في عالم الذكاء الاصطناعي، تُعتبر هيكلية الرسم البياني (graph topology) من العوامل الأساسية التي تحدد كمية تسرب الذاكرة (memory leakage) في أنظمة LLM متعددة الوكلاء (Multi-Agent Language Models). ورغم أهميتها الكبيرة، لا تزال آثارها موضع تساؤل ونقص في القياس الدقيق. هنا، نقدم إطار عمل جديد يُسمى MAMA (Multi-Agent Memory Attack)، الذي يُتيح تقييمًا مُراقَبًا لمقارنة تسرب الذاكرة بناءً على هيكلية الرسم البياني في هذه الأنظمة.

يعتمد نموذج MAMA على وثائق صناعية تحتوي على معلومات شخصية مُعَرَّفة (Personally Identifiable Information - PII)، والتي نستخدمها لتوليد تعليمات مُعقَّمة للمهام. يتم تنفيذ بروتوكول من مرحلتين: المرحلة الأولى تُعرف باسم Engram (حيث يتم إدخال معلومات خاصة في ذاكرة الوكيل المستهدف)، بينما المرحلة الثانية تُسمى Resonance (حيث يتم تفاعل متعدد الجولات يحاول فيه المهاجم استخراج المعلومات).

على مدى 10 جولات، نقوم بقياس التسرب باستخدام معيار استرداد ذي مرحلتين يجمع بين استخراج المطابقة الدقيقة (exact-match extraction) واستدلالات تعتمد على نماذج اللغة في الناتج النهائي للمهاجم. تم تقييم ست هيكليات نموذجية (complete, circle, chain, tree, star, star-ring) عبر أبعاد متعددة من حيث وضعيات المهاجم والهدف، والنماذج الأساسية.

تؤكد النتائج على أن الارتباط الكثيف، المسافة الأقصر بين المهاجم والهدف، والتمركز الأعلى للهدف تزيد من مستويات التسرب. كما تشير النتائج إلى أن أغلب التسرب يحدث في الجولات الأولى ثم يستقر لاحقًا. إضافةً إلى ذلك، اختيار النموذج يؤثر على معدلات التسرب المطلقة لكنه يحافظ على الاتجاهات الهيكلية العامة. مما لوحظ أيضًا أن الخصائص المكانية الزمنية (spatiotemporal/location attributes) تتسرب بشكل أسهل مقارنةً بمعايير الهوية أو المعرفات المنظمة.

من خلال هذا البحث، نقدم إرشادات عملية لتصميم الأنظمة: يُفضل استخدام الاتصال النادر أو الهرمي، وزيادة المسافة بين المهاجم والهدف، وتقييد مسارات المحور/الاختصارات من خلال قيود الوصول المعتمدة على الهيكلية. كل ما سبق يعكس أهمية فهم كيفية تأثير الهيكلية على تسرب الذاكرة في أنظمة الذكاء الاصطناعي، وكيف يمكن تحسين تصميم هذه الأنظمة لتحقيق أمان أعلى.