ANT: A Multi-Granularity Network Traffic Dataset and Benchmark for Agents Behavior Auditing
作者: Fan Li, Xiangyu Gao, Zixuan Liu, Tong Li, Chuanpu Fu, Ziqiang Wang, Ke Xu
分类: cs.AI, cs.LG
发布日期: 2026-10-05
💡 一句话要点
提出ANT数据集以解决代理行为审计中的网络流量分析问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 网络流量分析 代理行为审计 数据集构建 风险识别 场景识别 行为分类 人工智能 安全性
📋 核心要点
- 现有网络流量分析方法在识别代理行为和风险时存在不足，尤其在恶意与良性任务相似的情况下。
- 论文提出ANT数据集，提供多粒度的代理行为信息，旨在改善网络流量分析的准确性和有效性。
- 实验结果显示，现有方法在频繁宏观组的行为分类上表现更好，但在稀有或语义相似组上效果较差。
📝 摘要（中文）
随着大型语言模型（LLM）代理的广泛应用，网络管理员和安全团队需要在不检查用户私密内容的情况下审计代理在组织网络中的行为。网络流量提供了可观察的证据来源，但其对代理任务和操作的揭示程度尚不明确。现有流量数据集缺乏评估这一问题所需的联合任务和阶段注释。我们提出了ANT（代理网络流量）数据集，提供了风险、场景和行为原语粒度的代理行为信息，包含3,114个执行事件，涵盖20个任务和5个场景，包含276,417个双向流和40,049个行为原语段，组织成47个宏观组。我们建立了代理风险识别、场景识别和行为原语分类的基准，使用13个代表性的流量分析基线进行评估。结果表明，现有方法恢复了有用但不均匀的行为信号，识别风险时面临挑战，尤其是恶意工作流与良性任务相似时。
🔬 方法详解
问题定义：本论文旨在解决如何通过网络流量审计代理行为的问题。现有方法在识别风险和场景时存在困难，尤其是当恶意和良性任务的流量模式相似时。
核心思路：论文提出ANT数据集，提供详细的代理行为信息，涵盖风险、场景和行为原语的多层次注释，以便更好地支持流量分析和行为审计。
技术框架：ANT数据集包含276,417个双向流和40,049个行为原语段，组织成47个宏观组。通过13个流量分析基线进行基准测试，评估代理风险识别、场景识别和行为原语分类的性能。
关键创新：ANT数据集的最大创新在于提供了多粒度的行为信息，使得流量分析不仅限于单一任务或阶段的识别，而是能够综合考虑多种因素进行审计。
关键设计：在数据集构建中，采用了详细的注释策略，确保每个流量片段与其对应的代理行为和风险场景相匹配，此外，使用了多种流量分析基线进行性能评估。
🖼️ 关键图片
📊 实验亮点
实验结果表明，现有方法在频繁宏观组的行为信号恢复上表现较好，但在识别风险和相似场景时存在显著挑战。具体而言，代理风险识别的准确率在不同场景下差异明显，尤其在恶意与良性任务相似的情况下，识别效果较差。
🎯 应用场景
ANT数据集的潜在应用领域包括网络安全、行为审计和智能代理监控等。通过提供更精确的流量分析基础，能够帮助组织更有效地识别和应对潜在的安全威胁，提升网络安全防护能力。未来，该数据集还可能推动相关领域的研究进展，促进更智能的网络管理解决方案的开发。
📄 摘要（原文）
The growing adoption of large language model (LLM) agents creates a need for network administrators and security teams to audit agent behavior within organizational networks without inspecting private user content. Network traffic offers an observable source of evidence, but how much it reveals about agent tasks and operations remains unclear. Existing traffic datasets lack the joint task and stage annotations needed to evaluate this question. We introduce ANT (Agent Network Traffic), a dataset providing agent behavior information at risk, scenario, and behavior primitive granularities alongside network traffic. ANT contains 3,114 execution episodes across 20 tasks and five scenarios, comprising 276,417 bidirectional flows and 40,049 behavior primitive segments organized into 47 macro groups. We establish a benchmark for agent risk identification, scenario recognition, and behavior primitive classification using 13 representative traffic analysis baselines. The results show that existing methods recover useful but uneven behavioral signals. They struggle to identify risk when malicious workflows resemble benign tasks and to distinguish scenarios with similar traffic patterns. Primitive classification is more reliable for frequent macro groups and those with distinctive traffic patterns than for rare or semantically similar groups. ANT provides a common basis for developing more precise auditing and forensic analysis of agent behavior from network traffic. Our data and code are available at https://anonymous.4open.science/r/ant-main-suite-7BC0/.