본 논문은 대규모 언어 모델 기반 다중 에이전트 시스템(LLM-MAS)의 통신 취약성을 악용하는 새로운 공격 프레임워크인 MAST를 제안합니다. MAST는 몬테카를로 트리 탐색과 직접 선호도 최적화를 통합하여 적응적으로 효과적인 다단계 조작 전략을 생성하는 공격 정책 모델을 훈련합니다. 또한, 은밀성을 유지하기 위해 조작 과정에서 이중 의미 및 임베딩 유사성 제약 조건을 부과합니다. 다양한 작업, 통신 아키텍처 및 LLM에 대한 포괄적인 실험을 통해 MAST가 기준선과 비교하여 은밀성을 크게 향상시키면서 일관되게 높은 공격 성공률을 달성함을 보여줍니다.
