LCGuard Corrige Vazamento de KV-Cache em Sistemas Multi-Agent

Pesquisadores do Rensselaer Polytechnic Institute e IBM Research publicaram o LCGuard, um framework que intercepta e desinfeta payloads de cache KV de transformers antes de cruzarem limites de agentes em sistemas multi-agent com LLM. Fecha um canal de vazamento que ferramentas de segurança existentes ignoram completamente.

A ameaça é simples. Caches KV codificam a entrada contextual completa, o estado de raciocínio intermediário e a estrutura de atenção do agente gerador. Quando um agente downstream consome esse cache diretamente — como frameworks como LatentMAS e KVComm foram projetados para habilitar — ele também ingere uma representação de alta largura de banda e semanticamente densa de tudo que o agente upstream processou. Um adversário com acesso de leitura ao cache compartilhado, através de um agente comprometido, um sidecar de logging ou um modelo auxiliar, pode treinar um decodificador para reconstruir entradas sensíveis em tempo de inferência. O ataque opera inteiramente em nível de representação.

O LCGuard formaliza isso como uma ameaça de reconstrução: um artefato de cache é classificado como inseguro se um decodificador adversarial pode recuperar entradas sensíveis específicas do agente dele. O framework envolve um loop de treinamento adversarial em torno da camada de compartilhamento de cache. O adversário aprende a reconstruir entradas sensíveis a partir de tensores de cache transmitidos. LCGuard aprende simultaneamente transformações em nível de representação que degradam fidelidade de reconstrução preservando semântica relevante para tarefa. O resultado é um passo de desinfecção de cache que executa antes de qualquer artefato cruzar um limite de agente, visando topologias multi-agent sequenciais, hierárquicas e baseadas em grafo.

Resultados empíricos em múltiplas famílias de modelo e benchmarks multi-agent mostram que o LCGuard reduz consistentemente vazamento baseado em reconstrução e taxas de sucesso de ataque comparado a baselines de compartilhamento KV padrão. O paper não divulga pontuações exatas de reconstrução, deltas de acurácia de tarefa, overhead de latência ou custo de memória. A alegação de "desempenho competitivo em tarefas" não é quantificada.

LCGuard adiciona uma camada de transformação aprendida para cada transferência de cache inter-agente. Essa transformação deve ser treinada por família de modelo, o que significa que custo de onboarding escala com o número de emparelhamentos distintos de modelo em uma implantação. O paper não divulga nenhum orçamento de latência para o passo de desinfecção em si, nenhuma penalidade de throughput de token e nenhum overhead de memória GPU relativo ao compartilhamento de cache bruto. Para um sistema já pagando o prêmio de computação de comunicação latente sobre mensageria de agente baseada em texto, um overhead adicional não divulgado é um risco de integração real.

A superfície de ataque que o LCGuard endereça está expandindo. Trabalho relacionado em NDSS demonstrou que compartilhamento desprotegido de KV-cache em ambientes multi-tenant habilita reconstrução de prompt em taxas quase perfeitas. O caso de comunicação latente estudado aqui é distinto — compartilhamento de cache intencional entre agentes cooperativos em vez de vazamento cross-tenant — mas a vulnerabilidade subjacente é a mesma: tensores KV não são opacos. Qualquer time usando LatentMAS, KVComm ou frameworks similares para passar memória de trabalho entre agentes deve tratar esse canal como equivalente a passar texto plano até ter controles de vazamento explícitos em lugar.

O paper vem do IBM Research e RPI. Nenhuma evidência de implantação de produção ou lançamento de código aberto está vinculada. Estabelece o modelo de ameaça e uma receita de treinamento adversarial. Não entrega uma biblioteca pronta. Se você está usando passagem de KV-cache como substrato de comunicação inter-agente para eficiência, você agora tem uma classe de ataque documentada e uma abordagem de mitigação baseada em treinamento — mas você precisará implementar, fazer benchmark e ajustar a camada de transformação do LCGuard você mesmo antes de embarcá-lo contra workloads sensíveis.