[論文レビュー] Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework

Hongjuan Li, Hui Kang+7 more|arXiv (Cornell University)|Jan 25, 2026

Network Security and Intrusion Detection被引用数 0

ひとこと要約

論文はLAE-IoTネットワークにおける侵入検知のためのLLM対応のマルチエージェントAIフレームワークを提案し、ベンチマーク全体で90%以上の分類精度を達成します。

ABSTRACT

The rapid expansion of low-altitude economy Internet of Things (LAE-IoT) networks has created unprecedented security challenges due to dynamic three-dimensional mobility patterns, distributed autonomous operations, and severe resource constraints. Traditional intrusion detection systems designed for static ground-based networks prove inadequate for tackling the unique characteristics of aerial IoT environments, including frequent topology changes, real-time detection requirements, and energy limitations. In this article, we analyze the intrusion detection requirements for LAE-IoT networks, complemented by a comprehensive review of evaluation metrics that cover detection effectiveness, response time, and resource consumption. Then, we investigate transformative potential of agentic artificial intelligence (AI) paradigms and introduce a large language model (LLM)-enabled agentic AI framework for enhancing intrusion detection in LAE-IoT networks. This leads to our proposal of a novel multi-agent collaborative intrusion detection framework that leverages specialized LLM-enhanced agents for intelligent data processing and adaptive classification. Through experimental validation, our framework demonstrates superior performance of over 90\% classification accuracy across multiple benchmark datasets. These results highlight the transformative potential of combining agentic AI principles with LLMs for next-generation LAE-IoT security systems.

研究の動機と目的

• 動的な3Dモビリティ、限られたリソース、リアルタイムニーズを伴うLAE-IoTにおける侵入検知の課題を分析する。
• LAE-IoTセキュリティ性能に適した評価指標（検知、応答時間、エネルギー）を評価する。
• LLM対応のエージェント的AIフレームワークを提案し、LAE-IoTにおけるプロアクティブで協調的な防御を実現する。
• 従来のIDSと比較した実用的なデプロイと性能向上を示すケーススタディを実証する。

提案手法

• 知覚、記憶、推論、行動コンポーネントを備える一般的なエージェント的AIフレームワークを提示する。
• 協調検知のための3エージェント構成（知覚/記憶、推論、分類）を導入する。
• 拡散モデルを用いたTrafficの2D表現に対する自己教師付き特徴学習を用いて再利用可能な記憶を形成する。
• オフラインのLLM主導の知識生成を用いて特徴選択を最適化（PSOベース）し、オンラインのゼロショット推論で特徴マスキングを行う。
• リアルタイムデバイスリソースに応じて lightweight online classifiers（例：LightGBM）を展開する。
• 重い処理を地上/エッジサーバで実行するオフライン–オンラインデプロイメント戦略を採用し、空中ノードは軽量推論を実行する。

実験結果

リサーチクエスチョン

• RQ1 LAE-IoTネットワークにおける独自のIDS課題は何か。従来の地上ネットワークとどう異なるか。
• RQ2 LLM対応のエージェント的AIは動的なLAE-IoTトポロジに適した proactive、適応的、協調的な侵入検知を提供できるか。
• RQ3 知覚、記憶、推論、行動をLAE-IoTセキュリティの実践的なフレームワークに統合するにはどうすればよいか。
• RQ4 提案フレームワークをベンチマークデータセットで適用した場合の性能向上（精度、待機時間、リソース使用）とは何か。

主な発見

• フレームワークは複数のベンチマークデータセットにおいて90%以上の分類精度で優れた性能を達成する。
• オフラインのLLM駆動プロセスがPSO特徴選択を最適化し、オンラインでのクエリを迅速化するための堅牢な知識リポジトリを構築する。
• 記憶コンポーネントは普遍的な健全なトラフィック表現を保存し、新しい攻撃へのFew-shot適応を可能にする。
• オンラインの推論を導く、動機付け型の軽量分類器がデバイスリソース制約に適応し、レイテンシとエネルギー使用を最小化する。
• オフライン–オンライン展開戦略により空中ノードのリアルタイム計算負荷を削減しつつ高い検知性能を維持する。