Self-Adaptive Multi-Agent LLM-Based Security Pattern Selection for IoT Systems

1. Probleemstelling

De snelle uitbreiding van Internet of Things (IoT)-systemen heeft de handhaving van beveiliging verschoven naar randgateways met beperkte middelen. Hoewel bestaande benaderingen zich richten op het detecteren van aanvallen, ligt de kritieke uitdaging in de selectie van mitigatie op runtime: beslissen welke beveiligingscontroles moeten worden geactiveerd, hoe ze moeten worden gecombineerd en in welke volgorde, allemaal terwijl strikte beperkingen op latentie, energie, geheugen en CPU worden nageleefd.

Huidige oplossingen kampen met een structurele incompatibiliteit:

• Deep Reinforcement Learning (DRL): Biedt aanpasbaarheid maar mist expliciete redenering en kan conflictvrije of middelenhaalbare uitvoering niet garanderen (veiligheid is slechts impliciet gecodeerd in beloningen).
• Optimalisatiegebaseerde methoden: Handhaven beperkingen maar missen de contextuele redenering om complexe, evoluerende bedreigingsscenario's aan te pakken.
• Grote Taalmodellen (LLM's): Bieden krachtige redenering en workflows met meerdere agenten, maar produceren stochastische output die onhaalbaar, onveilig kan zijn of in strijd kan zijn met middelenbudgetten als ze niet strikt worden gecontroleerd.

Er ontbreekt een geünificeerd runtime-mechanisme dat contextbewuste agentgerichte redenering combineert met deterministische handhaving om ervoor te zorgen dat geselecteerde beveiligingsportefeuilles altijd veilig, haalbaar en uitvoerbaar zijn onder randbeperkingen.

2. Methodologie: Het ASPO-kader

De auteurs stellen ASPO voor, een zelfaanpassend multi-agent-systeem dat is gebaseerd op de MAPE-K-autonome besturingslus (Monitor, Analyze, Plan, Execute, Knowledge). De kerninnovatie is de expliciete scheiding van stochastische deliberatie van deterministische handhaving.

A. Architectuur & Werkstroom

1. Monitor & Analyseren:
   • Verzamelt ruwe telemetrie (verkeerskenmerken, resource-indicatoren) van de randgateway.
   • Gebruikt een deterministische encoder om een gestructureerde, begrenste context ($S_t$) te construeren, inclusief bedreigingsklasse, ernst, vertrouwen en beschikbare resourcebudgetten.
2. Plannen (Hybride Stochastisch-Deterministische Kern):
   • Agentgerichte Deliberatie (Stochastisch): Een multi-agent LLM-systeem (Context-, Reasoner-, Constraint-, Planner- en Audit-agenten) stelt kandidaat-mitigatieportefeuilles voor op basis van de gestructureerde context. Deze agenten opereren binnen een schema-gedwongen JSON-formaat, maar blijven stochastisch.
   • Deterministische Handhaving (Harde Beperkingen): Een lokale, deterministische optimalisatiekern neemt de kandidaten van de LLM en past harde beperkingen toe:
     • Lidmaatschap van een Gesloten Wereld: Alleen patronen uit een vooraf gedefinieerde catalogus (bijv. Whitelist, Segmentatie, Secure Fog) zijn toegestaan.
     • Conflictvrije Samenstelling: Zorgt ervoor dat geen onderling uitsluitende patronen gelijktijdig worden geselecteerd, gebruikmakend van een conflictmatrix.
     • Middelenhaalbaarheid: Verifieert of de gecombineerde kosten (CPU, geheugen, latentie, energie) binnen het huidige budget passen.
     • Uitvoeringsvolgorde: Bepaalt een geldige activeringsvolgorde met behulp van topologische sortering op basis van precedentieregels.
3. Uitvoeren:
   • Activeert de gevalideerde portefeuille. Als de deterministische poort het voorstel van de LLM verwerpt (vanwege conflicten of middelenovertredingen), wordt in plaats daarvan een lichtgewicht "fail-safe" basisbeleid geactiveerd.
4. Kennis:
   • Onderhoudt een catalogus van een gesloten wereld met 10 specifieke beveiligingspatronen, elk met gedefinieerde kosten, mogelijkheden en interactieregels.

B. Bedreigingsmodel

Het systeem gaat ervan uit dat een tegenstander telemetrie en contextinvoer kan manipuleren (bijv. via prompt-injectie of contextvergiftiging) om de redenering van de LLM te verstoren. Omdat de uiteindelijke activering echter uitsluitend wordt bepaald door de deterministische optimalisatiekern tegen een vaste catalogus en harde beperkingen, garandeert het systeem dat zelfs als de redeneringsfase wordt gemanipuleerd, de uitgevoerde acties veilig en haalbaar blijven.

