論文の概要: AdvancedShelLM: A Stateful Multi-Agent LLM Honeypot for SSH Deception
- arxiv url: http://arxiv.org/abs/2606.27990v1
- Date: Fri, 26 Jun 2026 11:39:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.477429
- Title: AdvancedShelLM: A Stateful Multi-Agent LLM Honeypot for SSH Deception
- Title（参考訳）: AdvancedShelLM: SSH偽装のためのステートフルマルチエージェントLLMハニーポット
- Abstract要約: マルチエージェント・マルチLLMアーキテクチャを用いて,従来のLLMハニーポットの限界に対処するLLMをベースとした新しいハニーポットの設計を提案する。
AdvancedShelLMと呼ばれる私たちのハニーポットは、マネージャとWorkerという2つのLLMエージェントを使用します。
- 参考スコア（独自算出の注目度）: 0.3262230127283452
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: LLM-based SSH honeypots can generate believable interactions, but evaluations indicate they remain somewhat identifiable to determined attackers, indicating the need for a better scaffolding. We present a new LLM-based honeypot design that uses a multi-agent, multi-LLM architecture to address the limitations of the previous shelLM LLM honeypot. Our honeypot, called AdvancedShelLM, uses two LLM agents, a Manager and a Worker, that better understand the commands while reducing incorrect responses and increasing deception. It implements an advanced permanent filesystem, allowing many simultaneous attackers to see the same changing files for the first time. It was evaluated with: (i) unit tests for generative capabilities, (ii) an AI attacker (ARACNE) to assess realism and deception, (iii) human attackers to assess its deceptive capability, and (iv) an Internet deployment to evaluate deception in real-world attacks. In unit test results, AdvancedShelLM achieved a pass rate of up to 99.02%. The AI attacker ARACNE had issues making a decision if the system is honeypot or not, but showed slight bias towards saying honeypot, even for a real Ubuntu shell. With human attackers, AdvancedShelLM deceived more humans than Cowrie, but had similar results as shelLM. The Internet deployment showed concrete evidence that the output of AdvancedShelLM can influence the behaviour of real-life attackers.
- Abstract（参考訳）: LLMをベースとしたSSHハニーポットは、信頼できる相互作用を生成できるが、評価は、決定的な攻撃者に対して幾らか識別可能であることを示し、より良い足場の必要性を示している。
マルチエージェント・マルチLLMアーキテクチャを用いて,従来のLLMハニーポットの限界に対処するLLMをベースとした新しいハニーポットの設計を提案する。
AdvancedShelLMと呼ばれる私たちのハニーポットは、マネージャとWorkerという2つのLLMエージェントを使用します。
高度な永続ファイルシステムを実装しており、多くの同時攻撃者が初めて同じ変更ファイルを見ることができる。
評価は以下の通り。
(i)生成能力の単体テスト
(II)AI攻撃者(ARACNE)が現実主義と偽装を評価すること。
三 人間の攻撃者がその偽装能力を評価すること、
(iv) 実世界の攻撃における騙しを評価するためのインターネット展開。
単体テストの結果、AdvancedShelLMは99.02%のパスレートを達成した。
AI攻撃のARACNEは、システムがハニーポットかどうかを判断する問題があったが、実際のUbuntuシェルであっても、ハニーポットと言うことに多少の偏見を示した。
人間の攻撃により、AdvancedShelLMはカウリーよりも多くの人間を騙したが、ShelLMと同様の結果を得た。
インターネットの展開は、AdvancedShelLMの出力が実際の攻撃者の行動に影響を及ぼすという具体的な証拠を示した。
関連論文リスト
- Beware of Agentic Botnets: Scalable Untargeted Promptware Attacks via Universal and Transferable Adversarial HalluSquatting [10.894389368294968]
