論文の概要: LLM-Guided Prompt Evolution for Password Guessing

• arxiv url: http://arxiv.org/abs/2604.12601v1
• Date: Tue, 14 Apr 2026 11:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.41178
• Title: LLM-Guided Prompt Evolution for Password Guessing
• Title（参考訳）: パスワード案内のためのLLMガイドプロンプト進化
• Abstract要約: 本稿では, LLMパスワード推測フレームワークのプロンプトを自動的に最適化するために, LLMによる進化的計算を適用した。 OpenEvolveはMAP-Elitesの品質多様性探索と島の人口モデルを組み合わせたオープンソースのシステムである。
• 参考スコア（独自算出の注目度）: 1.5034276386812933
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Passwords still remain a dominant authentication method, yet their security is routinely subverted by predictable user choices and large-scale credential leaks. Automated password guessing is a key tool for stress-testing password policies and modeling attacker behavior. This paper applies LLM-driven evolutionary computation to automatically optimize prompts for the LLM password guessing framework. Using OpenEvolve, an open-source system combining MAP-Elites quality-diversity search with an island population model we evolve prompts that maximize cracking rate on a RockYou-derived test set. We evaluate three configurations: a local setup with Qwen3 8B, a single compact cloud model Gemini-2.5 Flash, and a two-model ensemble of frontier LLMs. The approach raises the cracking rates from 2.02\% to 8.48\%. Character distribution analysis further confirms how evolved prompts produce statistically more realistic passwords. Automated prompt evolution is a low-barrier yet effective way to strengthen LLM-based password auditing and underlining how attack pipelines show tendency via automated improvements.
• Abstract（参考訳）: パスワードは依然として支配的な認証方法であるが、そのセキュリティは予測可能なユーザ選択と大規模クレデンシャルリークによって定期的に覆される。 自動パスワード推測は、ストレステストのパスワードポリシーと攻撃者の振る舞いをモデリングするための重要なツールである。 本稿では, LLMパスワード推測フレームワークのプロンプトを自動的に最適化するために, LLMによる進化的計算を適用した。 OpenEvolveはMAP-Elitesの品質多様性探索と島の人口モデルを組み合わせたオープンソースのシステムである。 Qwen3 8Bによるローカルセットアップ、単一コンパクトクラウドモデルGemini-2.5 Flash、フロンティアLLMの2モデルアンサンブルの3つの構成を評価した。 このアプローチはクラッキングレートを2.02\%から8.48\%に引き上げる。 文字分布解析は、進化したプロンプトがどのように統計的によりリアルなパスワードを生成するかをさらに確認する。 自動プロンプト進化は、LDMベースのパスワード監査を強化し、自動改善を通じて攻撃パイプラインがどのように傾向を示すかを説明するための、低障壁で効果的な方法である。

