論文の概要: HTTP REST API Structure Learning

• arxiv url: http://arxiv.org/abs/2607.02442v1
• Date: Thu, 02 Jul 2026 17:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.940045
• Title: HTTP REST API Structure Learning
• Title（参考訳）: HTTP REST API構造学習
• Authors: Ran Dubin, Amit Dvir,
• Abstract要約: HTTP REST API Learning(HRAL)は、教師なしの新たな異常検出アプローチである。 HRALは、APIの振る舞いを理解することによって、悪意のあるアクティビティの堅牢な検出を可能にする。 平均リコール率は87%、F1スコアは87.24%である。
• 参考スコア（独自算出の注目度）: 8.675784498879354
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Application Programming Interfaces (APIs) are essential in software development, enabling web services, mobile apps, and microservices. However, their widespread use introduces significant security risks, highlighting the importance of API security. This paper presents HTTP REST API Learning (HRAL), a novel unsupervised anomaly detection approach that models the structure and behavior of API endpoints directly from network traffic, without relying on predefined rules or documentation. HRAL enables robust detection of malicious activity by understanding how APIs behave and flagging deviations as potential threats. We evaluate HRAL across varying levels of OpenAPI documentation detail and compare it with existing techniques. HRAL achieves strong performance, with an average recall of 82.07% and an F1-score of 87.24%, significantly outperforming alternatives when API documentation is limited. Moreover, our results approach the effectiveness of full API document definitions. When combined with signature-based rules such as the OWASP ModSecurity CRS, our system achieves 100% detection. These results highlight HRAL's effectiveness in real-world, partially documented API environments and its potential as a foundational layer for modern API security solutions.
• Abstract（参考訳）: アプリケーションプログラミングインターフェース(API)は、Webサービス、モバイルアプリ、マイクロサービスを可能にするソフトウェア開発において不可欠である。 しかし、彼らの普及した利用は重大なセキュリティリスクをもたらし、APIセキュリティの重要性を強調している。 本稿では,ネットワークトラフィックから直接APIエンドポイントの構造と振舞いをモデル化する,新しい教師なしの異常検出手法であるHTTP REST API Learning(HRAL)について述べる。 HRALは、APIの振る舞いを理解し、逸脱を潜在的な脅威として警告することで、悪意のあるアクティビティの堅牢な検出を可能にする。 HRALをさまざまなレベルのOpenAPIドキュメンテーションの詳細で評価し、既存のテクニックと比較します。 HRALは87%のリコールと87.24%のF1スコアで、APIドキュメンテーションが制限された場合、大幅にパフォーマンスが向上している。 さらに,全API文書定義の有効性についても検討した。 OWASP ModSecurity CRSのようなシグネチャベースのルールと組み合わせることで,本システムは100%検出できる。 これらの結果は、HRALが実世界の部分的にドキュメント化されたAPI環境において有効であることと、現代的なAPIセキュリティソリューションの基盤層としての可能性を強調している。

関連論文リスト

• APISENSOR: Robust Discovery of Web API from Runtime Traffic Logs [10.620853813098503]
  APISENSORは、教師なしのアプリケーションAPIを再構築するブラックボックスAPIディスカバリフレームワークである。 混合交通騒音を模擬した1万以上のランタイム要求を用いて,6つのWebアプリケーションを対象にAPISENSORを評価した。 その結果、APISENSorは発見精度を著しく改善し、平均的なグループ精度95.92%、F1スコア94.91%を達成した。
  論文  参考訳（メタデータ） (2026-03-25T02:30:45Z)
• Differentially Private Synthetic Data Release for Topics API Outputs [63.79476766779742]
  当社では,Google ChromeのPrivacy Sandboxの一部として,1つのPrivacy-Preserving Ads API – Topics APIに注目しています。 実トピックAPIデータの再識別リスク特性と密に一致した、微分プライベートなデータセットを生成する。 これにより、外部の研究者がAPIを詳細に分析し、現実的な大規模データセットの事前および将来の作業の再現が可能になります。
  論文  参考訳（メタデータ） (2025-06-30T13:46:57Z)
• ExploraCoder: Advancing code generation for multiple unseen APIs via planning and chained exploration [70.26807758443675]
  ExploraCoderはトレーニング不要のフレームワークで、大規模な言語モデルにコードソリューションで見えないAPIを呼び出す権限を与える。 実験の結果、ExploreaCoderは、事前のAPI知識に欠けるモデルのパフォーマンスを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-12-06T19:00:15Z)
• FANTAstic SEquences and Where to Find Them: Faithful and Efficient API Call Generation through State-tracked Constrained Decoding and Reranking [57.53742155914176]
  APIコール生成は、大規模言語モデルのツール使用能力の基盤となっている。 既存の教師付きおよびコンテキスト内学習アプローチは、高いトレーニングコスト、低いデータ効率、APIドキュメントとユーザの要求に反する生成APIコールに悩まされる。 本稿では,これらの制約に対処するため,FANTASEと呼ばれる出力側最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-07-18T23:44:02Z)
• RoBERTa-Augmented Synthesis for Detecting Malicious API Requests [9.035212370386846]
  GANにインスパイアされた学習フレームワークを導入し、ターゲットとなるドメイン認識合成を通じて限られたAPIトラフィックデータセットを拡張する。 我々は,CSIC 2010 と ATRDF 2023 の2つのベンチマークデータセット上でフレームワークを評価し,従来のデータ拡張手法と比較した。 CSIC 2010ではF1スコアが4.94%増加し,ATRDF 2023では21.10%向上した。
  論文  参考訳（メタデータ） (2024-05-18T11:10:45Z)
• A Classification-by-Retrieval Framework for Few-Shot Anomaly Detection to Detect API Injection Attacks [9.693391036125908]
  本稿では,2つの主要部品からなる非教師なし数発の異常検出フレームワークを提案する。 まず、FastTextの埋め込みに基づいたAPI専用の汎用言語モデルをトレーニングする。 次に,近似Nearest Neighborサーチを分類・検索手法として用いた。
  論文  参考訳（メタデータ） (2024-05-18T10:15:31Z)
• Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
  RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。 評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T19:53:23Z)
• Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
  現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。 現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。 我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
  論文  参考訳（メタデータ） (2023-09-08T20:27:05Z)
• Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
  ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。 BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。 非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
  論文  参考訳（メタデータ） (2023-05-10T16:40:52Z)

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。