Linux Foundation استاندارد TRACE را برای اثبات runtime عامل‌های AI می‌پذیرد

Linux Foundation مدیریت TRACE را بر عهده گرفته است؛ یک مشخصات باز برای ایجاد رکوردهای مبتنی بر hardware attestation از نحوه اجرای واقعی عامل‌های هوش مصنوعی و سایر workloadهای محرمانه. اهمیت این تغییر در این است که بخش بزرگی از governance سازمانی امروز به logهایی متکی است که همان software stack مورد ممیزی آن‌ها را تولید می‌کند. TRACE می‌خواهد یک رکورد رمزنگاری‌شده و قابل‌حمل ایجاد کند که بتوان آن را به‌طور مستقل در برابر یک hardware root of trust بررسی کرد و به تیم‌های امنیت و compliance مبنای قوی‌تری برای اثبات این بدهد که چه کدی اجرا شده، تحت چه policyای، روی چه طبقه‌ای از داده و با استفاده از چه ابزارهایی.

طبق اعلامیه Linux Foundation، TRACE توسط OPAQUE واگذار شده و با همکاری AMD، Intel، Microsoft و Technology Innovation Institute توسعه یافته است. این مشخصات اکنون یک LF Project است و کار مرتبط آن از طریق Coalition for Secure AI نیز دنبال می‌شود. این جابه‌جایی governance از یک release معمولی مهم‌تر است، چون استاندارد را از کنترل یک vendor واحد خارج می‌کند و به ارائه‌دهندگان زیرساخت، cloud platformها و خریداران سازمانی یک محل بی‌طرف برای شکل دادن به interoperability می‌دهد.

TRACE چه چیزی را ثبت می‌کند

مشخصات TRACE یک «Trust Record» امضاشده تعریف می‌کند که محیط runtime، هویت software، policy، طبقه‌بندی داده و ابزارهای فراخوانی‌شده را به یکدیگر متصل می‌کند. هدف این است که verifier پس از اجرای یک agent بتواند به پرسش‌های عملیاتی مشخص پاسخ دهد: چه چیزی اجرا شد، کجا اجرا شد، چه policyای فعال بود، با چه نوع داده‌ای کار کرد و چه ابزارهایی را فراخواند.

این رویکرد با application log معمولی فرق دارد. log سنتی معمولاً توسط همان application یا platform مورد بررسی تولید می‌شود و بنابراین به سلامت همان operator وابسته است. TRACE در مقابل، evidence را به trusted execution environment و hardware attestation متصل می‌کند. نسخه فعلی که در حالت developer preview است، روی استانداردهای موجود از جمله RATS، EAT، SLSA، SCITT، SPIFFE و EAR بنا شده و قصد ندارد یک security stack کاملاً جداگانه ایجاد کند.

چرا برای agentهای production مهم است

سیستم‌های agentic مسئله ممیزی سخت‌تری نسبت به applicationهای request-response ایجاد می‌کنند. یک session ممکن است چند دقیقه یا چند ساعت طول بکشد، ابزار خارجی فراخوانی کند، به چند data store دسترسی داشته باشد، کار را delegate کند و actionهایی با پیامد واقعی کسب‌وکار انجام دهد. بازسازی این مراحل از روی logهای معمول دشوار می‌شود، مخصوصاً زمانی که evidence میان model gateway، tool server، identity system، cloud runtime و applicationهای مقصد پخش شده باشد.

TRACE تلاش می‌کند یک evidence layer قابل‌حمل روی این اجزا ایجاد کند. برای engineering leaderها، پیام عملی این است که governance agent می‌تواند از policy document و log correlation پس از وقوع، به سمت runtime controlهای قابل‌اثبات حرکت کند. مثلاً یک مؤسسه مالی می‌تواند پیش از پذیرش یک رکورد در فرآیند audit داخلی، مدرکی بخواهد که agent در confidential-computing environment تأییدشده و با policy مشخص اجرا شده است.