関連論文リスト

• LMSM: LLM Security Framework Inspired by Linux Security Modules [56.93644694627783]
  大規模言語モデル(LLM)は階層化されたディフェンスでデプロイされることが多いが、悪意のあるプロンプトはそれらをバイパスすることができる。 我々は,Language Model Security Modules (LMSM) という,Linux Security Modules (LSM) の背後にある分離を LLM サービスに適応させるセキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-26T12:13:05Z)
• Enhancing Password Security Through a High-Accuracy Scoring Framework Using Random Forests [0.5097809301149341]
  4つの機械学習モデルを比較し,パスワード強度スコアリングシステムの実装と評価を行った。 私たちの主な貢献は、標準メトリクスで見逃されたニュアンスのある脆弱性をキャプチャする、新しいハイブリッド機能エンジニアリングアプローチです。
  論文  参考訳（メタデータ） (2025-11-12T17:05:27Z)
• When Intelligence Fails: An Empirical Study on Why LLMs Struggle with Password Cracking [0.41998444721319217]
  本研究では,事前学習した大規模言語モデルによるパスワードクラッキングの有効性を,合成ユーザプロファイルを用いて実証的に検証する。 我々は,構造化されたユーザ属性に基づいて,有意なパスワードを生成するように促すことで,最先端のオープンソースLCMの性能を評価する。 Hit@1、Hit@5、Hit@10の測定結果から、すべてのモデルがHit@10で1.5%未満の精度で、一貫してパフォーマンスが低下していることが分かりました。
  論文  参考訳（メタデータ） (2025-10-18T02:15:28Z)
• MoPE: A Mixture of Password Experts for Improving Password Guessing [10.399922446362417]
  本稿では,パスワードの構造パターンを活用してゲース性能を向上させるMoPEを提案する。 評価の結果,MoPEはオフラインおよびオンラインの推測シナリオにおいて,既存の最先端のベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-09-20T07:30:15Z)
• Paper Summary Attack: Jailbreaking LLMs through LLM Safety Papers [61.57691030102618]
  我々は新しいジェイルブレイク手法であるペーパー・サプリメント・アタック(llmnamePSA)を提案する。 攻撃に焦点をあてたLLM安全紙からコンテンツを合成し、敵のプロンプトテンプレートを構築する。 実験では、ベースLLMだけでなく、Deepseek-R1のような最先端の推論モデルにも重大な脆弱性がある。
  論文  参考訳（メタデータ） (2025-07-17T18:33:50Z)
• BadToken: Token-level Backdoor Attacks to Multi-modal Large Language Models [79.36881186707413]
  マルチモーダル大言語モデル(MLLM)はマルチモーダル情報を処理し、画像テキスト入力に対する応答を生成する。 MLLMは、細調整なしでプラグイン・アンド・プレイを通じて、自律運転や診断などの多様なマルチモーダルアプリケーションに組み込まれている。 MLLMに対する最初のトークンレベルのバックドア攻撃であるBadTokenを提案する。
  論文  参考訳（メタデータ） (2025-03-20T10:39:51Z)
• PassTSL: Modeling Human-Created Passwords through Two-Stage Learning [7.287089766975719]
  NLPと深層学習(DL)で一般的な事前学習ファインタニングフレームワークに着想を得たPassTSL(2段階学習による人為的なパスワードのモデル化)を提案する。 PassTSLはパスワード推測において5つのSOTA(State-of-the-art)パスワードクラッキング法を最大で4.11%から64.69%の差で上回っている。 PassTSLに基づいてパスワード強度計(PSM)も実装し,パスワード強度をより正確に推定できることを示した。
  論文  参考訳（メタデータ） (2024-07-19T09:23:30Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• Prompt Leakage effect and defense strategies for multi-turn LLM interactions [95.33778028192593]
  システムプロンプトの漏洩は知的財産を侵害し、攻撃者に対する敵の偵察として機能する可能性がある。 我々は, LLM sycophancy 効果を利用して, 平均攻撃成功率 (ASR) を17.7%から86.2%に高めるユニークな脅威モデルを構築した。 7つのブラックボックス防衛戦略の緩和効果と、漏洩防止のためのオープンソースモデルを微調整する。
  論文  参考訳（メタデータ） (2024-04-24T23:39:58Z)
• PassGPT: Password Modeling and (Guided) Generation with Large Language Models [59.11160990637616]
  パスワード生成のためのパスワードリークをトレーニングした大規模言語モデルであるPassGPTを提案する。 また、任意の制約を満たすパスワードを生成するために、PassGPTサンプリング手順を利用する誘導パスワード生成の概念も導入する。
  論文  参考訳（メタデータ） (2023-06-02T13:49:53Z)
• Guiding Large Language Models via Directional Stimulus Prompting [114.84930073977672]
  我々は,特定の所望の出力に対して,ブラックボックス大言語モデル(LLM)を導くための新しいフレームワークであるDirectional Stimulus Promptingを紹介する。 LLMを直接調整するのではなく、小さな調整可能なポリシーモデルを用いて各入力インスタンスに対して補助的な指向性刺激プロンプトを生成する。
  論文  参考訳（メタデータ） (2023-02-22T17:44:15Z)

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。