Exploring LLM-Based Multi-Agent Situation Awareness for Zero-Trust Space-Air-Ground Integrated Network

June 4, 2026 · View on GitHub

论文已发表在IEEE JSAC，链接：https://ieeexplore.ieee.org/document/10963886

LLM‑SA 提供两个面向安全场景的 Agent，分别用于“策略生成”和“风险评分”。它们基于 Meta‑Llama‑3‑8B‑Instruct 与对应的 LoRA 适配权重进行推理。

Strategy Agent

输入：安全事件/描述文本以及候选策略集合提示
功能：根据描述生成严格的策略列表
输出：逐条生成的策略列表，便于后续评估或比对
依赖：基础模型与策略生成 LoRA（示例名称：llama3_lora_strategy）

Scoring Agent

输入：安全事件/描述文本
功能：生成七项指标（Attack Vector、Attack Complexity、Privileges Required、User Interaction、Confidentiality/Integrity/Availability Impact），并依据评分公式计算数值分
输出：每条输入对应的数值分（0–10，包含 Impact 与 Exploit 的合成分）
依赖：基础模型与评分 LoRA（示例名称：llama3_lora_scoring）

data

模型部分数据集

环境与依赖

Python ≥ 3.8
项目依赖见 requirements.txt

模型资源

需要本地或可访问的基础模型目录：Meta‑Llama‑3‑8B‑Instruct
需要对应 LoRA 权重目录：llama3_lora_strategy 与 llama3_lora_scoring

部署与运行

环境准备

操作系统：Windows / Linux / macOS，已安装 git 与 python（建议 3.10+）
硬件：支持 CUDA 的 GPU（推荐）；如无 GPU 可用 CPU 运行但速度较慢
依赖安装：
- cd LLM-SA
- python -m venv .venv
- 激活虚拟环境后执行
- pip install -r requirements.txt

模型与适配器

基础模型：Meta‑Llama‑3‑8B‑Instruct
- 方式一（直接用模型 ID 在线加载）：在命令行中将 --model_path 设为 meta-llama/Meta-Llama-3-8B-Instruct，需要先完成 Hugging Face 账户登录与许可：
  - pip install huggingface_hub
  - huggingface-cli login
  - 在 Hugging Face 上接受该模型的使用协议
- 方式二（本地缓存/下载）：将模型下载到本地目录，并把 --model_path 指向该目录，例如：
  - huggingface-cli download meta-llama/Meta-Llama-3-8B-Instruct --local-dir ./Meta-Llama-3-8B-Instruct
LoRA 适配器：仓库已包含 ./llama3_lora_scoring 与 ./llama3_lora_strategy，分别用于评分与策略生成。

运行评分 Agent

示例命令（GPU）：
- python "Scoring agent/scoring_agent.py" --model_path meta-llama/Meta-Llama-3-8B-Instruct --lora_path ./llama3_lora_scoring --device cuda:0 --max_new_tokens 256 --input_file "./data/test dataset.txt" --output_file ./output/scores.txt
示例命令（CPU）：
- python "Scoring agent/scoring_agent.py" --model_path meta-llama/Meta-Llama-3-8B-Instruct --lora_path ./llama3_lora_scoring --device cpu --max_new_tokens 128 --input_file "./data/test dataset.txt" --output_file ./output/scores.txt
运行结果：每行一个 0–10 的风险分，写入 ./output/scores.txt。

运行策略 Agent

示例命令（GPU）：
- python "Strategy agent/strategy_agent.py" --model_path meta-llama/Meta-Llama-3-8B-Instruct --lora_path ./llama3_lora_strategy --device cuda:0 --max_new_tokens 256 --input_file "./data/test dataset.txt" --output_file ./output/strategies.txt
示例命令（CPU）：
- python "Strategy agent/strategy_agent.py" --model_path meta-llama/Meta-Llama-3-8B-Instruct --lora_path ./llama3_lora_strategy --device cpu --max_new_tokens 128 --input_file "./data/test dataset.txt" --output_file ./output/strategies.txt
运行结果：按行输出模型生成的严格列表格式字符串，写入 ./output/strategies.txt。

运行后端 API

在仓库根目录执行：
- uvicorn backend.main:app --host 0.0.0.0 --port 8000
可用接口：
- GET /health
- POST /score
- POST /strategy

常见问题

Hugging Face 权限错误（如 403）：请登录并在页面上接受模型许可，再运行命令。
无 GPU 或显存不足：将 --device 设为 cpu 或降低 --max_new_tokens。
路径包含空格：命令中请用引号包裹路径，例如 "./data/test dataset.txt"。
bfloat16 不支持：如出现 dtype 相关错误，可在本地调整加载精度为 float16/float32（需要修改代码中模型加载的 torch_dtype），或改用 CPU 运行。

引用

如果参考了我们的代码，请引用以下文章：

@ARTICLE{10963886,
   author={Cao, Xinye and Nan, Guoshun and Guo, Hongcan and Mu, Hanqing and Wang, Long and Lin, Yihan and Zhou, Qinchuan and Li, Jiayi and Qin, Baohua and Cui, Qimei and Tao, Xiaofeng and Fang, He and Du, Haitao and Quek, Tony Q. S.},
   journal={IEEE Journal on Selected Areas in Communications},
   title={Exploring LLM-Based Multi-Agent Situation Awareness for Zero-Trust Space-Air-Ground Integrated Network},
   year={2025},
   volume={43},
   number={6},
   pages={2230-2247},
   keywords={Satellites;Security;Space-air-ground integrated networks;Satellite broadcasting;Feature extraction;Zero Trust;Protocols;Vehicle dynamics;Network security;Low earth orbit satellites;Space-air-ground integrated network;zero trust;LLM-based multi-agent;situation awareness},
   doi={10.1109/JSAC.2025.3560042}
}