論文の概要: APISENSOR: Robust Discovery of Web API from Runtime Traffic Logs

• arxiv url: http://arxiv.org/abs/2603.23852v1
• Date: Wed, 25 Mar 2026 02:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.090498
• Title: APISENSOR: Robust Discovery of Web API from Runtime Traffic Logs
• Title（参考訳）: APISENSor: 実行時のトラフィックログからWeb APIをロバストに発見する
• Authors: Yanjing Yang, Chenxing Zhong, Ke Han, Zeru Cheng, Jinwei Xu, Xin Zhou, He Zhang, Bohan Liu,
• Abstract要約: APISENSORは、教師なしのアプリケーションAPIを再構築するブラックボックスAPIディスカバリフレームワークである。 混合交通騒音を模擬した1万以上のランタイム要求を用いて,6つのWebアプリケーションを対象にAPISENSORを評価した。 その結果、APISENSorは発見精度を著しく改善し、平均的なグループ精度95.92%、F1スコア94.91%を達成した。
• 参考スコア（独自算出の注目度）: 10.620853813098503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM)-based agents increasingly rely on APIs to operate complex web applications, but rapid evolution often leads to incomplete or inconsistent API documentation. Existing work falls into two categories: (1) static, white-box approaches based on source code or formal specifications, and (2) dynamic, black-box approaches that infer APIs from runtime traffic. Static approaches rely on internal artifacts, which are typically unavailable for closed-source systems, and often over-approximate API usage, resulting in high false-positive rates. Although dynamic black-box API discovery applies broadly, its robustness degrades in complex environments where shared collection points aggregate traffic from multiple applications. To improve robustness under mixed runtime traffic, we propose APISENSOR, a black-box API discovery framework that reconstructs application APIs unsupervised. APISENSOR performs structured analysis over complex traffic, combining traffic denoising and normalization with a graph-based two-stage clustering process to recover accurate APIs. We evaluated APISENSOR across six web applications using over 10,000 runtime requests with simulated mixed-traffic noise. Results demonstrate that APISENSOR significantly improves discovery accuracy, achieving an average Group Accuracy Precision of 95.92% and an F1-score of 94.91%, outperforming state-of-the-art methods. Across different applications and noise settings, APISENSOR achieves the lowest performance variance and at most an 8.11-point FGA drop, demonstrating the best robustness among 10 baselines. Ablation studies confirm that each component is essential. Furthermore, APISENSOR revealed API documentation inconsistencies in a real application, later confirmed by community developers.
• Abstract（参考訳）: 大きな言語モデル(LLM)ベースのエージェントは、複雑なWebアプリケーションを操作するためにAPIに依存していることが多いが、急速な進化は、不完全または一貫性のないAPIドキュメントにつながることが多い。 既存の作業は、(1)ソースコードまたは正式な仕様に基づく静的でホワイトボックスのアプローチ、(2)実行時のトラフィックからAPIを推論する動的でブラックボックスのアプローチの2つのカテゴリに分類される。 静的アプローチは内部アーティファクトに依存しており、通常はクローズドソースシステムでは利用できない。 動的ブラックボックスAPIディスカバリは広く適用されるが、共有コレクションポイントが複数のアプリケーションからのトラフィックを集約する複雑な環境では、ロバスト性が低下する。 混在するランタイムトラフィック下での堅牢性向上のために,アプリケーションAPIを教師なしで再構築するブラックボックスAPIディスカバリフレームワークであるAPISENSORを提案する。 APISENSORは複雑なトラフィックに対して構造化された分析を行い、トラフィックの特定と正規化をグラフベースの2段階クラスタリングプロセスと組み合わせて、正確なAPIを復元する。 混合交通騒音を模擬した1万以上のランタイム要求を用いて,6つのWebアプリケーションを対象にAPISENSORを評価した。 その結果、APISENSorは発見精度を著しく改善し、平均的なグループ精度95.92%、F1スコア94.91%、最先端の手法よりも優れていた。 異なるアプリケーションとノイズ設定で、APISENSorは最低パフォーマンスのばらつきを達成し、少なくとも8.11ポイントのFGAドロップを達成し、10のベースライン間で最高の堅牢性を示している。 アブレーション研究により、各成分が必須であることが確認される。 さらに、APISENSORは、実際のアプリケーションにおけるAPIドキュメントの不整合を明らかにし、後にコミュニティ開発者によって確認された。

