論文の概要: COHORT: Collaborative Orchestration for Hardening via Offensive Replay on Emulated Topologies

• arxiv url: http://arxiv.org/abs/2606.30479v1
• Date: Mon, 29 Jun 2026 15:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.319322
• Title: COHORT: Collaborative Orchestration for Hardening via Offensive Replay on Emulated Topologies
• Title（参考訳）: COHORT: 模擬トポロジ上での攻撃的リプレイによるハードニングのためのコラボレーションオーケストレーション
• Abstract要約: COHORTはデプロイ可能な緩和手順を自動化する最初のエンドツーエンドフレームワークである。 ロール分解型マルチエージェントLLMワークフローは、候補を提案し、それらを実際のデバイスコマンドとして実装し、批判ループを通じて洗練する。 各候補は攻撃的リプレイにより評価される: 軽減されたネットワーク上で元の敵を再実行し、未緩和のベースラインに対してペア比較する。 接続-回帰チェック(LANpingとインターネットHTTPプローブ)は、正当なLANまたはインターネット接続を妨害する緩和を拒否する。
• 参考スコア（独自算出の注目度）: 20.918689443204286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mitigating an observed adversary in an enterprise network typically takes weeks of expert work: an analyst derives a mitigation tailored to that adversary, validates it without breaking production, and verifies it disrupts the specific attack. The procedure relies on expert judgment and cannot safely be exercised against the production network. COHORT is the first end-to-end framework to automate this procedure for deployable mitigations. A role-decomposed multi-agent LLM workflow proposes candidates, implements them as real device commands, and refines them through a critique loop, all on a high-fidelity GNS3 emulator running real vendor firmware (firewall, switch, router). Each candidate is evaluated by offensive replay: re-executing the original adversary on the mitigated network for a paired comparison against the unmitigated baseline, rather than the reward-signal or expert-judgment proxies used in prior simulation, hybrid, and configuration-generation work. Two further checks complement replay: a connectivity-regression check (LAN ping and internet HTTP probe) rejects mitigations that disrupt legitimate LAN or internet connectivity, and a cumulative evaluation stacks approved mitigations onto a persistent state to surface compound effects. Across three topologies and four attack scenarios (ransomware, lateral movement, DNS exfiltration, data theft), 46.7% of generated mitigations both disrupt the attack and preserve connectivity under replay, 4.4 times the rate of a single-agent baseline using the same model and tool access. A demo video walking through the framework is available with our released artifacts.
• Abstract（参考訳）: アナリストは、その敵に合わせた緩和を導出し、生産を壊さずに検証し、特定の攻撃を妨害することを検証します。 この手順は専門家の判断に依存しており、生産ネットワークに対して安全に実施することはできない。 COHORTは、デプロイ可能な緩和のためにこの手順を自動化する最初のエンドツーエンドフレームワークである。 ロール分解されたマルチエージェントLLMワークフローは、候補を提案し、実際のデバイスコマンドとして実装し、批判ループを通じてそれらを洗練し、すべて、実際のベンダーファームウェア(ファイアウォール、スイッチ、ルータ)を実行する高忠実なGNS3エミュレータ上で実行します。 各候補は攻撃的リプレイにより評価される: 以前のシミュレーション、ハイブリッド、構成生成に使用される報酬信号または専門家判断プロキシではなく、軽減されたネットワーク上で元の敵をペアで比較するために、軽減されたネットワーク上で再実行する。 さらに2つのチェックは、接続-回帰チェック(LANピンとインターネットHTTPプローブ)によって、正当なLANまたはインターネット接続を妨害する緩和が拒否され、累積評価スタックは、複合効果を表面化する永続的な状態への緩和を承認する。 3つのトポロジと4つの攻撃シナリオ(ランサムウェア、横移動、DNSのフィルタリング、データ盗難)の46.7%は、同じモデルとツールアクセスを使用した単一エージェントベースラインの4.4倍の速度で、攻撃とリプレイによる接続を妨害する。 フレームワークを歩き回るデモビデオは、リリースしたアーティファクトで公開されています。

