論文の概要: Sealing the Audit-Runtime Gap for LLM Skills

• arxiv url: http://arxiv.org/abs/2605.05274v1
• Date: Wed, 06 May 2026 14:23:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.333282
• Title: Sealing the Audit-Runtime Gap for LLM Skills
• Title（参考訳）: LLMスキルのためのオーディトランタイムギャップのせん断
• Abstract要約: LLMスキルの監査時間ギャップを封じ込めた最初のフレームワークであるSIGILを提案する。 SIGILは6種類の攻撃にまたがる1023の現場スキルに対して実世界の配備で評価する。
• 参考スコア（独自算出の注目度）: 22.86837061055991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) ecosystems such as Claude Code and ChatGPT increasingly rely on skills: packages of natural-language instructions and executable tools. Once in the LLM's context, skill content cannot be reliably separated from trusted instructions, and a skill's executable side can invoke privileged actions, exposing the skill supply chain to injection, tampering, and rug-pull attacks. Existing defenses are stage-bound: centralized signing, audit reports unbound from the runtime artifact, or policy engines that cannot attest to what was approved. We present SIGIL, the first framework that seals the audit-runtime gap for LLM skills. SIGIL delivers verifiable hosting through a tamper-evident, decentralized on-chain registry from which LLMs fetch skills directly. The registry admits four publication types, Transparent, Licensed, Sealed, and Committed, spanning plaintext public distribution, monetized access, custodial use, and off-chain workflows; before admission, every skill is vetted by a Decentralized Autonomous Organization (DAO) audit committee that supports pluggable auditing methods under a stake-and-slash economic model. At load time, SIGIL delivers verified loading through a skill verification protocol executed by a Skill Verification Loader (SVL) embedded as the mandatory loading path: the SVL retrieves and decrypts the skill as its type requires, verifies its integrity against the on-chain record, and enforces its permission manifest before context injection. We evaluate SIGIL on a real-world deployment against 1,023 in-the-wild skills spanning six attack types. At load time, the SVL verifies each skill's integrity against its on-chain record and enforces its approved permission manifest, completing batched verification under 86 ms. Together, these results show that LLM skills can be cryptographically bound from publication through runtime at practical cost.
• Abstract（参考訳）: Claude CodeやChatGPTといった大規模言語モデル(LLM)エコシステムは、ますますスキルに依存している。 LLMのコンテキストにおいて、スキル内容は信頼された命令から確実に分離することができず、スキルの実行側は特権的なアクションを実行し、スキルサプライチェーンをインジェクション、タンパリング、ラグプルアタックに露出させることができる。 既存の防御はステージバウンド – 集中的な署名、実行時アーティファクトからの監査レポート、承認されたことを証明できないポリシエンジンなどだ。 LLMスキルの監査時間ギャップを封じ込めた最初のフレームワークであるSIGILを提案する。 SIGILは、検証可能なホスティングを、LLMが直接、スキルをフェッチする、タンパーエビデントで分散化されたオンチェーンレジストリを通じて提供する。 Transparent, Licensed, Sealed, Committedの4つのパブリッシュタイプは、平文の公開配布、収益化アクセス、カストディアル利用、オフチェーンワークフローにまたがっており、入場前には、すべてのスキルが、利害とスラッシュの経済モデルの下でプラグイン可能な監査方法をサポートする分散自治機構(DAO)監査委員会によって審査される。 ロード時にSIGILは、必須ロードパスとして埋め込まれたスキル検証ローダ(SVL)によって実行されるスキル検証プロトコルを通じて、検証済みのロードを提供する。 SIGILは6種類の攻撃にまたがる1023の現場スキルに対して実世界の配備で評価する。 負荷時に、SVLは各スキルの整合性をオンチェーンレコードに対して検証し、承認された許可書を強制し、86ms以下のバッチ検証を完了する。