این طراحی برای MCP-style tool use و multi-agent systemها نیز مرتبط است، چون Trust Record می‌تواند ثبت کند چه ابزارهایی فراخوانی شده‌اند. TRACE به‌خودی‌خود authorization را حل نمی‌کند، اما می‌تواند evidence بدهد که هنگام action، محیط authorization و policy مورد انتظار برقرار بوده است.

استاندارد هنوز در مرحله اولیه است

محدودیت اصلی این است که TRACE هنوز یک استاندارد production بالغ نیست. repository عمومی نسخه 0.2 را developer preview می‌نامد و صراحتاً از implementerها می‌خواهد پیش از اتکا در production محدودیت‌ها را بررسی کنند. جزئیات conformance، integrationهای ecosystem و practiceهای عملیاتی می‌توانند پیش از رسیدن به نسخه پایدار تغییر کنند.

این تمایز مهم است، چون Linux Foundation هم‌زمان به نزدیک 135 هزار دانلود PyPI در ده هفته نخست اشاره می‌کند. تعداد دانلود نشانه علاقه است، اما production adoption، اثربخشی امنیتی یا interoperability واقعی میان vendorها را ثابت نمی‌کند. برای این موارد به implementationهای واقعی و تست مستقل نیاز است.

تحلیل AI Governance Institute TRACE را یک baseline بالقوه جدید برای audit سیستم‌های agentic توصیف می‌کند، اما این تحلیل نباید به‌عنوان اثبات پذیرش استاندارد توسط regulatorها یا auditorها خوانده شود. فعلاً مبنایی وجود ندارد که بگوییم یک TRACE record به‌صورت خودکار نیازهای یک قانون یا regulation مشخص را برآورده می‌کند.

جایگاه TRACE در معماری agent

برای architectها، TRACE بهتر است یک evidence layer دیده شود نه یک agent framework. MCP می‌تواند agent را به toolها وصل کند، A2A می‌تواند agentها را هماهنگ کند، identity system تعیین کند چه کسی یا چه چیزی اجازه action دارد و policy engine تصمیم بگیرد action مجاز است یا نه. TRACE می‌خواهد evidence قابل‌تأییدی از همین execution context ایجاد کند تا طرف دیگر بعداً بدون اعتماد صرف به runtime operator آن را بررسی کند.

این separation می‌تواند coupling میان platform اجرای agent و سیستم verification compliance را کاهش دهد. اگر specification پشتیبانی گسترده بگیرد، verifier می‌تواند رکوردهای تولیدشده در confidential-computing environmentهای مختلف را بررسی کند، به‌جای اینکه برای هر platform یک audit format proprietary جداگانه یاد بگیرد.

تیم‌های engineering چه چیزی را دنبال کنند

سیگنال بعدی مهم، کیفیت implementation و interoperability است نه حجم announcementها. تیم‌هایی که TRACE را ارزیابی می‌کنند باید به stable conformance testها، پشتیبانی چند trusted-execution technology، رفتار روشن verifier هنگام evidence ناقص و integration عملی با agent runtimeها، MCP gatewayها، identity layerها و policy engineها توجه کنند.

تیم‌های امنیت باید مرز چیزی را که این رکورد واقعاً ثابت می‌کند نیز آزمایش کنند. hardware attestation می‌تواند evidence درباره محل اجرا و آنچه اندازه‌گیری شده را تقویت کند، اما تضمین نمی‌کند مدل تصمیم درستی گرفته، policy خوب طراحی شده یا tool call در context مشخص امن بوده است. این‌ها مسئله‌های assurance جداگانه‌اند.

TRACE به این دلیل مهم است که یک شکاف واقعی در governance agentهای production را هدف می‌گیرد: proof قابل‌حمل از شرایط runtime. انتقال آن زیر governance Linux Foundation مسیر معتبرتری برای پذیرش cross-vendor ایجاد می‌کند، اما developer-preview بودن یادآوری می‌کند که استاندارد هنوز باید ارزش خود را در implementation و verification واقعی ثابت کند.

Sources
- Linux Foundation Welcomes TRACE to Advance Verifiable Runtime Evidence for AI Workloads
- TRACE Specification
- Linux Foundation's TRACE Standard Creates a New Audit Baseline for AI Agents