関連論文リスト

• Framework-Aware Code Generation with API Knowledge Graph-Constructed Data: A Study on HarmonyOS [52.483888557864326]
  APIKG4SYNはAPI指向の質問コードペアの構築にAPIナレッジグラフを活用するように設計されたフレームワークである。 APIKG4SYNを使ったHarmonyOSコード生成のための最初のベンチマークを構築した。
  論文  参考訳（メタデータ） (2025-11-29T08:13:54Z)
• Reinforcement Learning for Long-Horizon Interactive LLM Agents [56.9860859585028]
  インタラクティブデジタルエージェント(IDA)は、ステートフルなデジタル環境のAPIを利用して、ユーザの要求に応じてタスクを実行する。 対象環境で直接IDAを訓練する強化学習(RL)手法を提案する。 我々は、近似ポリシー最適化のデータおよびメモリ効率の亜種である LOOP を導出する。
  論文  参考訳（メタデータ） (2025-02-03T18:35:42Z)
• ExploraCoder: Advancing code generation for multiple unseen APIs via planning and chained exploration [70.26807758443675]
  ExploraCoderはトレーニング不要のフレームワークで、大規模な言語モデルにコードソリューションで見えないAPIを呼び出す権限を与える。 実験の結果、ExploreaCoderは、事前のAPI知識に欠けるモデルのパフォーマンスを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-12-06T19:00:15Z)
• AutoFeedback: An LLM-based Framework for Efficient and Accurate API Request Generation [16.590226868986296]
  AutoFeedbackは、効率的で正確なAPIリクエスト生成のためのフレームワークである。 大規模言語モデルによるAPIリクエストの生成プロセス中に2つのフィードバックループを実装している。 実際のAPIデータセットで100.00%の精度を実現し、GPT-3.5 Turboとのインタラクションコストを23.44%削減し、GPT-4 Turboを11.85%削減する。
  論文  参考訳（メタデータ） (2024-10-09T14:38:28Z)
• FANTAstic SEquences and Where to Find Them: Faithful and Efficient API Call Generation through State-tracked Constrained Decoding and Reranking [57.53742155914176]
  APIコール生成は、大規模言語モデルのツール使用能力の基盤となっている。 既存の教師付きおよびコンテキスト内学習アプローチは、高いトレーニングコスト、低いデータ効率、APIドキュメントとユーザの要求に反する生成APIコールに悩まされる。 本稿では,これらの制約に対処するため,FANTASEと呼ばれる出力側最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-07-18T23:44:02Z)
• RoBERTa-Augmented Synthesis for Detecting Malicious API Requests [9.035212370386846]
  GANにインスパイアされた学習フレームワークを導入し、ターゲットとなるドメイン認識合成を通じて限られたAPIトラフィックデータセットを拡張する。 我々は,CSIC 2010 と ATRDF 2023 の2つのベンチマークデータセット上でフレームワークを評価し,従来のデータ拡張手法と比較した。 CSIC 2010ではF1スコアが4.94%増加し,ATRDF 2023では21.10%向上した。
  論文  参考訳（メタデータ） (2024-05-18T11:10:45Z)
• A Classification-by-Retrieval Framework for Few-Shot Anomaly Detection to Detect API Injection Attacks [9.693391036125908]
  本稿では,2つの主要部品からなる非教師なし数発の異常検出フレームワークを提案する。 まず、FastTextの埋め込みに基づいたAPI専用の汎用言語モデルをトレーニングする。 次に,近似Nearest Neighborサーチを分類・検索手法として用いた。
  論文  参考訳（メタデータ） (2024-05-18T10:15:31Z)
• APICom: Automatic API Completion via Prompt Learning and Adversarial Training-based Data Augmentation [6.029137544885093]
  APIレコメンデーションは、開発者が多数の候補APIの中で必要なAPIを見つけるのを支援するプロセスである。 これまでの研究では、主にAPIレコメンデーションをレコメンデーションタスクとしてモデル化していた。 ニューラルネットワーク翻訳研究領域に動機づけられたこの問題を生成タスクとしてモデル化することができる。 提案手法は,プロンプト学習に基づく新しいアプローチAPIComを提案し,そのプロンプトに応じてクエリに関連するAPIを生成する。
  論文  参考訳（メタデータ） (2023-09-13T15:31:50Z)
• Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
  ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。 BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。 非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
  論文  参考訳（メタデータ） (2023-05-10T16:40:52Z)

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。