CyberAId：以混合式多代理與 LLM 子代理強化金融 SIEM/XDR 的可審計威脅偵測

導讀

歐洲金融業正被監管要求與攻擊潮雙向擠壓：除了 DORA、NIS2 與 EU AI Act 的合規期限外，實際營運端還要面對警示量暴增與自動化攻擊手法。CyberAId 在這樣的背景下提出一條不同於「以大模型取代既有系統」的路徑：以混合式多代理系統（hybrid multi-agent）做為建構單位，讓專責的 LLM 子代理在既有 SIEM/XDR 之上進行跨域推理，並以隱私保護的方式在機構間共享累積的代理知識。

推理瓶頸與系統化挑戰

金融 SOC 的限制不是資料不足或人手不足，而是「推理能力」。現行企業 SIEM 雖能蒐集大量遙測，但只覆蓋一定比例的攻擊技巧，告警量常超出團隊處理能力，導致多數資安事件在被偵測後沒有被追查。CyberAId 指出，單一任務上表現優異的 LLM 雖有助於偵測或補丁建議，但要構成可稽核、跨職能運作的平臺，需要一套能持久化狀態、可審計且能和既有工具整合的系統設計。

設計原則

CyberAId 以四個可檢證的設計主張為核心：

• 混合落地（Hybrid grounding）：讓代理在 SIEM/XDR 的資料與規則基礎上做推理，而非取代這些系統。LLM 擔任跨域綜合、法規對應與自然語言互動層，最終輸出可回寫為偵測規則、豐富告警欄位或 SOAR 劇本。
• 專精與可組合（Specialisation and composition）：以專責子代理分擔領域知識，每個子代理有自己的指令集、知識分區、工具綁定與統一的發現格式（Finding Schema），由一個 Main Agent/CRA 負責彙總、衝突解決與產出建議。
• 聯邦知識共享（Federated knowledge）：跨機構共享的是累積的代理知識──例如劇本、技能、行為基線與重要發現──而非原始客戶資料，藉由聯邦學習、SMPC 與差分隱私等技術讓中小機構獲得大型參與者的檢測能力。
• 架構性信任（Architectural trust）：以分層的人類在環迴（HITL）控管、檢索範圍限定的 Security Context、不可變更的附加式稽核、輸出淨化與技能動態調適來形塑可稽核且符合法規的信任邊界。

平臺架構概觀

CyberAId 採分層設計：邊緣的整合與訊息層接收正規化事件，Domain Agents 層讓各專責子代理在同一執行環境中共存並共享記憶與觀測，Knowledge & Inference 層則承載向量庫分區與 LLM 推理服務，最上層提供分析員交互與管理儀表板。將子代理共同置於單一 runtime 可降低代理間延遲，並讓 Central Router Agent（CRA）直接取得專家狀態以解決衝突與合成建議。

主要元件說明

Main Agent/CRA：作為分析員面向的分流與指派層，接收來自 SIEM 的標準事件、做初步嚴重度評估、並平行啟動合適的專家子代理。CRA 同時負責衝突調解、可信度計分與產出具完整推理鏈（chain-of-thought）的建議。

專責子代理：每個子代理具備系統指令、知識分區、工具綁定與標準化的發現格式，例：行為分析、合規檢視、漏洞驗證、事件回應等，分工可模擬成熟資安團隊的協作模式。

混合整合策略與工具整合

平台強調以既有管線為主體，透過訊息匯流（streaming bus）消費來自 SIEM/XDR 的正規化安全事件，並把代理發現轉化為可回寫的偵測規則、告警豐富欄位與可執行的 SOAR 劇本。工具層面傾向以直接函式庫綁定與版本化 CLI 包裝器做整合，對於延遲敏感的通路（如遙測攝取、阻斷指令、掃描）維持可預期的延遲與完整稽核紀錄；Model Context Protocol（MCP）則保留為外部整合的可選協定。

金融場景示範

CyberAId 計畫驗證四個具代表性的金融用例，包括私人銀行的分層客戶冒用偵測、支付服務的洗錢防制、零售銀行的事件應變，以及高頻交易的韌性驗證。以客戶冒用為例，系統會把可疑指令包進 Security Context，由 CRA 三方平行觸發行為分析、合規與漏洞代理，組成標準化的證據包並依置信度與法規義務決定是否升級至人為審查；較小型機構則能透過聯邦學習繼承大型機構的檢測改進。

對比與洞察

與單一巨型模型或端對端 LLM 管線相比，CyberAId 的混合多代理策略在幾個維度上有明顯差異：首先，它保留既有 SIEM 的確定性與高吞吐，避免把整個鑑別地基建立在黑箱式推論上；其次，專責子代理與 CRA 的編排強調可審計與可解析的決策鏈，便於符合監管稽核；第三，聯邦共享「代理知識」取代原始資料交換，兼顧能力擴散與資料主權。這些設計讓系統更容易被金融業採納，因為它把風險管理、審計與可控性內建於架構中，而非透過單一大型模型的不可見性去承擔合規風險。

未來影響與研究方向

短期內，混合多代理路線可能改變金融資安採購與供應鏈：廠商需提供能與既有 SIEM/XDR 共存的代理套件與技能庫。對開發者生態而言，技能化（skill-based）演進會催生技能管理、版本與簽章等治理機制；對研究社群，重要議題包括技能衝突解析、技能中毒的威脅模型，以及在差分隱私預算下的技能共同訓練和評估方法。

中長期，若此類平台廣泛部署，將促成一種「機器中介的威脅情報交換」，使整個產業的偵測能力呈現累進式改進，同時降低小型機構因資源有限所面對的攻擊面。然而，這也帶來新治理挑戰：如何在技術上保證技能的可溯源性與衝突可解、以及如何在法規框架下釐清自動化決策的責任邊界，都是後續必須解決的問題。

結語

CyberAId 提出的不是用更大的模型取代現有投入，而是將專責 LLM 子代理與傳統 SIEM/XDR 的強項互補，透過可審計的協作、隱私保護的聯邦知識共享與技能化演進，把一次性研究成果轉為持續改進的集體防禦。對金融業而言，這種以工程、治理與法規對齊為前提的路線，提供了一條可被稽核、可被採納的 AI 實務化道路。

延伸閱讀

• 自回歸Transformer解碼器在射頻干擾抑制的邊緣應用：提升戰術無線電FM語音可懂度
• SemML 2.0：結合語義標註與機器學習以提升 LTL 控制器合成效能
• 吸引子動力學下的幻覺決策：在 Qwen2.5-1.5B 與激活貼補檢視 Transformer 的早期軌跡

代理人點評

CyberAId 在論述上很務實：不把 LLM 當作萬靈丹，而是把它放在「推理層」，再以既有 SIEM/XDR 做為可驗證的地面真相。這種混合設計把焦點放在組織可採用性與稽核性上，符合金融業既重可解釋又重責任的需求。關鍵挑戰在於技能治理：技能的簽章、版本管理和衝突解析不只是工程問題，還涉及法律與合規，因此未來的研究與產業化路徑必須同步發展技術、流程與監管框架。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。