論文の概要: ModelForge: Using GenAI to Improve the Development of Security Protocols
- arxiv url: http://arxiv.org/abs/2506.07010v1
- Date: Sun, 08 Jun 2025 06:27:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 21:10:47.07311
- Title: ModelForge: Using GenAI to Improve the Development of Security Protocols
- Title（参考訳）: ModelForge: GenAIを使ってセキュリティプロトコルの開発を改善する
- Authors: Martin Duclos, Ivan A. Fernandez, Kaneesha Moore, Sudip Mittal, Edward Zieglar,
- Abstract要約: プロトコル仕様の翻訳を自動化する新しいツールであるModelForgeを紹介する。
自然言語処理(NLP)と生成AI(GenAI)の進歩を活用することで、ModelForgeはプロトコル仕様を処理し、CPSAプロトコル定義を生成する。
- 参考スコア（独自算出の注目度）: 1.9241821314180376
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Formal methods can be used for verifying security protocols, but their adoption can be hindered by the complexity of translating natural language protocol specifications into formal representations. In this paper, we introduce ModelForge, a novel tool that automates the translation of protocol specifications for the Cryptographic Protocol Shapes Analyzer (CPSA). By leveraging advances in Natural Language Processing (NLP) and Generative AI (GenAI), ModelForge processes protocol specifications and generates a CPSA protocol definition. This approach reduces the manual effort required, making formal analysis more accessible. We evaluate ModelForge by fine-tuning a large language model (LLM) to generate protocol definitions for CPSA, comparing its performance with other popular LLMs. The results from our evaluation show that ModelForge consistently produces quality outputs, excelling in syntactic accuracy, though some refinement is needed to handle certain protocol details. The contributions of this work include the architecture and proof of concept for a translating tool designed to simplify the adoption of formal methods in the development of security protocols.
- Abstract（参考訳）: 形式的手法はセキュリティプロトコルの検証に使用することができるが、その採用は自然言語プロトコル仕様を形式的表現に変換する複雑さによって妨げられる。
本稿では,CPSA(Cryptographic Protocol Shapes Analyzer)のプロトコル仕様の翻訳を自動化する新しいツールであるModelForgeを紹介する。
自然言語処理(NLP)と生成AI(GenAI)の進歩を活用することで、ModelForgeはプロトコル仕様を処理し、CPSAプロトコル定義を生成する。
このアプローチは、必要な手作業を減らすことで、フォーマルな分析をよりアクセスしやすくする。
我々は,大規模言語モデル(LLM)を微調整し,CPSAのプロトコル定義を生成することでModelForgeを評価し,その性能を他のLLMと比較した。
評価の結果、ModelForgeは、特定のプロトコルの詳細を扱うためにいくつかの改良が必要であるが、構文的精度に優れた品質の出力を一貫して生成していることがわかった。
この研究の貢献には、セキュリティプロトコルの開発における形式的メソッドの採用を簡略化するために設計された翻訳ツールのアーキテクチャと概念実証が含まれている。
関連論文リスト
- ProtocolLLM: RTL Benchmark for SystemVerilog Generation of Communication Protocols [45.66401695351214]
大きな言語モデル(LLM)は、汎用プログラミング言語のコードを生成する上で有望な能力を示している。
SystemVerilogは論理指向であり、タイミング、セマンティクス、合成可能性の制約に厳格に固執することを要求する。
本稿では,I2C,This,IC,AXIの4つの広く使用されているプロトコルを対象とした,最初のベンチマークスイートを紹介する。
