論文の概要: SecureMCP: A Policy-Enforced LLM Data Access Framework for AIoT Systems via Model Context Protocol

• arxiv url: http://arxiv.org/abs/2605.05260v1
• Date: Wed, 06 May 2026 04:58:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.323138
• Title: SecureMCP: A Policy-Enforced LLM Data Access Framework for AIoT Systems via Model Context Protocol
• Title（参考訳）: SecureMCP: モデルコンテキストプロトコルによるAIoTシステムのためのポリシ強化LLMデータアクセスフレームワーク
• Abstract要約: 本稿ではポリシー強化LLMデータアクセスフレームワークSecureMCPを提案する。 ロールベースアクセス制御(RBAC)をMPPサーバに組み込んで多層防御を確立する。 82.3%の政策コンプライアンスを2,400の敵クエリで達成し、真の防衛失敗は3.4%に制限されている。
• 参考スコア（独自算出の注目度）: 0.17188280334580194
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The deployment of Large Language Model (LLM)-generated SQL queries in Artificial Intelligence of Things (AIoT) systems introduces critical security risks, as prompt injection attacks can manipulate LLMs into producing unauthorized queries that expose sensitive data or execute destructive operations. Existing NL2SQL research focuses on query accuracy, while MCP server implementations provide only SQL-level protections without fine-grained role-based access control. This paper proposes SecureMCP, a policy-enforced LLM data access framework integrating Role-Based Access Control (RBAC) with an MCP server to establish multi-layer defense for LLM-generated SQL execution. The framework incorporates five defense modules -- check_policy for table-and-column-level RBAC, explain_gate for cost-explosive query blocking, SQL Interceptor for dangerous pattern detection, Risk Level Filter for SQL risk classification, and DB Isolation for cross-database restriction -- operating in a sequential fail-closed pipeline mapped to six prompt injection types grounded in the OWASP Top 10 for LLM Applications. We evaluate SecureMCP on the IoT-SQL dataset (11 tables, 173 columns, 239,398 records) using Qwen3-8B. Experiment A demonstrates that defense modules preserve execution accuracy, with EX-in-ALLOW remaining within 65.1%-76.4% across four RBAC roles, matching the unprotected baseline of 63.8%. Experiment B shows that SecureMCP achieves 82.3% Policy Compliance on 2,400 adversarial queries, with genuine defense failures limited to 3.4%. The defense-in-depth analysis reveals check_policy accounts for 78.7% of blocks, while secondary modules contribute an additional 17.5 percentage-point improvement. The Injection Incorporation Rate of 72.5% confirms high LLM susceptibility, establishing the necessity of external policy enforcement.
• Abstract（参考訳）: 大規模言語モデル(LLM)で生成されたSQLクエリをAIoT(Artificial Intelligence of Things)システムにデプロイすることで、重大なセキュリティリスクが発生する。 既存のNL2SQL研究はクエリの正確性に重点を置いているが、MPPサーバの実装では、粒度の細かいロールベースのアクセス制御なしでSQLレベルの保護しか提供していない。 本稿では,ロールベースアクセス制御(RBAC)とMPPサーバを統合したポリシー強化LLMデータアクセスフレームワークSecureMCPを提案する。 フレームワークには5つのディフェンスモジュール - check_policy for table-and-column-level RBAC, explain_gate for cost-explosive query blocking, SQL Interceptor for dangerous pattern detection, Risk Level Filter for SQL risk classification, DB isolation for cross-database limit -- が含まれている。 Qwen3-8Bを用いてIoT-SQLデータセット(11テーブル、173列、239,398レコード)上でSecureMCPを評価する。 実験Aでは、防御モジュールは実行精度を保ち、EX-in-ALLOWは4つのRBACロールで65.1%-76.4%以内であり、63.8%の未保護ベースラインと一致している。 実験Bでは、SecureMCPは2400の敵クエリに対して82.3%のポリシー準拠を実現しており、真の防御障害は3.4%に制限されている。 ディフェンス・イン・ディープス分析では、チェック・ポリティクスの78.7%がブロックであり、セカンダリ・モジュールは17.5ポイントの改善に寄与している。 72.5%のインジェクション・インコーポレーション・レートは、高いLCM感受性を確認し、外部の政策執行の必要性を確立している。

