論文の概要: Understanding Implicit Trust Errors in Core Carrier Networks through Multi-Agent Flaw Discovery and Analysis

• arxiv url: http://arxiv.org/abs/2607.10315v1
• Date: Sat, 11 Jul 2026 13:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.394031
• Title: Understanding Implicit Trust Errors in Core Carrier Networks through Multi-Agent Flaw Discovery and Analysis
• Title（参考訳）: マルチエージェント欠陥発見と解析によるコアキャリアネットワークにおけるインシシタントエラーの理解
• Abstract要約: セルコアネットワーク(CN)は重要なインフラであるが、その内部セキュリティモデルは歴史的に物理的隔離に依存してきた。 CNがクラウドネイティブなデプロイメントに移行するにつれ、CNコンポーネント間で、盲目的信頼のパターンが繰り返されていることが分かりました。 我々は、LLM駆動のマルチエージェントシステムであるiFinderを設計し、既知の欠陥を要約し、それらを検出パターンに蒸留し、CN実装で新しいiTrueを見つけるために適用した。
• 参考スコア（独自算出の注目度）: 16.910794039483783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cellular core networks (CNs) are critical infrastructure, yet their internal security model has historically relied on physical isolation: interfaces between core components often operate within an assumed trust zone. As CNs transition to cloud-native deployments, this assumption weakens, expanding the attack surface and enabling external adversaries to reach previously internal interfaces. From a root-cause analysis of security flaws reported in GitHub issues for opensource CN implementations, we found a recurring pattern of blind trust among CN components. Components may omit syntactic validation, fail to enforce semantic invariants, or allocate resources without checking availability. Once internal interfaces become reachable, these weaknesses can lead to severe impacts such as denial of service and session hijacking. We call these vulnerabilities implicit trust errors (iTrue). To detect iTrues and understand their security impacts, we designed iFinder, an LLM-driven multi-agent system that summarizes known flaws, distills them into detection patterns, and applies them to discover new iTrues in CN implementations. To suppress hallucinations produced by large language models (LLMs), we built an innovative strategy that crosschecks both 3GPP specifications and CN code to capture existing protection missed by the agents. Further, we developed a technique that uses LLMs to generate proof-of-concept (PoC) exploits for potential iTrues and iteratively refine the PoCs by automatically executing them against CN implementations and analyzing results. Running iFinder on seven prominent open-source CN implementations, we discovered 84 previously unknown vulnerabilities. Among them, 83 have already been confirmed and 81 have been assigned CVEs. Importantly, a session-hijacking flaw has been confirmed on real-world commercial 5G core networks.
• Abstract（参考訳）: セルラーコアネットワーク(CN)は重要なインフラであるが、その内部セキュリティモデルは歴史的に物理的隔離に依存してきた。 CNがクラウドネイティブなデプロイメントに移行すると、この仮定は弱まり、攻撃面が拡張され、外部の敵が以前の内部インターフェースに到達できるようになる。 オープンソースCN実装のGitHubイシューで報告されたセキュリティ欠陥の根本原因分析から、私たちは、CNコンポーネント間でブラインド信頼のパターンを繰り返し見つけました。 コンポーネントは構文検証を省略したり、セマンティック不変性を強制したり、可用性をチェックせずにリソースを割り当てたりすることができる。 一度内部インターフェースが到達可能になったら、これらの弱点はサービス拒否やセッションハイジャックといった深刻な影響をもたらす可能性がある。 これらの脆弱性を暗黙の信頼エラー(iTrue)と呼ぶ。 iTrueを検知し,セキュリティへの影響を理解するために,既知の欠陥を要約し,検出パターンに抽出し,新しいiTrueをCN実装で検出する,LLM駆動のマルチエージェントシステムiFinderを設計した。 大規模言語モデル(LLM)が生み出す幻覚を抑制するため、3GPP仕様とCNコードの両方をクロスチェックし、エージェントが見逃した既存の保護を捕捉する革新的な戦略を構築した。 さらに,LLMを用いて,潜在的なiTrueに対する概念実証(PoC)エクスプロイトを生成し,それをCN実装に対して自動的に実行し,結果を解析することにより,PoCを反復的に洗練する手法を開発した。 iFinderを7つの有名なオープンソースCN実装で実行し、以前84の脆弱性を発見しました。 そのうち83機はすでに確認されており、81機がCVEに割り当てられている。 重要なことに、実際の商用5Gコアネットワークでセッションハイジャックの欠陥が確認されている。

