Z²-ACT combina LLM, prova de conhecimento zero e zero-trust para controlar agentes de IA em redes 6G abertas
A arquitetura Z²-ACT integra tradução de intenção via LLM, contratos formais de intenção, verificação zero-trust de prompt e auditoria criptográfica para manter agentes de IA que controlam redes 6G abertas e multi-fornecedor seguros e auditáveis mesmo sob entradas não confiáveis. Testes sobre medições públicas do ColO-RAN mostram melhor filtragem de ações e maior resiliência a ataques, com custo modesto de latência frente a uma baseline de aprendizado por reforço convencional.
Redes de acesso rádio 6G abertas e desagregadas (Open RAN) são desenhadas para hospedar equipamento e software de múltiplos fornecedores no mesmo ambiente, o que aumenta a superfície de risco quando parte do controle é delegado a loops de IA agentic operando sobre entradas potencialmente não confiáveis e intenções concorrentes de diferentes operadores. Trabalhos anteriores atacaram pedaços isolados desse problema — coordenação de agentes, restrições formais de intenção, verificação de prompt zero-trust, contabilidade criptográfica — mas isoladamente nenhum cobre verificação semântica contínua e auditoria cross-domain de ponta a ponta.
A proposta Z²-ACT (zero-knowledge auditable control + zero-trust verifiable agentic intent) integra os quatro primitivos num só desenho, atuando tanto no controlador near-real-time quanto no non-real-time do RAN. No caminho non-real-time, um LLM traduz intenções do operador em 'Contratos de Intenção' tipados; essas entradas só são admitidas depois de passar por uma checagem adversarial prática de intenção. Sequências de ações ('skills') só são liberadas quando um portão de auto-gestão é satisfeito, e cada execução bem-sucedida é registrada como um compromisso vinculante acompanhado de uma prova de conhecimento zero, criando uma trilha de auditoria criptográfica entre domínios sem expor os dados subjacentes.
Os experimentos, feitos sobre medições públicas do ColO-RAN comparando a arquitetura completa contra versões com componentes removidos (ablações) e contra uma baseline convencional de aprendizado por reforço, reportam melhor filtragem de atuação e maior resiliência a ataques com custo modesto de latência e sinalização dentro do orçamento near-real-time — inclusive medindo taxa de contratos inválidos/alucinados gerados pelo LLM sob intenções adversariais ou enganosas, uma métrica pouco comum mas relevante para avaliar confiabilidade de tradução de linguagem natural para ação em infraestrutura crítica.
O interesse aqui é duplo: de um lado, é um caso concreto de IA como alvo (o próprio LLM que traduz intenção pode ser manipulado por prompt adversarial vindo de um operador malicioso ou comprometido) e como ferramenta (o LLM decide ações de rede real); de outro, mostra um padrão de design — validar antes de admitir, provar sem revelar, registrar de forma vinculante — que pode servir de referência para qualquer ambiente crítico multi-tenant que queira delegar controle a agentes de IA sem abrir mão de auditabilidade.