関連論文リスト

• SkillGate: Cost Efficient Runtime Malicious Skill File Detection in Coding Agents [9.553517006800913]
  ソフトウェアエンジニアリングチームは、AIコーディングエージェントを第一級の生産性ツールとしてデプロイした。 悪意のあるスキルファイルは、エージェントの振る舞いをサイレントにプログラムしたり、認証情報を流出させたり、生成されたコードにバックドアを注入したり、エージェントアクションを攻撃者が制御するエンドポイントにリダイレクトしたりすることができる。 我々は、エージェントのインストール前にAIスキルパッケージをスクリーニングするデプロイ可能なセキュリティゲートウェイであるSkillGateを紹介する。
  論文  参考訳（メタデータ） (2026-07-28T11:50:19Z)
• OpenSkill: Open-World Self-Evolution for LLM Agents [57.88680042818572]
  我々はオープンワールドの自己進化について研究し、エージェントはそのスキルと独自の検証シグナルをゼロから構築しなければならない。 このループをブートストラップするフレームワークであるOpenSkillを提案する。 OpenSkillは、非スーパービジョン制約を満たしながら、最高の自動パスレートを達成する。
  論文  参考訳（メタデータ） (2026-06-04T21:55:48Z)
• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• Harnessing LLM Agents with Skill Programs [58.356514745548026]
  HASPは、実行可能なプログラム関数(PF)にスキルをアップグレードする新しいフレームワークです。 PFは障害が発生しやすい状態を起動し、次のアクションを変更したり、修正コンテキストを注入する実行可能なガードレールとして機能する。 HASPは、Web検索、数学推論、コーディングタスクにおいて、トレーニング不要とトレーニングベースの両方の手法と比較して、大幅に向上している。
  論文  参考訳（メタデータ） (2026-05-18T01:35:11Z)
• Securing LLM Agents Need Intent-to-Execution Integrity [49.490963596514185]
  我々は, LLMエージェントの確保には, エージェントの実行がユーザの意図を忠実に反映した場合に規定するエンドツーエンドの正当性を定義する必要があると主張している。 LLMエージェントはコンパイラと構造的に類似しており、セキュリティ違反はユーザ意図を保存しない誤った実行に対応する。 emphTool整合性、emph命令整合性、emphJudgment整合性、emphData整合性。
  論文  参考訳（メタデータ） (2026-05-16T12:53:31Z)
• Semia: Auditing Agent Skills via Constraint-Guided Representation Synthesis [11.214847720120192]
  エージェントスキルの静的監査ツールであるSemiaについて紹介する。 Semiaは、各スキルをDatalogファクトベースであるSDL(Skill Description Language)に引き上げる。 我々は,公共市場から13,728の現実世界のスキルを評価する。
  論文  参考訳（メタデータ） (2026-05-01T00:48:47Z)
• Chain-of-Authorization: Internalizing Authorization into Large Language Models via Reasoning Trajectories [21.063230721511726]
  Chain-of-Authorization (CoA)フレームワークは、認証ロジックを大規模言語モデルのコア機能に内部化する。 CoAはポリシー実行とタスク応答を統合し、承認を実体的応答の因果的前提とする。
  論文  参考訳（メタデータ） (2026-03-24T07:13:01Z)
• Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
  大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。 モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
  論文  参考訳（メタデータ） (2026-01-12T21:31:38Z)
• Privacy-Preserving AI-Enabled Decentralized Learning and Employment Records System [2.756161833954979]
  学習と雇用記録(LER)システムは、教育と仕事の成果を安全にコンパイルし共有するための重要な基盤として浮上している。 既存のブロックチェーンベースのプラットフォームでは、検証可能な資格情報を活用するが、通常は自動スキルクレデンシャル生成と、構造化されていない学習の証拠を組み込む能力が欠如している。 本稿では,これらのギャップに対処するプライバシ保護型AI対応分散型LERシステムを提案する。
  論文  参考訳（メタデータ） (2026-01-06T05:18:03Z)
• Agentic AI for Autonomous Defense in Software Supply Chain Security: Beyond Provenance to Vulnerability Mitigation [0.0]
  本論文は,自律型ソフトウェアサプライチェーンセキュリティに基づくエージェント人工知能(AI)の例を含む。 大規模言語モデル(LLM)ベースの推論、強化学習(RL)、マルチエージェント調整を組み合わせている。 その結果、エージェントAIは、自己防衛的で積極的なソフトウェアサプライチェーンへの移行を促進することが示されている。
  論文  参考訳（メタデータ） (2025-12-29T14:06:09Z)
• LLMs as verification oracles for Solidity [1.3887048755037537]
  本稿では,この役割において,最先端の推論LLMである GPT-5 を初めて体系的に評価する。 我々は,大規模な検証タスクのデータセット上でその性能をベンチマークし,その出力を確立された形式的検証ツールと比較し,実世界の監査シナリオにおける実効性を評価する。 我々の研究は、AIの収束における新たなフロンティアと、セキュアなスマートコントラクト開発と監査のための形式的手法を示唆している。
  論文  参考訳（メタデータ） (2025-09-23T15:32:13Z)
• Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
  LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。 非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• 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)

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。