資源識別子を幻覚させる LLM の固有の傾向は、未目標のプロンプトウェア攻撃を増幅するために活用できることを示す。
本稿では,攻撃者がトレンドリソースを識別し,敵のプロンプトに登録する手法である,敵の幻覚スクワットについて紹介する。
基礎的なLCMとアプリケーション層間の幻覚の予測可能性と伝達可能性を活用することで、敵は未目標のプロンプトウェアのリーチを著しく増幅することができる。
論文 参考訳（メタデータ） (2026-07-08T14:02:14Z) - Honeyval: A Comprehensive Evaluation Framework for LLM-powered HTTP Honeypots [22.377298744054954]
ハニーポット(Honeypots)は、サイバー攻撃を防ぐために設計された実際のシステムコンポーネントを模倣したデコイシステムである。
近年、LLMはハニーポットのシミュレーションバックボーンとしての役割を担っている。
Honeyval は LLM ベースの HTTP ハニーポットの包括的な評価フレームワークである。
論文 参考訳（メタデータ） (2026-05-28T14:02:27Z) - VelLMes: A high-interaction AI-based deception framework [0.3499870393443268]
本稿では,VelLMesと呼ばれるAIによる偽装フレームワークを提案する。
VelLMesは人間に攻撃されるように設計されているため、対話性とリアリズムがそのパフォーマンスの鍵となる。
生成能力と偽装能力を評価した。
論文 参考訳（メタデータ） (2025-10-08T13:00:23Z) - LLMHoney: A Real-Time SSH Honeypot with Large Language Model-Driven Dynamic Response Generation [0.0]
本稿では,Large Language Models (LLMs) を利用してリアルタイムに動的コマンド出力を生成するSSHハニーポット LLMHoney について述べる。
LLMは辞書ベースの仮想ファイルシステムを統合し、低レイテンシで共通コマンドを処理する。
精度(exact-match, Cosine similarity, Jaro-Winkler similarity, Levenshtein similarity and BLEU score)、応答遅延、メモリオーバーヘッドなどを含む総合的な指標を報告する。
論文 参考訳（メタデータ） (2025-09-01T13:28:00Z) - Beyond Prompt-Induced Lies: Investigating LLM Deception on Benign Prompts [79.1081247754018]
大規模言語モデル(LLM)は、推論、計画、意思決定のタスクに広くデプロイされている。
そこで我々は, 接触探索質問(CSQ)に基づく枠組みを提案し, 騙しの可能性を定量化する。
論文 参考訳（メタデータ） (2025-08-08T14:46:35Z) - AgentHarm: A Benchmark for Measuring Harmfulness of LLM Agents [84.96249955105777]
LLMエージェントは誤用された場合、より大きなリスクを引き起こすが、その堅牢性は未発見のままである。
我々は, LLMエージェント誤用の研究を容易にするために, AgentHarmと呼ばれる新しいベンチマークを提案する。
主要なLLMは、ジェイルブレイクなしで悪意のあるエージェント要求に驚くほど準拠している。
論文 参考訳（メタデータ） (2024-10-11T17:39:22Z) - 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) - Coercing LLMs to do and reveal (almost) anything [80.8601180293558]
大規模言語モデル(LLM)に対する敵対的攻撃は、有害なステートメントを作るためにモデルを「ジェイルブレイク」することができることが示されている。
LLMに対する敵対的攻撃のスペクトルは単なるジェイルブレイクよりもはるかに大きいと我々は主張する。
論文 参考訳（メタデータ） (2024-02-21T18:59:13Z) - SmoothLLM: Defending Large Language Models Against Jailbreaking Attacks [99.23352758320945]
SmoothLLMは,大規模言語モデル(LLM)に対するジェイルブレーキング攻撃を軽減するために設計された,最初のアルゴリズムである。
敵が生成したプロンプトが文字レベルの変化に対して脆弱であることから、我々の防衛はまず、与えられた入力プロンプトの複数のコピーをランダムに摂動し、対応する予測を集約し、敵の入力を検出する。
論文 参考訳（メタデータ） (2023-10-05T17:01:53Z) - LLM in the Shell: Generative Honeypots [0.26249027950824505]
ハニーポットはサイバーセキュリティにおいて、早期発見、脅威情報収集、攻撃者の行動分析に不可欠なツールである。
この研究は、Linuxライクなシェル出力を生成するLarge Language Modelsをベースとした、動的で現実的なソフトウェアハニーポットであるShelLMを導入している。
論文 参考訳（メタデータ） (2023-08-31T22:05:46Z) - Not what you've signed up for: Compromising Real-World LLM-Integrated
Applications with Indirect Prompt Injection [64.67495502772866]
大規模言語モデル(LLM)は、様々なアプリケーションに統合されつつある。
本稿では、プロンプトインジェクション攻撃を用いて、攻撃者が元の命令をオーバーライドし、制御を採用する方法を示す。
我々は、コンピュータセキュリティの観点から、影響や脆弱性を体系的に調査する包括的な分類法を導出する。
論文 参考訳（メタデータ） (2023-02-23T17:14:38Z)
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。