論文の概要: SessionBound: Turning Enterprise Task Approval into Budgeted Database Sessions
- arxiv url: http://arxiv.org/abs/2607.00751v1
- Date: Wed, 01 Jul 2026 10:36:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.85583
- Title: SessionBound: Turning Enterprise Task Approval into Budgeted Database Sessions
- Title（参考訳）: SessionBound: エンタープライズタスク承認を予算化されたデータベースセッションに変換する
- Authors: Minmin Wu,
- Abstract要約: SessionBoundは、承認されたエンタープライズタスクをAIエージェントのための短命、予算付き、監査可能なデータベースセッションに変換する。
コントロールプレーンはタスクテンプレートを定義し、タスクアプリケーションを受け入れ、承認を記録し、予算を割り当て、署名されたタスクトークンを発行する。
SessionBoundDBはトークンをセッションにバインドし、安全なビュー、行スコープ、拒否されたフィールド、オペレーション制限、クエリ予算、開示予算、レシートを強制する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enterprise AI agents are useful for internal analysis, audit, compliance review, and operational investigation, but they create a difficult authorization problem. A manager or data owner may approve a business task, while the agent later generates open-ended SQL below the application layer. Existing systems help identify agents, delegate authority, govern data products, or enforce database policy, but they do not directly turn an approved enterprise task into a bounded database execution context. SessionBound fills this gap. It turns approved enterprise tasks into short-lived, budgeted, and auditable database sessions for AI agents. A control plane defines task templates, accepts task applications, records approvals, assigns budgets, and issues signed task tokens. A database runtime, SessionBoundDB, binds a token to a session and enforces safe views, row scope, denied fields, operation limits, query budgets, disclosure budgets, and receipts. The database does not rely on an LLM to decide whether a query is safe. The agent may generate SQL freely, but each attempt must stay inside the approved boundary. A PostgreSQL prototype passed a 24-scenario validation suite. Microbenchmarks show p50 SessionBound execution around 1.4--1.5 ms versus raw PostgreSQL p50 around 0.052--0.074 ms on small synthetic queries: high relative overhead, but low absolute latency.
- Abstract（参考訳）: エンタープライズAIエージェントは、内部分析、監査、コンプライアンスレビュー、運用調査に役立ちますが、難しい認証問題を生み出します。
マネージャやデータ所有者はビジネスタスクを承認するが、エージェントは後にアプリケーション層の下にオープンなSQLを生成する。
既存のシステムは、エージェントの識別、権限委譲、データ製品の管理、データベースポリシーの実行を支援するが、承認されたエンタープライズタスクを直接境界データベース実行コンテキストに変換することはない。
SessionBoundはこのギャップを埋めます。
承認されたエンタープライズタスクを、AIエージェントのための短命、予算付き、監査可能なデータベースセッションに変換する。
コントロールプレーンはタスクテンプレートを定義し、タスクアプリケーションを受け入れ、承認を記録し、予算を割り当て、署名されたタスクトークンを発行する。
データベースランタイムであるSessionBoundDBは、トークンをセッションにバインドし、安全なビュー、行スコープ、拒否されたフィールド、オペレーション制限、クエリ予算、開示予算、レシートを強制する。
データベースは、クエリが安全かどうかを決定するためにLLMに依存しない。
エージェントはSQLを自由に生成できるが、それぞれの試行は承認されたバウンダリ内に留まる必要がある。
PostgreSQLのプロトタイプが24-scenarioバリデーションスイートをパスした。
マイクロベンチマークでは、p50 SessionBoundの実行は1.4-1.5ms、生のPostgreSQL p50は0.052-0.074msで、小さな合成クエリでは0.052-0.074msである。
関連論文リスト
