论文提出跨界面授权协议保障AI智能体安全

该论文针对AI计算机使用智能体（Computer-use agents）通过图形界面、命令行、API及MCP服务器等多种通道执行操作时可能出现的授权绕过问题，提出了一种基于配置文件有界（profile-bounded）的协议。该协议旨在确保策略决策在不同执行路径下的一致性，防止攻击者利用替代路由篡改安全默认值或在授权状态变更后提交操作。 核心机制包括枚举所有产生影响的执行路径和持久化目标（sinks），检查路径到目标的强制切断点，并将具体请求归一化为标准效应。系统在执行前颁发绑定路径的准备票据，并在提交阶段再次验证路径、效应、授权、追踪记录、配置文件、库存及权威状态，最终结果必须获得一致的接收回执。参考配置注册了12类效应家族、5种接口和60条路径，两种运行时映射生成了3,464条追踪记录，覆盖1,732个场景，其中包含960次成功提交、2,312次拒绝以及192次重新准备后的提交。独立检查器接受了所有保留的追踪记录对，并拒绝了全部26个语义回归测试；覆盖率套件和归一化套件分别拒绝了24/24和720/720的变异体；168/168次提交探针均匹配声明结果。 事实层面，该研究提供了形式化证明，涵盖配置文件有界细化、效应匹配决策不变性、抵抗替代路由洗钱及跨表面重组、提交时状态安全等保证。推断层面，该协议为构建高安全性的AI Agent系统提供了可验证的工程框架，特别是解决了多模态交互环境下的权限控制难题。猜测层面，该方案在实际大规模部署中的性能开销及兼容性仍需进一步观察，但其在理论上的完备性已得到代码审计和形式化验证的支持。