ACF: 인지 불균형 환경에서의 에이전트 은밀 통신을 위한 협력적 프레임워크

ACF: A Collaborative Framework for Agent Covert Communication under Cognitive Asymmetry

생성형 인공지능의 발전과 함께 자율 에이전트 네트워크는 상호 작용적인 은밀 통신을 위한 강력한 패러다임을 제시합니다. 그러나 에이전트가 환경과의 상호 작용을 통해 내부 기억을 동적으로 업데이트하므로, 기존 방법은 심각한 구조적 취약점인 '인지 불균형'에 직면합니다. 기존 접근 방식은 인코더와 디코더 간의 동일한 시퀀스 접두사를 요구하는 엄격한 인지 대칭을 필요로 합니다. 하지만 동적인 환경에서는 불가피하게 발생하는 접두사 불일치가 동기화를 파괴하여 심각한 채널 저하를 초래합니다. 이러한 인지 불균형의 핵심 문제를 해결하기 위해, 우리는 통계적 및 인지적 계층을 통해 은밀 통신과 의미 추론을 구조적으로 분리하는 비대칭 협력 프레임워크(ACF)를 제안합니다. ACF는 공유된 스테가노그래피 구성을 통해 접두사 독립적인 디코딩 패러다임을 사용하여 인지 대칭에 대한 의존성을 제거합니다. 실제 메모리 기반 워크플로우에 대한 실험 결과, 심각한 인지 불균형 환경에서 기존의 대칭 방식은 심각한 채널 저하를 겪는 반면, ACF는 의미 충실도와 은밀 통신 모두에서 뛰어난 성능을 보임을 보여줍니다. ACF는 계산적인 구별 불가능성을 유지하여 검증 가능한 오류 경계를 갖는 안정적인 비밀 추출을 가능하게 하며, 현대 에이전트 네트워크를 위한 강력한 유효 정보 용량(Effective Information Capacity)을 보장합니다.

As generative artificial intelligence evolves, autonomous agent networks present a powerful paradigm for interactive covert communication. However, because agents dynamically update internal memories via environmental interactions, existing methods face a critical structural vulnerability: cognitive asymmetry. Conventional approaches demand strict cognitive symmetry, requiring identical sequence prefixes between the encoder and decoder. In dynamic deployments, inevitable prefix discrepancies destroy synchronization, inducing severe channel degradation. To address this core challenge of cognitive asymmetry, we propose the Asymmetric Collaborative Framework (ACF), which structurally decouples covert communication from semantic reasoning via orthogonal statistical and cognitive layers. By deploying a prefix-independent decoding paradigm governed by a shared steganographic configuration, ACF eliminates the reliance on cognitive symmetry. Evaluations on realistic memory-augmented workflows demonstrate that under severe cognitive asymmetry, symmetric baselines suffer severe channel degradation, whereas ACF uniquely excels across both semantic fidelity and covert communication. It maintains computational indistinguishability, enabling reliable secret extraction with provable error bounds, and providing robust Effective Information Capacity guarantees for modern agent networks.