., such as Gemini 2.5 Flash-Lite) with a pre-trained Time-Series Foundation Model (TimesFM), to achieve physics-grounded autonomous defense. The paper introduces a Counterfactual Physics Injection'' mechanism that simulates the impact of LLM-proposed interventions within the numerical latent space of the foundation model before actuation, while allowing the system to reject hallucinatory or unsafe actions. Evaluated on an industrial dataset (e.g., the Secure Water Treatment (SWaT)) in the context of stochastic attack scenarios, the framework exhibited better performance compared to LSTM and TCN baselines. The Neuro-Agentic Loop prevented five breaches (33.3%) below the threshold versus LSTM (26.7%) and TCN (13.3%), with zero physically invalid (hallucinated) actions executed. These results demonstrate the efficacy of using foundation models as deterministicSentinels'' to safeguard agentic AI in critical infrastructure.