[논문 리뷰] Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework

Hongjuan Li, Hui Kang외 7명|arXiv (Cornell University)|2026. 01. 25.

Network Security and Intrusion Detection인용 수 0

한 줄 요약

본 논문은 LAE-IoT 네트워크에서 침입 탐지를 위한 LLM-enabled, 다중 에이전트 에이전트 AI 프레임워크를 제안하며 벤치마크에서 90% 이상의 분류 정확도를 달성한다.

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.

연구 동기 및 목표

• 동적 3D 이동성, 제한된 자원 및 실시간 요구가 있는 LAE-IoT에서 침입 탐지 도전 과제를 분석한다.
• LAE-IoT 보안 성능에 적합한 평가 지표를 평가한다(탐지, 응답 시간, 에너지).
• LAE-IoT에서 선제적이고 협력적인 방어를 위한 LLM-enabled 에이전트 AI 프레임워크를 제안한다.
• 전통적 IDS보다 실용적 배치 및 성능 향상을 보여주는 사례 연구를 시연한다.

제안 방법

• 지각, 기억, 추론, 행동 구성요소를 갖춘 일반적인 agentic AI 프레임워크를 제시한다.
• 협업 탐지를 위한 세 에이전트 아키텍처(지각/기억, 추론, 분류)를 도입한다.
• 확산 모델을 통해 트래픽의 2D 표현에 대한 자기지도 학습을 사용하여 재사용 가능한 기억을 형성한다.
• 오프라인 LLM-가이드 지식 생성을 활용하여 특징 선택을 최적화하고(PSO 기반) 특징 마스킹을 위한 온라인 제로샷 추론을 수행한다.
• 실시간 기기 자원에 따라 선택된 경량 온라인 분류기(예: LightGBM)를 배치한다.
• 중요 처리 로직은 지상/엣지 서버에서 수행되고 항공 노드가 경량 추론을 실행하는 오프라인-온라인 배치 전략을 채택한다.

실험 결과

연구 질문

• RQ1 LAE-IoT 네트워크에서의 고유한 IDS 도전 과제는 무엇이며 전통적인 지상 기반 네트워크와 어떻게 다른가?
• RQ2 동적 LAE-IoT 토폴로지에 적합한 선제적이고 적응적이며 협업적인 침입 탐지를 LLM-enabled 에이전트 AI가 제공할 수 있는가?
• RQ3 지각, 기억, 추론, 행동을 LAE-IoT 보안을 위한 실용적 프레임워크에 어떻게 통합할 수 있는가?
• RQ4 제안된 프레임워크가 벤치마크 데이터셋에서 달성할 수 있는 성능 향상(정확도, 지연, 자원 사용)은 무엇인가?

주요 결과

• 본 프레임워크는 여러 벤치마크 데이터셋에서 90% 이상 분류 정확도로 우수한 성능을 달성한다.
• 오프라인 LLM-주도 프로세스가 PSO 특징 선택을 최적화하여 빠른 온라인 질의를 위한 강력한 지식 저장소를 구축한다.
• 메모리 구성요소가 보편적인 정상 트래픽 표현을 저장하여 새로운 공격에 대한 소수샷 적응을 가능하게 한다.
• 온라인 근거 가이드 경량 분류기가 장치 자원 제약에 적응하여 지연 시간과 에너지 사용을 최소화한다.
• 오프라인-온라인 배치 전략이 항공 노드의 실시간 계산 부하를 줄이면서 높은 탐지 성능을 유지한다.