論文の概要: Empirical Evaluation of Large Language Models for Migration of Code Fragments to Post-Quantum Cryptography

• arxiv url: http://arxiv.org/abs/2606.07341v1
• Date: Fri, 05 Jun 2026 14:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.796252
• Title: Empirical Evaluation of Large Language Models for Migration of Code Fragments to Post-Quantum Cryptography
• Title（参考訳）: コードフラグメントからポスト量子暗号への移行のための大規模言語モデルの実証評価
• Authors: Javier Pallarés de Bonrostro, Ana I. González-Tablas, María Isabel González Vasco,
• Abstract要約: 本稿では,大規模言語モデル (LLM) が,前量子暗号コードフラグメントから後量子コードへのマイグレーションを支援することができるかどうかを評価する。 GPT-4.1はゼロショット設定で、GPT-3.5-turbo、GPT-4.1-mini、CodeLlama-7B-Instructの細調整版で評価される。 その結果、信頼性の高い暗号マイグレーションには、ドメイン固有の微調整が不可欠であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The transition to post-quantum cryptography (PQC) requires not only replacing vulnerable cryptographic primitives, but also refactoring the surrounding software logic. While existing PQC migration frameworks provide organizational guidance, practical code-level remediation remains largely manual and error-prone. This paper evaluates whether large language models (LLMs) can be trained to assist in the migration of pre-quantum cryptographic code fragments to post-quantum counterparts while preserving functional correctness. To this end, we introduce a reproducible experimental framework built around a synthetic dataset of 800 paired Python code fragments covering six cryptographic families and combined multi-primitive cases. Each pair is validated through category-specific functional tests, enabling both dataset quality control and objective evaluation of model-generated migrations. Four models are assessed: GPT-4.1 in a zero-shot setting, and fine-tuned versions of GPT-3.5-turbo, GPT-4.1-mini, and CodeLlama-7B-Instruct. The results show that domain-specific fine-tuning is essential for reliable cryptographic migration. The fine-tuned GPT-4.1-mini model achieves the best overall performance, with a mean static similarity of 0.9072 and a dynamic functional correctness rate of 92.5%, substantially outperforming the zero-shot baseline. A complementary validation on six open-source repositories further shows that the approach can produce useful migrations in localized cryptographic modules, while also revealing limitations in larger projects with complex dependencies and cross-module interactions. These findings suggest that fine-tuned LLMs can serve as practical components in future crypto-agile migration pipelines, provided they are coupled with automated verification and dependency-aware validation.
• Abstract（参考訳）: 量子後暗号(PQC)への移行は、脆弱な暗号プリミティブを置き換えるだけでなく、周辺のソフトウェアロジックをリファクタリングする必要がある。 既存のPQC移行フレームワークは組織的なガイダンスを提供するが、実際のコードレベルの修正は手作業で行われ、エラーが発生しやすい。 本稿では,大言語モデル(LLM)が,機能的正当性を保ちつつ,前量子暗号コードフラグメントから後量子コードへのマイグレーションを支援することができるかどうかを評価する。 この目的のために, 800対のPythonコードフラグメントを合成データセットとして構築した再現可能な実験フレームワークを紹介した。 各ペアはカテゴリ固有の機能テストを通じて検証され、データセットの品質管理とモデル生成マイグレーションの客観的評価が可能である。 GPT-4.1はゼロショット設定で、GPT-3.5-turbo、GPT-4.1-mini、CodeLlama-7B-Instructの細調整版で評価される。 その結果、信頼性の高い暗号マイグレーションには、ドメイン固有の微調整が不可欠であることが示唆された。 微調整のGPT-4.1-miniモデルは、0.9072の平均的な静的類似度と92.5%の動的機能的正しさで最高の全体的な性能を達成する。 6つのオープンソースリポジトリの補完的な検証は、このアプローチがローカライズされた暗号化モジュールの有用なマイグレーションを生成すると同時に、複雑な依存関係とクロスモジュールインタラクションを持つ大規模プロジェクトでの制限を明らかにしていることを示している。 これらの結果は、自動検証と依存性認識の検証が組み合わさっていれば、微調整のLLMが将来の暗号アジャイル移行パイプラインの実践的なコンポーネントとなることを示唆している。

