論文の概要: SoK: Honeypots & LLMs, More Than the Sum of Their Parts?
- arxiv url: http://arxiv.org/abs/2510.25939v1
- Date: Wed, 29 Oct 2025 20:20:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.562551
- Title: SoK: Honeypots & LLMs, More Than the Sum of Their Parts?
- Title（参考訳）: SoK:Honeypots & LLMsは、彼らのパーツの総和以上のもの?
- Authors: Robert A. Bridges, Thomas R. Mitchell, Mauricio Muñoz, Ted Henriksson,
- Abstract要約: 大規模言語モデル(LLM)は、ハニーポット設計におけるパラドックスの解決を約束した。
本稿では,この新しいドメインについて概観する。
この技術の真の可能性は、インテリジェントで自動化された攻撃者の脅威に対処するために、自律的で自己改善された詐欺システムを作ることにある、と私たちは主張する。
- 参考スコア（独自算出の注目度）: 1.0126291671695855
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The advent of Large Language Models (LLMs) promised to resolve the long-standing paradox in honeypot design: achieving high-fidelity deception with low operational risk. However, despite a flurry of research since late 2022, progress has been incremental, and the field lacks a cohesive understanding of the emerging architectural patterns, core challenges, and evaluation paradigms. To fill this gap, this Systematization of Knowledge (SoK) paper provides the first comprehensive overview of this new domain. We survey and systematize three critical, intersecting research areas: first, we provide a taxonomy of honeypot detection vectors, structuring the core problems that LLM-based realism must solve; second, we synthesize the emerging literature on LLM-honeypots, identifying a canonical architecture and key evaluation trends; and third, we chart the evolutionary path of honeypot log analysis, from simple data reduction to automated intelligence generation. We synthesize these findings into a forward-looking research roadmap, arguing that the true potential of this technology lies in creating autonomous, self-improving deception systems to counter the emerging threat of intelligent, automated attackers.
- Abstract（参考訳）: LLM(Large Language Models)の出現は、ハニーポット設計における長年にわたるパラドックスの解決を約束する。
しかし、2022年後半から研究が盛んに進んでいるにもかかわらず、進歩は漸進的であり、その分野には、出現するアーキテクチャパターン、コア課題、評価パラダイムに関する密集した理解が欠けている。
このギャップを埋めるために、このSoK(Systematization of Knowledge)論文は、この新しいドメインに関する最初の包括的な概要を提供する。
我々は,まず,ハニーポット検出ベクトルの分類を提供し,LLMに基づくリアリズムが解決しなければならない中核的な問題を整理し,第2に,LLM-ハニーポットに新たな文献を合成し,標準アーキテクチャと重要な評価トレンドを特定し,第3に,簡単なデータ削減から自動インテリジェンス生成に至るまで,ハニーポットログ分析の進化経路を図示する。
これらの発見を先見的な研究ロードマップにまとめ、この技術の真の可能性は、インテリジェントで自動化された攻撃者の脅威に対処するために、自律的で自己改善的な詐欺システムを作ることにある、と論じる。
関連論文リスト
- Automatic Speech Recognition in the Modern Era: Architectures, Training, and Evaluation [0.0]
音声認識は、ディープラーニングの進歩によって、過去10年間に大きく変化してきた。
この調査は、従来のハイブリッドシステムから、現在支配的なエンドツーエンドのニューラルアーキテクチャへの進化をグラフ化して、ASRの現代を包括的に概観する。
論文 参考訳（メタデータ） (2025-10-11T05:38:45Z) - A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - AInstein: Assessing the Feasibility of AI-Generated Approaches to Research Problems [28.38783951577184]
AInsteinは、AI研究問題に対する有効なソリューションを、大規模言語モデルが生成できるかどうかをテストするためのフレームワークである。
受け入れ層により層状化された1,214 ICLR紙上でのAInsteinの評価を行った。
論文 参考訳（メタデータ） (2025-10-06T22:50:41Z) - CoDA: Agentic Systems for Collaborative Data Visualization [57.270599188947294]
深層研究はデータ分析に革命をもたらしたが、データサイエンティストは依然として手作業による視覚化にかなりの時間を費やしている。
単純なシングルエージェントシステムやマルチエージェントシステムを含む既存のアプローチは、しばしばタスクを単純化する。
本稿では,メタデータ分析,タスク計画,コード生成,自己回帰に特殊なLLMエージェントを利用するマルチエージェントシステムであるCoDAを紹介する。
論文 参考訳（メタデータ） (2025-10-03T17:30:16Z) - A Survey on Code Generation with LLM-based Agents [61.474191493322415]
大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。
LLMは3つのコア特徴によって特徴づけられる。
本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
論文 参考訳（メタデータ） (2025-07-31T18:17:36Z) - From Semantic Web and MAS to Agentic AI: A Unified Narrative of the Web of Agents [43.50183874732483]
エージェントのWeb(WoA)の包括的進化的概要について紹介する。
A2AやMPPのような現代的なプロトコルは、FIPA標準やOWLベースのセマンティックエージェントのような以前の標準の制限に対する直接的な進化的応答であることを示す。
我々は、新しいプロトコルは不可欠であるが、堅牢でオープンで信頼できるエコシステムを構築するには不十分である、と結論付けている。
論文 参考訳（メタデータ） (2025-07-14T16:47:19Z) - Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。
モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。
科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
論文 参考訳（メタデータ） (2025-03-21T16:35:02Z)
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。