본 논문은 대규모 언어 모델(LLM) 기반 다중 에이전트 시스템(MAS)의 협력적 추론 능력을 강화하면서도 악의적인 공격에 취약하다는 점을 해결하기 위해, 효율적인 분산 감사를 위한 프레임워크인 AgentShield를 제안한다. AgentShield는 (i) 위상 분석을 통한 고영향력 에이전트 우선 감사, (ii) 경량 센트리 모델을 사용한 빠른 차별적 검증을 위한 cascade 프로토콜, (iii) 불확실성 시에만 고비용 중재자를 트리거하여 글로벌 합의를 보장하는 두 라운드 컨센서스 감사를 포함하는 3단계 방어 체계를 도입한다. 실험 결과, AgentShield는 기존 방법 대비 92.5%의 복구율을 달성하고 감사 오버헤드를 70% 이상 줄이면서 다양한 MAS 토폴로지 및 적대적 시나리오에서 높은 협업 정확도를 유지한다.
