論文の概要: TitanCA: Lessons from Orchestrating LLM Agents to Discover 100+ CVEs

• arxiv url: http://arxiv.org/abs/2604.17860v1
• Date: Mon, 20 Apr 2026 06:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.724849
• Title: TitanCA: Lessons from Orchestrating LLM Agents to Discover 100+ CVEs
• Title（参考訳）: タイタンCA:100個以上のCVEの発見にLLMエージェントのオーケストレーションから教訓
• Authors: Ting Zhang, Yikun Li, Chengran Yang, Ratnadira Widyasari, Yue Liu, Ngoc Tan Bui, Phuc Thanh Nguyen, Yan Naing Tun, Ivana Clairine Irsan, Huu Hung Nguyen, Huihui Huang, Jinfeng Jiang, Lwin Khin Shar, Eng Lieh Ouh, David Lo, Hong Jin Kang, Yide Yin, Wen Bin Leow,
• Abstract要約: 本稿では,シンガポール経営大学とGovTech Singaporeの共同プロジェクトであるTitanCAを紹介する。 TitanCAは、複数の大規模言語モデル(LLM)ベースのエージェントを統一された脆弱性発見パイプラインにオーケストレーションする。 オープンソースソフトウェアに適用されたTitanCAは、ゼロデイ脆弱性が203件確認され、118件のCVEが得られた。
• 参考スコア（独自算出の注目度）: 14.955078371370305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software vulnerabilities remain one of the most persistent threats to modern digital infrastructure. While static application security testing (SAST) tools have long served as the first line of defense, they suffer from high false-positive rates. This article presents TitanCA, a collaborative project between Singapore Management University and GovTech Singapore that orchestrates multiple large language model (LLM)-powered agents into a unified vulnerability discovery pipeline. Applied in open-source software, TitanCA has discovered 203 confirmed zero-day vulnerabilities and yielded 118 CVEs. We describe the four-module architecture, i.e., matching, filtering, inspection, and adaptation, and share key lessons from building and deploying an LLM-based vulnerability discovery solution in practice.
• Abstract（参考訳）: ソフトウェア脆弱性は、現代のデジタルインフラにとって最も永続的な脅威の1つだ。 静的アプリケーションセキュリティテスト(SAST)ツールは、長い間防御の第一線として機能してきたが、彼らは高い偽陽性率に悩まされている。 この記事では、シンガポール経営大学とGovTech Singaporeの共同プロジェクトであるTitanCAを紹介します。 オープンソースソフトウェアに適用されたTitanCAは、ゼロデイ脆弱性が203件確認され、118件のCVEが得られた。 我々は、マッチング、フィルタリング、検査、適応という4つのモジュールアーキテクチャを説明し、LLMベースの脆弱性発見ソリューションの構築とデプロイから学んだ教訓を共有した。

