摘要
网络攻击在操作技术中日益频繁，导致高昂的停机和物理损害，暴露了传统基于规则的监控在工业物联网环境中的局限性。大型语言模型（LLMs）具备强大的语义推理能力，能够辅助决策支持，但其幻觉特性为闭环控制带来了不可接受的安全风险。
本文提出了一种神经代理控制框架，这是一种新颖的架构，将基于 LLM 的规划器（如 Gemini 2.5 Flash-Lite）与预训练的时间序列基础模型（TimesFM）结合，以实现基于物理的自主防御。本文引入了“反事实物理注入”机制，在执行之前模拟 LLM 提议的干预措施在基础模型的数值潜在空间中的影响，从而使系统能够拒绝幻觉或不安全的操作。
在工业数据集（例如，安全水处理（SWaT））上评估此框架在随机攻击场景中的表现，结果显示其优于 LSTM 和 TCN 基线。神经代理循环在阈值以下防止了五次违规（33.3%），而 LSTM 为 26.7%，TCN 为 13.3%，且执行的物理无效（幻觉）操作为零。这些结果证明了使用基础模型作为确定性“哨兵”来保护关键基础设施中的代理 AI 的有效性。
博主点评： 该研究展示了将 LLM 与物理基础模型结合的潜力，提供了一种创新的安全防护机制，尤其在工业 IoT 环境中，显著提高了对抗网络攻击的能力，值得进一步探索与应用。