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)
• On Understanding, Identifying, and Mitigating Vulnerabilities in Agentic Large Language Models [2.8528615301556997]
  大規模言語モデル(LLM)は、ステートレスな会話インターフェースから自律的なエージェントへとシフトしてきた。 妥協された推論ステップは、不正なデータアクセス、不可逆的な状態変更、障害のカスケードを引き起こす可能性がある。 本研究では,PRISMA 2020ガイドラインに基づく体系的な文献レビューを行った。
  論文  参考訳（メタデータ） (2026-08-11T06:11:26Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• A Layered Security Framework Against Prompt Injection in RAG-Based Chatbots [1.948261185683419]
  推論パイプライン全体を通して直接および間接的なインジェクションをインターセプトする3層フレームワークを提案する。 GPT-4o、Llama 3、Mistral 7Bの5,080サンプルの評価は、このフレームワークが攻撃成功率(ASR)を71.4%から11.3%に下げていることを示している。
  論文  参考訳（メタデータ） (2026-06-17T23:59:57Z)
• Adversarial SQL Injection Generation with LLM-Based Architectures [0.15122029613508317]
  sqlインジェクション攻撃は、Open Worldwide Application Security Project (OWASP)トップ10の脅威の中で、依然として深刻な攻撃の1つです。 人工知能(AI)の進歩、特にLarge Language Models(LLM)では、防御機構を測定するために敵攻撃テストを自動化する機会が生み出されている。 我々は2つの新しいLCMベースのシステム、Retrieval Augmented Generation for Adrial SQLi(RADAGAS)とRefleXQLi(RefleXQLi)を紹介する。 我々のテストは240の実験から成り、24万のペイロードを生成し、WAFに対して2200万のテストを実行した。
  論文  参考訳（メタデータ） (2026-05-11T19:52:44Z)
• CASCADE: A Cascaded Hybrid Defense Architecture for Prompt Injection Detection in MCP-Based Systems [0.0]
  既存の防衛システムは、高い偽陽性率、API依存性、ホワイトボックスアクセス要件などの制限に悩まされている。 提案するCASCADEは,MPPベースのシステムのための3層ケースドディフェンスアーキテクチャである。 既存のソリューションに対するCASCADEの重要な利点は、完全なローカル操作であり、外部API呼び出しを必要としないことである。
  論文  参考訳（メタデータ） (2026-04-18T19:53:09Z)
• An Agentic System for Schema Aware NL2SQL Generation [0.0]
  大規模言語モデル(LLM)は、計算オーバーヘッド、データプライバシ、リソース制約のある環境における実世界のデプロイ可能性に関する懸念を提起する。 本稿では,Small Language Models (SLM) をプライマリエージェントとして戦略的に活用するスキーマベースのエージェントシステムを提案する。 LLMのみのシステムでは0.094のクエリに対して0.0085の平均コストが達成され、ローカルで実行されるクエリではほぼゼロの運用コストが達成される。
  論文  参考訳（メタデータ） (2026-02-25T02:58:02Z)
• Patient-Similarity Cohort Reasoning in Clinical Text-to-SQL [63.578576078216976]
  CLINはMIMICIV v3.1の633のエキスパートアノテートタスクのベンチマークである。 我々はChain-of-Thoughtセルフリファインメントの下で22のプロプライエタリモデルとオープンソースモデルを評価した。 最近の進歩にもかかわらず、パフォーマンスは臨床的な信頼性には程遠い。
  論文  参考訳（メタデータ） (2026-01-14T21:12:06Z)
• MCP-RiskCue: Can LLM Infer Risk Information From MCP Server System Logs? [3.4468299705073133]
  システムログからセキュリティリスクを識別する大規模言語モデルの能力を評価するための,最初の総合ベンチマークを示す。 MCPサーバのリスクの9つのカテゴリを定義し,10の最先端LCMを用いて1,800の合成システムログを生成する。 実験では、小さなモデルではリスクの高いシステムログの検出に失敗することが多く、偽陽性につながることが判明した。
  論文  参考訳（メタデータ） (2025-11-08T05:52:53Z)
• Defeating Prompt Injections by Design [79.00910871948787]
  CaMeLは、Large Language Modelsを中心とした保護システムレイヤを作成する堅牢なディフェンスである。 CaMeLは、(信頼された)クエリから制御とデータフローを明示的に抽出する。 セキュリティをさらに改善するため、CaMeLは、権限のないデータフロー上のプライベートデータの流出を防止する機能の概念を使用している。
  論文  参考訳（メタデータ） (2025-03-24T15:54:10Z)
• Evaluating and Improving the Robustness of Security Attack Detectors Generated by LLMs [6.517076600304129]
  大規模言語モデル(LLM)は、セキュリティ要件を実装するアタック検出器などの関数を生成するために、ソフトウェア開発でますます使われている。 本稿では,LLMパイプラインに検索拡張生成(RAG)とセルフランキングを統合するアプローチを提案する。 RAGは外部知識源を取り入れて出力の堅牢性を高める一方、自己整合性の概念にインスパイアされたセルフランキング技術は複数の推論経路を生成し、最も堅牢な検出器を選択するランクを生成する。
  論文  参考訳（メタデータ） (2024-11-27T10:48:37Z)
• RSL-SQL: Robust Schema Linking in Text-to-SQL Generation [51.00761167842468]
  本稿では、双方向スキーマリンク、コンテキスト情報拡張、バイナリ選択戦略、マルチターン自己補正を組み合わせたRSLと呼ばれる新しいフレームワークを提案する。 ベンチマークの結果,オープンソースのソリューション間でのSOTA実行精度は67.2%,BIRDは87.9%,GPT-4オクルージョンは87.9%であった。 提案手法は,DeepSeekを同一のプロンプトで適用した場合,GPT-4ベースのテキスト・ツー・シークシステムよりも優れている。
  論文  参考訳（メタデータ） (2024-10-31T16:22:26Z)
• Do-Not-Answer: A Dataset for Evaluating Safeguards in LLMs [59.596335292426105]
  本稿では,大規模な言語モデルにおけるセーフガードを評価するための,最初のオープンソースデータセットを収集する。 我々は、自動安全性評価において、GPT-4に匹敵する結果を得るために、BERTライクな分類器をいくつか訓練する。
  論文  参考訳（メタデータ） (2023-08-25T14:02:12Z)

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。