関連論文リスト

• TOSSS: a CVE-based Software Security Benchmark for Large Language Models [0.28734453162509355]
  大規模言語モデル (LLM) は現在、多くの産業で使われている。 LLMはソフトウェアセキュリティに優れているか? 我々は、セキュアなコードスニペットと脆弱なコードスニペットを選択できるLLMの能力を測定するベンチマークであるTOSSSを紹介する。
  論文  参考訳（メタデータ） (2026-03-11T16:54:01Z)
• ZeroDayBench: Evaluating LLM Agents on Unseen Zero-Day Vulnerabilities for Cyberdefense [1.3106701124821307]
  大規模言語モデル(LLM)は、リポジトリに自律的に貢献するソフトウェアエンジニアリングエージェントとして、ますます多くデプロイされている。 LLMエージェントがオープンソースリポジトリで22の新たな重要な脆弱性を発見しパッチするベンチマークであるZeroDayBenchを紹介します。 私たちは、フロンティアLSMは、我々のタスクを自律的に解決し、いくつかの行動パターンを観察することができないことに気付きました。
  論文  参考訳（メタデータ） (2026-03-02T18:21:22Z)
• Okara: Detection and Attribution of TLS Man-in-the-Middle Vulnerabilities in Android Apps with Foundation Models [3.9807330903947378]
  トランスポート層セキュリティ(TLS)は、オンライン通信のセキュア化に基本である。 Man-in-the-Middle(MitM)による攻撃は、Androidアプリにとって大きな脅威だ。 我々は,MitM脆弱性の検出と帰属を自動化するフレームワークであるOkaraを紹介する。
  論文  参考訳（メタデータ） (2026-01-30T09:49:09Z)
• RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories [58.32028251925354]
  LLM(Large Language Models)は、コード生成において顕著な能力を示しているが、セキュアなコードを生成する能力は依然として重要で、未調査の領域である。 我々はRealSec-benchを紹介します。RealSec-benchは、現実世界の高リスクなJavaリポジトリから慎重に構築されたセキュアなコード生成のための新しいベンチマークです。
  論文  参考訳（メタデータ） (2026-01-30T08:29:01Z)
• RedSage: A Cybersecurity Generalist LLM [45.91667919408369]
  RedSageは、ドメイン認識事前トレーニングとポストトレーニングを備えた、オープンソースでローカルにデプロイ可能なサイバーセキュリティアシスタントである。 フレームワーク、攻撃的テクニック、セキュリティツールにまたがる28.6Kのドキュメントにまたがって、大規模なWebフィルタリングと高品質なリソースのマニュアルコレクションを使用します。 RedSageは、確立されたサイバーセキュリティベンチマーク(例えば、CTI-Bench、CyberMetric、SECURE)と一般的なLCMベンチマークで評価され、より広範な一般化を評価する。
  論文  参考訳（メタデータ） (2026-01-29T18:59:57Z)
• ParaVul: A Parallel Large Language Model and Retrieval-Augmented Framework for Smart Contract Vulnerability Detection [43.41293570032631]
  ParaVulは、スマートコントラクト脆弱性検出の信頼性と精度を向上させるための、検索強化フレームワークである。 LLM微調整のためのスパースローランド適応(SLoRA)を開発した。 脆弱性契約データセットを構築し,RAG(Retrieval-Augmented Generation)システムを開発した。
  論文  参考訳（メタデータ） (2025-10-20T03:23:41Z)
• TypePilot: Leveraging the Scala Type System for Secure LLM-generated Code [46.747768845221735]
  大規模言語モデル(LLM)は、様々なプログラミング言語のコード生成タスクにおいて顕著な習熟度を示している。 それらのアウトプットには微妙だが重要な脆弱性があり、セキュリティに敏感なシステムやミッションクリティカルなシステムにデプロイすると重大なリスクが生じる。 本稿では,LLM生成コードのセキュリティとロバスト性を高めるために設計されたエージェントAIフレームワークであるTypePilotを紹介する。
  論文  参考訳（メタデータ） (2025-10-13T08:44:01Z)
• What Do They Fix? LLM-Aided Categorization of Security Patches for Critical Memory Bugs [46.325755802511026]
  我々は、LLM(Large Language Model)と細調整された小言語モデルに基づく2つのアプローチを統合するデュアルメタルパイプラインであるLMを開発した。 LMは、OOBまたはUAFの脆弱性に対処する最近のLinuxカーネルのパッチ5,140のうち111つを、手作業による検証によって90の正の正が確認された。
  論文  参考訳（メタデータ） (2025-09-26T18:06:36Z)
• CyberGym: Evaluating AI Agents' Real-World Cybersecurity Capabilities at Scale [45.97598662617568]
  我々は188のソフトウェアプロジェクトにわたる1,507の実際の脆弱性を特徴とする大規模ベンチマークであるCyberGymを紹介した。 我々はCyberGymが35のゼロデイ脆弱性と17の歴史的不完全なパッチを発見できることを示した。 これらの結果は、CyberGymは、サイバーセキュリティにおけるAIの進歩を測定するための堅牢なベンチマークであるだけでなく、直接的な現実世界のセキュリティ効果を生み出すためのプラットフォームでもあることを強調している。
  論文  参考訳（メタデータ） (2025-06-03T07:35:14Z)
• Comparison of Static Application Security Testing Tools and Large Language Models for Repo-level Vulnerability Detection [11.13802281700894]
  静的アプリケーションセキュリティテスト(SAST)は通常、セキュリティ脆弱性のソースコードをスキャンするために使用される。 ディープラーニング(DL)ベースの手法は、ソフトウェア脆弱性検出の可能性を実証している。 本稿では,ソフトウェア脆弱性を検出するために,15種類のSASTツールと12種類の最先端のオープンソースLLMを比較した。
  論文  参考訳（メタデータ） (2024-07-23T07:21:14Z)

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。