論文の概要: Energy-Efficient Multi-LLM Reasoning for Binary-Free Zero-Day Detection in IoT Firmware

• arxiv url: http://arxiv.org/abs/2512.19945v1
• Date: Tue, 23 Dec 2025 00:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.695128
• Title: Energy-Efficient Multi-LLM Reasoning for Binary-Free Zero-Day Detection in IoT Firmware
• Title（参考訳）: IoTファームウェアにおける2自由ゼロデイ検出のためのエネルギー効率の良いマルチLLM推論
• Authors: Saeid Jamshidi, Omar Abdul-Wahab, Martine Bellaïche, Foutse Khomh,
• Abstract要約: 静的解析、シンボリック実行、ファジィングといった既存の分析手法は、バイナリ可視性や機能的エミュレーションに依存している。 本稿では,高レベルの記述子のみを用いて,概念的ゼロデイ脆弱性の可能性を推定する,バイナリフリーでアーキテクチャに依存しないソリューションを提案する。
• 参考スコア（独自算出の注目度）: 5.485965161578769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Securing Internet of Things (IoT) firmware remains difficult due to proprietary binaries, stripped symbols, heterogeneous architectures, and limited access to executable code. Existing analysis methods, such as static analysis, symbolic execution, and fuzzing, depend on binary visibility and functional emulation, making them unreliable when firmware is encrypted or inaccessible. To address this limitation, we propose a binary-free, architecture-agnostic solution that estimates the likelihood of conceptual zero-day vulnerabilities using only high-level descriptors. The approach integrates a tri-LLM reasoning architecture combining a LLaMA-based configuration interpreter, a DeepSeek-based structural abstraction analyzer, and a GPT-4o semantic fusion model. The solution also incorporates LLM computational signatures, including latency patterns, uncertainty markers, and reasoning depth indicators, as well as an energy-aware symbolic load model, to enhance interpretability and operational feasibility. In addition, we formally derive the mathematical foundations of the reasoning pipeline, establishing monotonicity, divergence, and energy-risk coupling properties that theoretically justify the model's behavior. Simulation-based evaluation reveals that high exposure conditions increase the predicted zero-day likelihood by 20 to 35 percent across models, with GPT-4o demonstrating the strongest cross-layer correlations and the highest sensitivity. Energy and divergence metrics significantly predict elevated risk (p < 0.01), reinforcing the effectiveness of the proposed reasoning framework.
• Abstract（参考訳）: プロプライエタリなバイナリ、取り除かれたシンボル、異種アーキテクチャ、実行可能コードへのアクセス制限のため、IoT(Internet of Things)ファームウェアのセキュリティは依然として困難である。 静的解析、シンボリック実行、ファジィングといった既存の分析手法はバイナリ可視性や機能的エミュレーションに依存しており、ファームウェアが暗号化されたりアクセス不能になったりしても信頼性が低い。 この制限に対処するために,高レベルの記述子のみを用いて,概念的ゼロデイ脆弱性の可能性を推定する,バイナリフリーでアーキテクチャに依存しないソリューションを提案する。 このアプローチは、LLaMAベースの構成インタプリタ、DeepSeekベースの構造抽象化アナライザ、GPT-4oセマンティックフュージョンモデルを組み合わせたトリLLM推論アーキテクチャを統合する。 このソリューションには、遅延パターン、不確実性マーカー、推論深度インジケータを含むLLM計算シグネチャや、エネルギーを意識したシンボリックロードモデルも組み込まれており、解釈可能性と操作性の向上が図られている。 さらに、推論パイプラインの数学的基礎を正式に導き、理論的にモデルの振る舞いを正当化する単調性、発散、エネルギーリスク結合特性を確立する。 シミュレーションに基づく評価では、高い露光条件はモデル間で予測ゼロデイ確率を20～35%増加させ、GPT-4oは最強の層間相関と最高感度を示す。 エネルギーとばらつきの指標は高いリスク(p < 0.01)を有意に予測し、提案した推論フレームワークの有効性を補強する。

関連論文リスト

• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Hierarchical Evaluation of Software Design Capabilities of Large Language Models of Code [7.897548449569687]
  大規模言語モデル(LLM)は、ソフトウェアエンジニアリング領域でますます採用されているが、コア設計概念に対する彼らの理解の堅牢性は、まだ不明である。 さまざまなレベルのガイダンスの下で、設計の不十分なソフトウェアフラグメントを生成します。 結合に関する推論は脆く、ノイズの多いオープンエンドのシナリオでパフォーマンスが崩壊する。 Reasoning-Trace分析はこれらの障害モードを確認し、結合のためのテキスト認識的ショートカットと結合のためのより徹底的な(まだ失敗している)分析を明らかにする。
  論文  参考訳（メタデータ） (2025-11-25T23:50:00Z)
• LTD-Bench: Evaluating Large Language Models by Letting Them Draw [57.237152905238084]
  LTD-Benchは、大規模言語モデル(LLM)のブレークスルーベンチマークである。 LLMの評価を抽象的なスコアから直接観察可能な視覚出力に変換する。 LTD-Benchの視覚出力は強力な診断分析を可能にし、モデル類似性を調べるための潜在的アプローチを提供する。
  論文  参考訳（メタデータ） (2025-11-04T08:11:23Z)
• SIM-CoT: Supervised Implicit Chain-of-Thought [108.30049193668083]
  Implicit Chain-of-Thought(CoT)メソッドは、大規模言語モデルにおける明示的なCoT推論に代わるトークン効率の代替手段を提供する。 暗黙的なCoTの計算予算をスケールする際の中核的な不安定性問題を特定する。 そこで我々はSIM-CoTを提案する。SIM-CoTは,遅延推論空間を安定化・拡張するためのステップレベルの監視を実現するモジュールである。
  論文  参考訳（メタデータ） (2025-09-24T17:01:32Z)
• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• LENS-XAI: Redefining Lightweight and Explainable Network Security through Knowledge Distillation and Variational Autoencoders for Scalable Intrusion Detection in Cybersecurity [0.0]
  本研究は軽量説明可能ネットワークセキュリティフレームワーク(LENS-XAI)を紹介する。 LENS-XAIは、堅牢な侵入検知と、拡張された解釈可能性とスケーラビリティを組み合わせる。 本研究は, 計算効率, 特徴解釈可能性, 実世界の応用性に対処することで, IDSの進歩に大きく貢献する。
  論文  参考訳（メタデータ） (2025-01-01T10:00:49Z)
• Secure Instruction and Data-Level Information Flow Tracking Model for RISC-V [0.0]
  不正アクセス、障害注入、およびプライバシー侵害は、信頼できないアクターによる潜在的な脅威である。 本稿では,実行時セキュリティがシステム完全性を保護するために,IFT(Information Flow Tracking)技術を提案する。 本研究では,ハードウェアベース IFT 技術とゲートレベル IFT (GLIFT) 技術を統合したマルチレベル IFT モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-17T02:04:07Z)

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。