論文の概要: When LLMs Team Up: A Coordinated Attack Framework for Automated Cyber Intrusions
- arxiv url: http://arxiv.org/abs/2605.08763v1
- Date: Sat, 09 May 2026 07:47:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 15:03:54.813001
- Title: When LLMs Team Up: A Coordinated Attack Framework for Automated Cyber Intrusions
- Title（参考訳）: LLMsがチームを立ち上げる時: サイバー侵入自動化のための協調攻撃フレームワーク
- Abstract要約: 本稿では,侵入型タスク分析のための協調型マルチエージェントフレームワークであるCAESARを提案する。
CAESARはワークフローを5つの型付きロールに分解し、境界付きプロトコルを介してそれらを調整する。
予算とツールアクセスが一致した単一エージェントベースラインと比較して、CAESARはタスクの成功を改善し、パフォーマンスのばらつきを低減する。
- 参考スコア（独自算出の注目度）: 27.62993988829038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated intrusion-style workflows require LLM agents to reason over partial observations, tool outputs, and executable artifacts under bounded budgets. A single LLM instance often compresses evidence extraction, planning, execution, and validation into one context, which increases the risk of context drift and error propagation. Existing LLM-based multi-agent systems support general collaboration, but they do not explicitly model the role boundaries, artifact provenance, and cost constraints that characterize multi-stage intrusion workflows. This paper presents CAESAR, a coordinated multi-agent framework for controlled analysis of LLM-agent behavior in intrusion-style tasks. CAESAR decomposes the workflow into five typed roles and coordinates them through a bounded round protocol with a persistent knowledge base, a per-round workspace, validator-gated knowledge promotion, and capability-token write isolation. We evaluate CAESAR on 25 CTF tasks across five categories and four LLM backends. Compared with a single-agent baseline under matched budgets and tool access, CAESAR improves task success and reduces performance variance, with larger gains on tasks requiring multi-step exploit composition. A secondary simulated interactional-security study suggests that the role structure can transfer beyond code-native surfaces. The results indicate that role transitions, artifact provenance, and knowledge-promotion events provide useful structural signals for monitoring coordinated LLM-agent behavior beyond individual prompt and output inspection. The dataset, implementation, and evaluation logs are released at https://github.com/Xu-Qiu/CMAS.
- Abstract（参考訳）: 自動侵入スタイルのワークフローでは、LLMエージェントは、部分的な観察、ツール出力、および有界な予算の下で実行可能なアーティファクトを推論する必要がある。
単一のLCMインスタンスは、エビデンス抽出、計画、実行、検証をひとつのコンテキストに圧縮し、コンテキストのドリフトとエラーの伝播のリスクを増大させる。
既存のLLMベースのマルチエージェントシステムは、一般的なコラボレーションをサポートしているが、ロールバウンダリ、アーティファクトの証明、そしてマルチステージの侵入ワークフローを特徴付けるコスト制約を明示的にモデル化していない。
本稿では, 侵入型タスクにおけるLCMエージェント動作の制御を行う多エージェントフレームワークであるCAESARを提案する。
CAESARはワークフローを5つの型付きロールに分解し、永続的なナレッジベース、ラウンドごとのワークスペース、バリデータ付きナレッジプロモーション、キャパシティツーケン書き込みアイソレーションを備えた境界付きラウンドプロトコルを通じて調整する。
5つのカテゴリと4つのLCMバックエンドで25のCTFタスクでCAESARを評価した。
予算とツールアクセスの整合した単一エージェントベースラインと比較して、CAESARはタスクの成功を改善し、パフォーマンスのばらつきを低減する。
