論文の概要: Secret Scanner Agent: Extracting Secrets and Access Context from Unstructured Documents

• arxiv url: http://arxiv.org/abs/2607.09011v1
• Date: Fri, 10 Jul 2026 00:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.42153
• Title: Secret Scanner Agent: Extracting Secrets and Access Context from Unstructured Documents
• Title（参考訳）: Secret Scanner Agent: 構造化されていないドキュメントからシークレットとアクセスコンテキストを抽出する
• Authors: Zixiao Chen, Mariko Wakabayashi, Charlotte Siska,
• Abstract要約: 本研究では,シークレットスキャンエージェント(Secret Scanner Agent, SSA)を提案する。 SSAは、レギュラー圧縮スキャナの精度を3倍にし、リコールを3倍にします。 より正確で、秘密のドアペアの2倍近くを回収し、5倍から17倍速く走る。
• 参考スコア（独自算出の注目度）: 1.4231384299041911
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Exposed documents such as emails, chat threads, tickets, and incident notes routinely leak credentials, but during incident response a leaked secret is only half the story. Responders also need to identify the ``door'' the secret opens: the account, tenant, endpoint, database, cloud resource, or other system that the credential could allow an attacker to access. Traditional secret scanners rely on regular expressions or trained classifiers which work well on well-formatted code, yet they struggle when a credential is fragmented, reformatted, or far from the resource it unlocks, and they report the secret string without naming what it opens. We present Secret Scanner Agent (SSA), a multi-agent large-language-model system that extracts both the secret and its associated door, together with supporting evidence, from unstructured exposed documents. SSA pairs a detection agent that favors recall with a review agent that filters false positives and recovers missing context. Because real credential data is sensitive, we evaluate SSA on synthetic benchmarks we generated that span 23 secret types and multiple document formats, scored with a three-step pipeline of programmatic matching, an LLM judge, and human review. Across six models, multi-agent SSA improves extraction precision over a single-agent variant, with the largest gains on door extraction, by up to 16 percentage points. SSA matches a regular-expression scanner's precision while more than tripling its recall, and against thirteen security analysts it is more precise, recovers nearly twice as many secret--door pairs, and runs five to seventeen times faster. By returning the secret, its door, and supporting evidence in one result, SSA turns credential detection into an actionable finding for triage and remediation.
• Abstract（参考訳）: メール、チャットスレッド、チケット、インシデントノートなどの公開ドキュメントは、定期的に証明書をリークするが、インシデントレスポンスの間、漏洩したシークレットはストーリーの半分にすぎない。 レスポンダはまた、シークレットがオープンする‘door’(アカウント、テナント、エンドポイント、データベース、クラウドリソース、その他のシステム)を識別する必要がある。 従来のシークレットスキャナは、正規表現や訓練された分類器に頼っているが、クレデンシャルが断片化されたり、改ざんされたり、アンロックされたリソースから遠く離れた場合に苦労する。 秘密スキャンエージェント (Secret Scanner Agent, SSA) は, 秘密と関連するドアの両方を非構造化文書から抽出する多エージェントな大規模言語モデルシステムである。 SSAは、偽陽性をフィルタリングし、欠落したコンテキストを回復するレビューエージェントとリコールを好む検出エージェントをペアリングする。 実際のクレデンシャルデータはセンシティブなので、23のシークレットタイプと複数のドキュメントフォーマットにまたがる合成ベンチマークでSSAを評価します。 6つのモデルにまたがって、マルチエージェントSSAは単一エージェントモデルの抽出精度を最大16ポイント向上させる。 SSAは、レギュラー圧縮スキャナの精度を3倍にし、13人のセキュリティアナリストに対してより正確で、秘密のドアペアの2倍近くを回収し、5倍から17倍速く動作します。 秘密、ドア、証拠の1つを返却することで、SSAはクレデンシャル検出をトリアージと修復のための実用的な発見に変換する。

関連論文リスト

• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• Evaluating Large Language Models in detecting Secrets in Android Apps [11.963737068221436]
  モバイルアプリは、APIキー、トークン、クライアントIDなどの認証シークレットを組み込んでクラウドサービスと統合することが多い。 開発者はこれらの認証情報をAndroidアプリにハードコーディングし、リバースエンジニアリングを通じて抽出する。 我々は,Androidアプリのハードコードシークレットを検出するLLMベースのアプローチであるSecretLocを提案する。
  論文  参考訳（メタデータ） (2025-10-21T12:59:39Z)
• Trigger without Trace: Towards Stealthy Backdoor Attack on Text-to-Image Diffusion Models [70.03122709795122]
  テキストと画像の拡散モデルをターゲットにしたバックドア攻撃が急速に進んでいる。 現在のバックドアサンプルは良性サンプルと比較して2つの重要な異常を示すことが多い。 我々はこれらの成分を明示的に緩和することでTwT(Trigger without Trace)を提案する。
  論文  参考訳（メタデータ） (2025-03-22T10:41:46Z)
• Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
  Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。 Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)
• Secret Breach Prevention in Software Issue Reports [4.177725820146491]
  機密情報の 偶然の暴露は セキュリティの脅威の増大だ この研究は、大規模な分析とGitHub問題における公開シークレットの実用的な検出パイプラインによるギャップを埋めるものだ。 GitHubの公開イシューから54,148のインスタンスのベンチマークを構築しました。
  論文  参考訳（メタデータ） (2024-10-31T06:14:17Z)
• Task-Agnostic Detector for Insertion-Based Backdoor Attacks [53.77294614671166]
  本稿では,バックドア検出の先駆的手法であるTABDet(Task-Agnostic Backdoor Detector)を紹介する。 TABDetは、最終層ロジットと効率的なプーリング技術を組み合わせて、3つの著名なNLPタスクをまたいだ統一ロジット表現を可能にする。 TABDetは多様なタスク特化モデルから共同で学習し、従来のタスク特化手法よりも優れた検出効率を示す。
  論文  参考訳（メタデータ） (2024-03-25T20:12:02Z)
• ThreatCrawl: A BERT-based Focused Crawler for the Cybersecurity Domain [0.0]
  本稿では,ThreatCrawlと呼ばれる新しいクローラを提案する。 BiBERTベースのモデルを使用して文書を分類し、クローリングパスを動的に適応する。 収穫率は最大52%で、私たちの知る限りでは、現在の最先端技術よりも優れています。
  論文  参考訳（メタデータ） (2023-04-24T09:53:33Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)

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。