論文 参考訳（メタデータ） (2025-06-09T17:10:47Z) - Type-Constrained Code Generation with Language Models [51.03439021895432]
本稿では,型システムを利用してコード生成を誘導する型制約デコード手法を提案する。
そこで本研究では,新しい接頭辞オートマトンと,在来型を探索する手法を開発し,LLM生成コードに適切な型付けを強制するための健全なアプローチを構築した。
提案手法は,コード合成,翻訳,修復作業において,コンパイルエラーを半分以上削減し,機能的正しさを著しく向上させる。
論文 参考訳（メタデータ） (2025-04-12T15:03:00Z) - Games for AI Control: Models of Safety Evaluations of AI Deployment Protocols [52.40622903199512]
本稿では,多目的かつ部分的に観察可能なゲームとして,AI-Control Gamesを紹介した。
我々は、信頼できない言語モデルをプログラミングアシスタントとしてデプロイするためのプロトコルをモデル化、評価、合成するために、フォーマリズムを適用した。
論文 参考訳（メタデータ） (2024-09-12T12:30:07Z) - CodeIP: A Grammar-Guided Multi-Bit Watermark for Large Language Models of Code [56.019447113206006]
大規模言語モデル(LLM)はコード生成において顕著な進歩を遂げた。
CodeIPは、新しいマルチビット透かし技術で、出所の詳細を保持するために追加情報を挿入する。
5つのプログラミング言語にまたがる実世界のデータセットで実施された実験は、CodeIPの有効性を実証している。
論文 参考訳（メタデータ） (2024-04-24T04:25:04Z) - Utilizing Large Language Models to Translate RFC Protocol Specifications
to CPSA Definitions [2.038893829552158]
本稿では,Large Language Models (LLM) を用いて RFC (Request for Comments) プロトコル仕様を,CPSA (Cryptographic Protocol Shapes Analyzer) と互換性のあるフォーマットに変換することを提案する。
本手法は,プロトコル仕様をCPSAに適した構造化モデルに自動変換する手法を提供することにより,プロトコル解析に関わる複雑さと労力を削減することを目的としている。
論文 参考訳（メタデータ） (2024-01-30T16:50:14Z) - Towards Auto-Modeling of Formal Verification for NextG Protocols: A
Multimodal cross- and self-attention Large Language Model Approach [3.9155346446573502]
本稿では,5GおよびNextGプロトコル(AVRE)のための実世界プロンプトを用いた形式検証の自動モデリングを提案する。
AVREは次世代通信プロトコル(NextG)の正式な検証のために設計された新しいシステムである。
論文 参考訳（メタデータ） (2023-12-28T20:41:24Z) - From Ambiguity to Explicitness: NLP-Assisted 5G Specification
Abstraction for Formal Analysis [5.526122280732959]
我々はNLPツールを用いてデータを構築し、構築されたデータを用いて識別子と形式的特性を抽出する2段階パイプラインを提案する。
最適モデルの結果は,抽出精度が39%,形式的特性の同定精度が42%に達している。
論文 参考訳（メタデータ） (2023-08-07T03:37:31Z) - PIP: Parse-Instructed Prefix for Syntactically Controlled Paraphrase
Generation [61.05254852400895]
Parse-Instructed Prefix (PIP) は、大規模な事前学習言語モデルをチューニングするためのプレフィックスチューニングの新しい適応である。
このタスクの従来の微調整手法とは対照的に、PIPは学習可能なパラメータの10倍少ない計算効率の代替手段である。
論文 参考訳（メタデータ） (2023-05-26T07:42:38Z) - Bayesian Prompt Learning for Image-Language Model Generalization [64.50204877434878]
我々はベイズ法の正規化能力を用いて、変分推論問題としてプロンプト学習をフレーム化する。
提案手法は,プロンプト空間を正規化し,目に見えないプロンプトへの過剰適合を低減し,目に見えないプロンプトのプロンプト一般化を改善する。
ベイジアン・プロンプト学習がプロンプト空間の適切なカバレッジを提供する15のベンチマークを実証的に示す。
論文 参考訳（メタデータ） (2022-10-05T17:05:56Z) - PEL-BERT: A Joint Model for Protocol Entity Linking [6.5191667029024805]
本稿では,細調整言語モデルとRFCドメインモデルとを結合するモデルを提案する。
第1に,プロトコル EL のガイドラインとしてプロトコル知識ベースを設計する。第2に,プロトコル内の名前付きエンティティをプロトコル知識ベース内のカテゴリにリンクする新しいモデル PEL-BERT を提案する。
実験結果から,アノテートされたデータセット上でのELの最先端性能が得られた。
論文 参考訳（メタデータ） (2020-01-28T16:42:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。