二次的なシミュレートされた相互作用とセキュリティの研究は、役割構造がコードネイティブの表面を超えて移動可能であることを示唆している。
その結果, 役割遷移, 人工物発生, 知識促進イベントは, 個別のプロンプトや出力検査を超えた協調LDMエージェント動作の監視に有用な構造信号を提供することがわかった。
データセット、実装、評価ログはhttps://github.com/Xu-Qiu/CMASで公開されている。
関連論文リスト
- Can LLM Agents Infer World Models? Evidence from Agentic Automata Learning [33.77002260033358]
ツールコールのLLMエージェントが、対話を通じて隠れた環境を発見できる範囲を評価する。
我々の設定では、エージェントはオラクルと相互作用することで隠れた決定論的有限オートマトン(DFA)を発見すべきである。
DFAのサイズが大きくなるにつれて,性能が急激に低下することがわかった。
論文 参考訳（メタデータ） (2026-06-15T11:23:13Z) - Role-Agent: Bootstrapping LLM Agents via Dual-Role Evolution [25.26084224278813]
Role-Agentは単一のLarge Language Model(LLM)を使用してエージェントと環境の両方として同時に機能する。
Role-Agentはパフォーマンスを継続的に改善し、強いベースラインよりも平均4%以上向上する。
論文 参考訳（メタデータ） (2026-06-09T14:28:07Z) - UnityMAS-O: A General RL Optimization Framework for LLM-Based Multi-Agent Systems [46.48622741253505]
LLMに基づくマルチエージェントシステムのための汎用RL最適化フレームワークUnityMAS-Oを提案する。
UnityMAS-Oは、単一応答やポリシーの軌道ではなく、完全なランタイムを最適化単位として扱う。
UnityMAS-Oは多様なマルチエージェントシステムからトレーニング可能なマルチエージェントRLシステムへ変換するための再利用可能な基板として機能することを示す。
論文 参考訳（メタデータ） (2026-05-26T07:30:03Z) - PRIMA: Operational Patterns for Resilient Multi-Agent Research with Verifiable Identity and Convergent Feedback [0.0]
PRIMAは、複数時間にわたる協調型マルチエージェント研究システムとして運用されている。
主なコントリビューションは、生存可能な障害モードのための3つの運用パターンである。
グラフ同型ケーススタディは、生成されたアーティファクトのアーキテクチャ的クレームを根拠にしている。
論文 参考訳（メタデータ） (2026-05-23T23:27:46Z) - Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。
本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文 参考訳（メタデータ） (2026-05-07T14:19:17Z) - Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。
既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。
ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
論文 参考訳（メタデータ） (2025-10-06T10:44:04Z) - CORTEX: Collaborative LLM Agents for High-Stakes Alert Triage [10.088447487211893]
SOC(Security Operations Centers)は、毎日何万ものアラートに圧倒されている。
この過負荷は警告の疲労を引き起こし、見過ごされた脅威やアナリストのバーンアウトにつながる。
警告トリアージのためのマルチエージェントLLMアーキテクチャであるCORTEXを提案する。
論文 参考訳（メタデータ） (2025-09-30T22:09:31Z) - Difficulty-Aware Agentic Orchestration for Query-Specific Multi-Agent Workflows [5.376980683850103]
本稿では,予測困難により誘導されるクエリ固有多エージェントを生成するDifficulty-Aware Agentic Orchestration (DAAO)を提案する。
DAAOは、精度と推論効率の両方において、従来のマルチエージェントシステムを上回る。
論文 参考訳（メタデータ） (2025-09-14T03:57:43Z) - Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。
その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。
本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文 参考訳（メタデータ） (2025-08-28T13:00:28Z) - Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - 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) - Towards Efficient LLM Grounding for Embodied Multi-Agent Collaboration [68.29746557968107]
本稿では,多エージェント協調のための新しいフレームワークを提案する。これは,効率的な自己調整のための強化アドバンテージフィードバック(Reinforced Advantage feedback, ReAd)を導入する。
Over-AIと難解なRoCoBenchの実験は、ReAdが成功率のベースラインを超え、エージェントの相互作用ステップを著しく減少させることを示している。
論文 参考訳（メタデータ） (2024-05-23T08:33:19Z)
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。