- Agents That Know Too Much: A Data-Centric Survey of Privacy in LLM Agents [1.0742675209112622]
大規模言語モデルエージェントは、データベースのクエリの増加、ドキュメントコレクションの検索、外部APIの呼び出し、過去のインタラクションの記憶、ユーザの代理として振る舞う。
質問に答えることから、機密データを操作することに移行するにつれ、プライバシの強制は難しくなる。
我々は, LLMエージェントのプライバシをデータ中心の視点から調査し, 攻撃タイプではなく, エージェントが触れるデータを中心としたフィールドを整理する。
論文 参考訳（メタデータ） (2026-06-25T05:44:18Z) - Capable but Careless: Do Computer-Use Agents Follow Contextual Integrity? [54.701199583505144]
アプリケーション間アクセスは、ほとんど見落とされたプライバシーリスクを生み出す。
我々はAgentCIBenchを紹介します。これは、このリスクを決定論的に評価されたシナリオに変換する評価ハーネスです。
我々は15のフロンティアエージェントを評価し、驚くほど高い失敗率を見出す。
論文 参考訳（メタデータ） (2026-06-22T11:36:58Z) - Data Flow Control: Data Safety Policies for AI Agents [5.66981345671553]
本稿では,データフロー制御(Data Flow Control, DFC)を提案する。
我々はデータ安全性をモノミアル上でのアグリゲートの述語として定式化し、Passantはポータブルなクエリ書き換えレイヤで、具体化せずにポリシーを強制する。
結果として、データフローコントロールは、プロンプトやポストホックチェックからデータインフラストラクチャにデータ安全性を移行するための第一歩になります。
論文 参考訳（メタデータ） (2026-06-04T04:01:24Z) - PrivacyPeek: Auditing What LLM-Based Agents Acquire, Not Just What They Say [48.84133320567554]
LLMベースのエージェントは急速に進歩し、ユーザーのタスクを完了させるために外部ツールを自律的に呼び出している。
既存のプライバシベンチマークは、エージェントの応答や外部アクションが開示するものを監査するが、データがエージェントのコンテキストに最初に入力される取得ステージを見落としている。
LLMエージェントの取得段階のプライバシー漏洩を評価するベンチマークであるemphPrivacyPeekを紹介する。
論文 参考訳（メタデータ） (2026-05-29T04:55:12Z) - Verify-Gated Completion as Admission Control in a Governed Multi-Agent Runtime: A Bounded Architecture Case Study [0.6875312133832079]
制御されたマルチエージェントランタイムの入出力制御パターンとして,検証ゲート補完について検討する。
観測条件下では,読み取り専用検証ゲートとパケット化入力記録が検査可能で,フェールクロースされた。
論文 参考訳（メタデータ） (2026-05-18T07:52:13Z) - Before the Tool Call: Deterministic Pre-Action Authorization for Autonomous AI Agents [0.0]
Open Agent Passport (OAP)は、実行前にツール呼び出しを同期的にインターセプトするオープン仕様とリファレンス実装である。
OAPは、53ms(N=1,000)の中央値で認可決定を強制する
セキュリティ制約を強制するのと同じインフラストラクチャでは,品質ゲートや運用契約,コンプライアンスコントロールも実施されている。
論文 参考訳（メタデータ） (2026-03-21T21:34:09Z) - Weaver: Interweaving SQL and LLM for Table Reasoning [62.55797244714265]
Weaverは、構造化データ検索のためのsqlとセマンティック処理のためのLLMを組み合わせたフレキシブルなステップバイステッププランを生成する。
Weaverは、4つのTableQAデータセットで、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2025-05-25T03:27:37Z) - SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。
提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。
我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文 参考訳（メタデータ） (2025-03-11T17:53:02Z) - Cooperative SQL Generation for Segmented Databases By Using Multi-functional LLM Agents [48.25853644159186]
多機能エージェント(CSMA)に基づく協調sql生成フレームワークを提案する。
人間のチームワークにおけるコラボレーションに触発されて、CSMAは3つのステージから構成される。
スパイダーとバードのベックマークの実験では、CSMAは最先端技術に匹敵する高いパフォーマンスを達成している。
論文 参考訳（メタデータ） (2024-12-08T08:16:19Z) - "What makes my queries slow?": Subgroup Discovery for SQL Workload
Analysis [1.3124513975412255]
サブグループディスカバリーに根ざした独自のアプローチを導入する。
この汎用データマイニングフレームワークのインスタンス化と開発方法を示す。
インタラクティブな知識発見のための可視化ツールも提供しています。
論文 参考訳（メタデータ） (2021-08-09T09:44:13Z)
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。