간접 프롬프트 인젝션이 LLM 에이전트를 공격할 때 로그로 남는 도구 호출 궤적을 분석해 침해 여부·침입 지점·저항 성공 여부를 한 번에 답하는 '드리프트넷(DriftNet)'이 제안됐다. 이 이중 헤드 트랜스포머는 궤적 전체가 침해됐는지 분류하는 헤드와 각 단계를 정상·침입지점·탈취됨·실패한침입 네 가지로 라벨링하는 헤드를 동시에 갖춰, 이 세 가지 정보를 동시에 제공하는 최초의 지도학습 탐지기다. 모델은 고정된 문장 인코더와 신원 정보 없는 4가지 세계 특징만으로 각 단계를 임베딩하며 200만 개 미만의 파라미터로 작동한다. 12,536개 궤적·71,024개 라벨링 단계로 구성된 AgentDrift 벤치마크에서 궤적 수준 F1 0.983, 공격받은 궤적의 98.7%에서 침입 지점을 정확히 복원했고, 저항에 성공한 218건에는 오탐이 전혀 없었으며 어려운 정상 사례에는 2.9%만 오탐해, 동일 데이터로 재학습한 표면적 기준선을 크게 앞섰다.

• •DriftNet, 간접 프롬프트 인젠션 침해 여부·침입 지점·저항 성공 여부를 한 번에 판별하는 이중헤드 트랜스포머
• •200만개 미만 파라미터의 경량 모델로 에이전트 모델 자체에 접근할 필요 없이 작동
• •AgentDrift 벤치마크(12,536개 굤적)에서 굤적수준 F1 0.983, 침입지점 정확 복원율 98.7% 달성
• •저항 성공 사례 218건에 오탐 0건, 어려운 정상 사례 오탐률 2.9%에 불과
• •동일 데이터 재학습한 표면적 기준선 대비 부분탈취 탐지 98.6%·지연실행 탐지 93.2%로 대폭 향상