[论文解读] 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 0

一句话总结

本文提出一个基于 LLM 的多代理人工智能框架，用于 LAE-IoT 网络的入侵检测，在基准数据集上实现超过 90% 的分类准确率。

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.

研究动机与目标

• 分析具有动态三维移动、资源受限和实时需求的 LAE-IoT 入侵检测挑战。
• 评估适用于 LAE-IoT 安全性能的评估指标（检测、响应时间、能耗）。
• 提出一个基于 LLM 的代理化 AI 框架，用于 LAE-IoT 的主动、协作防御。
• 展示一个案例研究，显示实际部署和相较于传统 IDS 的性能提升。

提出的方法

• 提出一个具有感知、记忆、推理和行动组件的通用代理化 AI 框架。
• 引入三代理架构（感知/记忆、推理、分类）以实现协同检测。
• 使用对交通的二维表示的自监督特征学习，通过扩散模型形成可复用的记忆。
• 利用离线的 LLM 指导知识生成来优化特征选择（基于 PSO）并进行在线零样本推理以进行特征屏蔽。
• 部署轻量级在线分类器（如 LightGBM），并根据实时设备资源进行选择。
• 采用离线-在线部署策略，其中重计算在地面/边缘服务器完成，空中节点运行轻量推理。

实验结果

研究问题

• RQ1 LAE-IoT 网络中的独特 IDS 挑战是什么，它们与传统地面网络有何不同？
• RQ2 基于 LLM 的代理化 AI 是否能够提供面向动态 LAE-IoT 拓扑的主动、适应性和协作的入侵检测？
• RQ3 如何将感知、记忆、推理和行动整合到一个可落地的 LAE-IoT 安全框架中？
• RQ4 在基准数据集上，所提框架能带来哪些性能提升（准确性、延迟、资源使用）？

主要发现

• 该框架在多个基准数据集上实现了超过 90% 的分类准确率，表现优越。
• 一个离线的 LLM 驱动过程优化 PSO 特征选择，建立可用于快速在线查询的鲁棒知识库。
• 一个记忆组件存储通用的正常流量表示，使对新攻击的少样本自适应成为可能。
• 一个在线的、推理引导的轻量分类器适应设备资源约束，最大程度降低延迟和能耗。
• 离线-在线部署策略在保证高检测性能的同时，降低了空中节点的实时计算负担。