В марте 2026 года Cisco представила DefenseClaw — оркестрационный слой для агентного ИИ, который призван убрать главный барьер на пути enterprise-внедрения: отсутствие контроля над тем, что реально делают автономные агенты. Новость оперативно разошлась по профильным СМИ, но для студента ИТ‑выпуска это не просто инфоповод, а готовая исследовательская база для ВКР по информационной безопасности. Вместо абстрактных «чат‑ботов» и поверхностных обзоров можно взять предметную область с дефицитом готовых решений: управление доступом, аудит действий ИИ, политики безопасности. В этой статье покажу, как превратить кейс Cisco DefenseClaw в логичную структуру диплома: от постановки задачи по ГОСТ до метрик, которые позволят уверенно защититься.
Вам и не нужен доступ к коммерческому продукту Cisco. Для ВКР достаточно собрать открытые данные о сценариях атак на LLM‑агентов (OWASP Top 10 for LLM, публичные датасеты инцидентов) или использовать собственный стенд с open‑source агентами (AutoGen, LangChain) и перехватом трафика. Во многих вузах такой прототип засчитывают как полноценную реализацию.
Не меняйте название специальности. Сместите акцент: «Программный модуль контроля действий автономных сервисов» или «Обеспечение безопасности при оркестрации микросервисов на базе ИИ». В методичке обычно есть общие формулировки — их достаточно. Важно подчеркнуть практическую пользу и соответствие образовательной программе.
Три обязательных артефакта: C4‑диаграмма на уровне контейнеров (показывает место оркестратора в системе), UML Sequence (описывает, как агент запрашивает действие и получает решение политики) и BPMN для бизнес‑процесса принятия решений о доверии. Схемы должны быть подписаны и перекликаться с текстом глав, а не висеть «для объёма».
Лучше всего работают: время детекции небезопасного действия, полнота покрытия действий агента журналированием и доля ложных блокировок. Если удастся показать снижение времени реакции на инцидент за счёт вашего модуля, это сильный результат.
Актуальность: Cisco обращает внимание, что enterprise‑внедрение тормозит отсутствие оркестрации и трекинга действий агентов. Это и есть техническая задача, которую можно взять за основу дипломной работы.
Цель: спроектировать прототип оркестратора, который верифицирует действия ИИ‑агента перед исполнением и ведёт журнал.
Задачи:
Структура: глава 1 — теоретический анализ циклов агентов и подходов Cisco; глава 2 — проектирование, выбор стека, написание кода; глава 3 — эксперимент, проверка метрик, обсуждение ограничений.
Актуальность: вместе с ростом числа агентных ИИ множатся специфичные атаки — непрямые инъекции, эксфильтрация контекста, манипуляция функциями. Появление DefenseClaw подтверждает, что без слоя безопасности агенты не будут доверены Enterprise.
Цель: разработать модель угроз и набор требований для безопасной интеграции агентного ИИ в корпоративные системы.
Задачи:
Структура: глава 1 — обзор угроз и механизмов безопасного ИИ; глава 2 — разработка профиля защиты; глава 3 — применение модели к тестовой архитектуре, верификация.
Актуальность: Cisco DefenceClaw подчёркивает необходимость отслеживания каждого шага агента. Технически это делает связка оркестратора и наблюдаемости. Выпускник может спроектировать централизованный журнал аудита.
Цель: построить подсистему сбора и анализа действий агента, совместимую с корпоративными стандартами.
Задачи:
Структура: глава 1 — состояние наблюдаемости в ИИ‑архитектурах; глава 2 — проектирование chain‑анализа и хранилища событий; глава 3 — эксперимент, нагрузочное тестирование, выводы.
Даже если ваша ВКР не повторяет продукт Cisco один в один, кейс из статьи удобно использовать в трёх местах: в обосновании актуальности, в аналитическом обзоре и при постановке задачи. Ниже — конкретные шаги.
Начните с факта: отсутствие оркестрации названо причиной медленного внедрения агентных ИИ. Затем разверните мысль: какие функции выполняет слой управления? Перечислите обязательные компоненты — реестр агентов, политики, контроль доступа, аудит. Сравните DefenseClaw с архитектурами в открытых статьях и open‑source оркестраторами (LangGraph, CrewAI). Сделайте таблицу сравнения по критериям: возможности контроля, масштабируемость, поддержка безопасности, интеграция с существующими системами мониторинга.
Спроектируйте собственный оркестратор. Если изобразить его на C4‑диаграмме, агент попадает в зону контроля системы, и все действия проходят через webhook оркестратора. Покажите UML Sequence для типичного сценария: агент получил запрос, конструирует команду, оркестратор проверяет её по policy‑файлу и решает — залогировать и разрешить, отклонить или запросить подтверждение оператора.
Пример конфигурации политики (код можно включить в приложение):
# policy_for_agent.yaml
agent_name: "schedule-bot"
trust_level: "high" # агент с ограниченными правами
actions:
allowed:
- "read_calendar"
- "find_slots"
- "send_meeting_invite"
forbidden:
- "access_financial_records"
- "delete_any_calendar_event"
- "forward_to_external_address"
logging:
trace_all: true
audit_format: "OpenTelemetry"
retention_days: 365
override_strategy: "deny_by_default"Хорошая работа отличается тем, что студент не просто «что‑то реализовал», а измерил. Постройте эксперимент: возьмите 1000 сгенерированных действий агента, из них 200 — нарушений. Прогоните систему без вашего модуля и с ним. Зафиксируйте, сколько нарушений дошло до исполнения и сколько времени потребовалось на обнаружение. Оформите результаты в таблицу.
| Метрика | Без оркестратора | С оркестратором |
|---|---|---|
| Дошедшие до исполнения инциденты | 18% | 2,1% |
| Среднее время детекции, мс | 750 | 48 |
| Доля действий с полным журналом | 23% | 100% |
| Ложные блокировки | — | 3,4% |
Не забывайте, что цифры должны быть обоснованы — опишите инструмент генерации тестового потока, конфигурацию стенда и допущения.
Источник: 3 ways Cisco's DefenseClaw aims to make agentic AI safer (опубликовано 2026‑03‑23)