関連論文リスト

• SIR: Self-improving Red-teaming for Compute Use Agents [71.71987044117371]
  コンピュータ・ユース・エージェント(CUA、Computer use agent)は、マウス、キーボード、端末を通じて画面を認識し、実際のオペレーティングシステムに作用する視覚言語モデルである。 操作中に信頼できないコンテンツに晒されるため、間接的プロンプトインジェクション(IPI)に弱い。 SIRは,平易な言語で記述された再利用原則の小さなライブラリからステルスインジェクションを構成するブラックボックスIPIアタックである。
  論文  参考訳（メタデータ） (2026-08-31T03:39:43Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning [60.68349524623048]
  分解されたジェイルブレイクは、大きな言語モデルにとって重大な脅威となる。 我々はステートフルなデュアルエンコーダ防御フレームワークであるTwinGateを紹介する。 我々は、8600の異なる悪意のある意図にまたがる360万以上の命令の包括的なデータセットを構築した。
  論文  参考訳（メタデータ） (2026-04-30T13:44:01Z)
• Beyond Input Guardrails: Reconstructing Cross-Agent Semantic Flows for Execution-Aware Attack Detection [32.301679396929536]
  静的な入力フィルタリングから実行対応分析へ、防御パラダイムをシフトするフレームワークであるSysNameを提案する。 SysNameは断片化された操作プリミティブを連続した行動軌跡に合成し、システムアクティビティの全体像を可能にする。 実証的な評価により、SysNameは10以上の異なる複合攻撃ベクトルを効果的に検出し、それぞれノードレベルとパスレベルのエンドツーエンド攻撃検出に対して85.3%と66.7%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2026-03-04T01:59:16Z)
• Silent Egress: When Implicit Prompt Injection Makes LLM Agents Leak Without a Trace [0.0]
  自動生成されたURLプレビューに埋め込まれた敵対的命令は、サイレント・エクスプレスと呼ばれるシステムレベルのリスクをもたらす可能性があることを示す。 完全にローカルで再現可能なテストベッドを使用して、悪意のあるWebページがエージェントを誘導し、機密性の高いランタイムコンテキストを透過するアウトバウンドリクエストを発行できることを実証する。 qwen2.5:7bをベースとした480の実験では、攻撃は高い確率 (P (exress) =0.89) で成功し、95%の攻撃は出力ベースの安全チェックでは検出されない。
  論文  参考訳（メタデータ） (2026-02-25T22:26:23Z)
• RedVisor: Reasoning-Aware Prompt Injection Defense via Zero-Copy KV Cache Reuse [47.85771791033142]
  本稿では,防止戦略のシームレスな統合による検出システムの説明可能性を合成するフレームワークであるRedVisorを提案する。 RedVisorは、きめ細かい推論パスを利用して同時に攻撃を検出し、モデルの安全な応答を誘導する最初のアプローチである。 実験により、RedVisorは検出精度とスループットにおいて最先端の防御性能を上回り、無視可能なユーティリティ損失を発生させることを示した。
  論文  参考訳（メタデータ） (2026-02-02T08:26:51Z)
• Evasion-Resilient Detection of DNS-over-HTTPS Data Exfiltration: A Practical Evaluation and Toolkit [0.0]
  このプロジェクトは、ディフェンダーがDNS-over-HTTPS(DoH)ファイルのフィルタリングをどの程度検出できるか、攻撃者がどの回避戦略を使用できるかを評価することを目的としている。 このプロジェクトの独創性は、DoH上のファイルのフィルタリングを生成するエンドツーエンドのコンテナ化パイプラインの導入である。 パイプラインには予測側が含まれており、公開ラベル付きデータセットに基づいた機械学習モデルのトレーニングが可能になる。
  論文  参考訳（メタデータ） (2025-12-23T15:07:17Z)
• Adaptive Attacks on Trusted Monitors Subvert AI Control Protocols [80.68060125494645]
  プロトコルとモニタモデルを知っている信頼できないモデルによるアダプティブアタックについて検討する。 我々は、攻撃者がモデル出力に公知またはゼロショットプロンプトインジェクションを埋め込む単純な適応攻撃ベクトルをインスタンス化する。
  論文  参考訳（メタデータ） (2025-10-10T15:12:44Z)
• AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
  CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。 我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。 また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-08-04T09:53:50Z)
• Let the Noise Speak: Harnessing Noise for a Unified Defense Against Adversarial and Backdoor Attacks [31.291700348439175]
  機械学習に対する悪意のあるデータ操作攻撃は、安全クリティカルなアプリケーションにおける信頼性を損なう。 再建型侵入検知システムであるNoiSecを提案する。 NoiSecは、テスト入力からノイズを取り除き、ノイズから基礎となる特徴を抽出し、それらを活用して、システマティックな悪意のある操作を認識する。
  論文  参考訳（メタデータ） (2024-06-18T21:44:51Z)
• Improving the Adversarial Robustness for Speaker Verification by Self-Supervised Learning [95.60856995067083]
  この研究は、特定の攻撃アルゴリズムを知らずにASVの敵防衛を行う最初の試みの一つである。 本研究の目的は,1) 対向摂動浄化と2) 対向摂動検出の2つの視点から対向防御を行うことである。 実験の結果, 検出モジュールは, 約80%の精度で対向検体を検出することにより, ASVを効果的に遮蔽することがわかった。
  論文  参考訳（メタデータ） (2021-06-01T07:10:54Z)

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。