Forskere presenterer L2M-AID, et rammeverk som kombinerer store språkmodeller med multi-agent forsterkende læring for autonomt forsvar av industrielle cyber-fysiske systemer.
L2M-AID bruker et stort språkmodell som en semantisk bro for å oversette ustrukturert telemetri til en kontekstualisert tilstandsrepresentasjon, som deretter gir grunnlag for et multi-agent RL-algoritme (MAPPO) til å lære kooperative forsvarsstrategier. Belønningsfunksjonen veier opp trussel-nøytralisering mot opprettholdelse av fysisk prosessstabilitet og straffer handlinger som forstyrrer driften. Metoden er validert på SWaT-benchmark og et syntetisk datasett basert på MITRE ATT&CK for ICS. Forfatterne rapporterer en deteksjonsrate på 97,2 %, over 80 % reduksjon i falske positiver og fire ganger raskere responstid sammenlignet med tradisjonelle IDS, dype læringsanomalidetektorer og enkeltagent RL-baserte metoder. Resultatene presenteres i en preprint sendt til IEEE TrustCom 2025 av Tianxiang Xu, Zhichao Wen, Xinyu Zhao, Jun Wang, Yan Li og Chang Liu. Dette er en sak i AI nyheter om kunstlig intelligens (KI) for sikkerhet.
Metoden retter seg mot sikring av industrielle kontrollsystemer og kritisk nasjonal infrastruktur, temaer som er relevante for norske IIoT- og industrimiljøer.
Kilde: https://arxiv.org/abs/2510.07363 | Sammendraget er KI-generert med OpenAI API av Ainy.no