関連論文リスト

• BRIDGE: Building Representations In Domain Guided Program Verification [67.36686119518441]
  BRIDGEは、検証をコード、仕様、証明の3つの相互接続ドメインに分解する。 提案手法は, 標準誤差フィードバック法よりも精度と効率を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-11-26T06:39:19Z)
• Adapting Multilingual Models to Code-Mixed Tasks via Model Merging [9.620539727633274]
  我々は,コード混合NLPの従来の適応戦略の代替として,モデルマージについて検討した。 我々は,XLM-RとLlama-3.2-1Bモデルを用いて,英語・ヒンディー語(En-Hi)と英語・スペイン語(En-Es)の文分類(センチメントとヘイトスピーチ)課題に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-10-22T17:16:23Z)
• Evaluating the Limitations of Local LLMs in Solving Complex Programming Challenges [0.31498833540989407]
  本研究では,オープンソースのローカルホスト型大規模言語モデル(LLM)による複雑なプログラミングタスクの処理性能について検討する。 AI駆動のコード生成評価(FACE)のためのオリジナルのフレームワークをベースとして、著者らはパイプラインを完全にオフラインで動作するように改造した。 その結果、パス@1の精度は局所モデルでは控えめであり、最高のモデルはプロプライエタリモデルの受け入れ率の約半分であることがわかった。
  論文  参考訳（メタデータ） (2025-09-18T14:13:30Z)
• When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
  本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。 Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
  論文  参考訳（メタデータ） (2025-08-15T10:32:50Z)
• CODEMENV: Benchmarking Large Language Models on Code Migration [11.735053997817765]
  CODEMENVは、19のPythonとJavaパッケージにまたがる922のサンプルで構成されている。 特定のバージョンと互換性のない関数の識別、関数定義の変更の検出、ターゲット環境へのコード適応という3つのコアタスクをカバーしている。 CODEMENV上での7つのLLMによる実験的評価では平均パス@1レートが26.50%となり、GPT-4Oは43.84%で最高スコアに達した。
  論文  参考訳（メタデータ） (2025-06-01T08:29:59Z)
• MigGPT: Harnessing Large Language Models for Automated Migration of Out-of-Tree Linux Kernel Patches Across Versions [53.811953357289866]
  大規模言語モデル(LLM)は、様々な領域で顕著な進歩を示している。 LLMは不完全なコードコンテキスト理解と不正確なマイグレーションポイント識別に苦労する。 MigGPTは、コードスニペット情報を保持するために新しいコード指紋構造を使用するフレームワークである。
  論文  参考訳（メタデータ） (2025-04-13T08:08:37Z)
• Masked Thought: Simply Masking Partial Reasoning Steps Can Improve Mathematical Reasoning Learning of Language Models [102.72940700598055]
  推論タスクでは、小さなエラーでも不正確な結果にカスケードすることができる。 入力の摂動に頼らず、外部リソースの導入を避ける手法を開発した。 私たちのトレーニングアプローチでは、思考の連鎖の中で特定のトークンをランダムにマスクします。
  論文  参考訳（メタデータ） (2024-03-04T16:21:54Z)
• Rationale-Guided Few-Shot Classification to Detect Abusive Language [5.977278650516324]
  乱用言語検出のためのRGFS(Rationale-Guided Few-Shot Classification)を提案する。 2つの理性統合BERTアーキテクチャ(RGFSモデル)を導入し、5つの異なる乱用言語データセット上でシステムを評価する。
  論文  参考訳（メタデータ） (2022-11-30T14:47:14Z)

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。