3. Belangrijkste Bijdragen

1. Hybride Agent-Deterministisch Paradigma: ASPO gaat verder dan puur beleidsleren door multi-agent LLM-redenering te integreren met een deterministische validatiekern. Dit maakt complexe besluitvorming mogelijk terwijl onveilige of onhaalbare acties op runtime worden voorkomen.
2. Deterministische Handhaving van Beveiligingssamenstelling: De auteurs reformuleren de selectie van mitigatie als een optimalisatieprobleem in een gesloten wereld. Ze garanderen conflictvrije samenstelling en naleving van latentie/energiebudgetten als harde beperkingen bij elke beslissingsperiode, in plaats van zachte straffen.
3. Operationele Validatie op Randtestbeds: Het systeem is geïmplementeerd op een gedistribueerd randgateway-testbed (10 Raspberry Pi 4-nodes) en geëvalueerd met de Bot-IoT dataset met herhaalde aanvalsverkeer (500 en 1000 beslissingsperioden).

4. Experimentele Resultaten

De evaluatie toonde aan dat ASPO invariante veiligheids eigenschappen bereikt en verbeterde efficiëntie onder schaling van de werklast:

• Veiligheidshandhaving: De deterministische poort fungeert als een strikte filter. Bij de werklast van 1000 runs werden 99,5% van de door de LLM gegenereerde kandidaatplannen afgewezen vanwege beperkingsovertredingen (conflicten, middelenlimieten of volgordeproblemen), waardoor slechts een kleine, geverifieerde set overbleef voor uitvoering. Dit bevestigt dat het systeem veiligheid prioriteert boven activeringsfrequentie.
• Stabiliteit & Consistentie:
  • Patroonranking: De selectie van beveiligingspatronen bleef perfect stabiel over werklasten (Spearman-rangcorrelatie = 1,0), wat aangeeft dat er geen drift in de beslissingslogica is.
  • Poort-Audit Overeenkomst: Er was 100% overeenstemming tussen de deterministische poort en de audit-agent over goedgekeurde plannen.
• Rand-efficiëntie (Tail-latentie & Energie):
  • Het verhogen van de beslissingsdiepte (van 500 naar 1000 runs) leidde niet tot een toename van de mediane latentie of energieverbruik.
  • Cruciaal is dat het de kosten in extreme gevallen aanzienlijk verminderde:
    • P99 Latentie nam af met 21,9% (van 36,0s naar 28,1s).
    • P99 Energie nam af met 23,1% (van 216J naar 166J).
  • Dit suggereert dat diepere exploratie het systeem in staat stelt "tail"-inefficiënties te filteren, wat leidt tot voorspelbaardere prestaties.
• Robuustheid: Het systeem behield consistent gedrag over verschillende bedreigingstypen (DDoS, DoS, Botnet, etc.) en vertoonde geen statistisch significante bias ten opzichte van specifieke aanvalscategorieën.

5. Betekenis

Dit werk adresseert een kritieke kloof in autonome cyberbeveiliging voor IoT. Het toont aan dat LLM's veilig kunnen worden ingezet in veiligheidskritieke, omgevingen met beperkte middelen als hun stochastische aard wordt ingesloten binnen een rigoureuze, deterministische besturingslus.

• Verschuiving van Beleidsleren naar Deliberatie: ASPO herformuleert verdediging op runtime van het leren van een beleid naar het uitvoeren van begrenste, verifieerbare deliberatie.
• Voorspelbaarheid: Door harde beperkingen af te dwingen, zorgt ASPO ervoor dat randgateways niet crashen of onresponsief worden door uitputting van middelen, een veelvoorkomende faalmodus in adaptieve AI-systemen.
• Praktische Implementatie: De resultaten bewijzen dat complexe, multi-agent redenering kan worden geïntegreerd in randapparaten zonder afbreuk te doen aan de strikte veiligheids- en haalbaarheidsgaranties die vereist zijn voor beveiliging van IoT in de echte wereld.

Concluderend biedt ASPO een blauwdruk voor betrouwbare autonome verdediging, waarbij wordt aangetoond dat het combineren van de redeneercapaciteit van LLM's met de strengheid van deterministische optimalisatie systemen oplevert die zowel aanpasbaar als veilig zijn.