関連論文リスト

• CyberFactory: Scaling Cyber Security Capabilities with Instances from the Wild [49.44069582581181]
  CyberFactoryは、CVEを含む公開脆弱性アーティファクトをワイルドから実行可能で検証可能なタスクインスタンスに変換する。 再利用可能な脆弱性分析スキルを使用して、ソースインスペクション、ドメイン前の問題解決、エビデンスベースのバリデーションを通じて教師を指導する。 CyberGymでは1時間の予算で52.4%のPass@1に達し、Qwen3.5ベースモデルを+22.8ポイント改善した。
  論文  参考訳（メタデータ） (2026-08-24T12:30:10Z)
• Adversarial Attacks in Multi-Agent LLM Pipelines: Unveiling Structural Vulnerabilities in Agentic AI Architectures [4.053243845971823]
  マルチエージェントLLMパイプラインは、特殊な言語モデルエージェントを構造化し、中間出力をエージェント間で渡して複雑なタスクを解決する。 この設計では、単一のエージェント設定にないセキュリティギャップが導入されている。 この脆弱性は、エージェント間の境界を越える際に、データの明示的な検証を強制するセキュリティプリミティブである境界検証の欠如に起因している、と私たちは主張する。
  論文  参考訳（メタデータ） (2026-08-01T15:35:58Z)
• Bulkhead: Automated Semantic Detection and Remediation of Container Escape Vulnerabilities [20.880313075865434]
  クロスバウンダリパスの誤分解は、コンテナエコシステムにおけるファイルシステムの分離を弱める。 PaTraの脆弱性は、セキュアでないホスト-コンテナ間相互作用に由来する。 Bulkheadは,大規模言語モデルと意味的脆弱性発見と修復のための形式的手法を統合した,自動化されたフレームワークである。
  論文  参考訳（メタデータ） (2026-07-14T12:52:56Z)
• Agent Hacks Agent: Autoresearch for Production-Agent Red-Teaming [8.592488240217625]
  本研究では, 1 つのエージェント研究環境を用いて, 生産用 LLM エージェントの自動リピートについて検討した。 脆弱性仮説を提案し、ファルシファイアを構築し、有効な攻撃をインスタンス化し、サンドボックス化されたハーネスで実行し、検証された結果をVulnerability Concept Graph(VCG)にプロモートする。 直接および間接的な攻撃をカバーする3つのシナリオに関するClude CodeとCodexの裏側で、発見された概念は、モデルとエージェント間で再利用可能な脆弱性コアを明らかにしている。
  論文  参考訳（メタデータ） (2026-07-13T15:31:04Z)
• ShieldNet: Network-Level Guardrails against Emerging Supply-Chain Injections in Agentic Systems [56.613157564882925]
  悪意のある行動は、一見良心的なツールに埋め込まれ、エージェントの実行を静かにハイジャックしたり、機密データをリークしたり、無許可のアクションをトリガーしたりする。 影響は拡大しているが、このような脅威を評価するための包括的なベンチマークは今のところ存在しない。 実ネットワークの相互作用を観測してサプライチェーン中毒を検出するネットワークレベルのガードレールフレームワークであるShieldNetを提案する。
  論文  参考訳（メタデータ） (2026-04-06T05:15:00Z)
• ClawTrap: A MITM-Based Red-Teaming Framework for Real-World OpenClaw Security Evaluation [1.3259530543819007]
  既存のベンチマークは主に静的設定サンドボックスとコンテンツレベルのプロンプト攻撃に焦点を当てている。 我々は、実世界のOpenClawセキュリティ評価のためのtextbfMITM ベースのred-teaming フレームワーク textbfClawTrap を提案する。
  論文  参考訳（メタデータ） (2026-03-19T11:14:45Z)
• Internal Safety Collapse in Frontier Large Language Models [65.00730294617382]
  この研究は、フロンティア大言語モデル(LLM)における重要な障害モードを特定する。 特定のタスク条件下では、モデルは有害なコンテンツを連続的に生成し、そうでなければ良質なタスクを実行する状態に入る。 有害なコンテンツを生成することが唯一有効な完了であるドメインタスクを通じてISCをトリガーするフレームワークであるTVDを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T12:55:34Z)
• Systems-Level Attack Surface of Edge Agent Deployments on IoT [5.081228499547384]
  3つのアーキテクチャ(クラウドホスト、エッジローカル、ハイブリッド)の実証セキュリティ分析を提示する。 実地テストベッドで観測された2つの緊急障害を含む,システムレベルの攻撃面を5つ同定した。 結果は、モデルやプロンプト設計だけでなく、デプロイメントアーキテクチャがエージェント制御IoTシステムにおけるセキュリティリスクの主要な決定要因であることを実証している。
  論文  参考訳（メタデータ） (2026-02-26T01:48:46Z)
• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• Agentic AI for Autonomous Defense in Software Supply Chain Security: Beyond Provenance to Vulnerability Mitigation [0.0]
  本論文は,自律型ソフトウェアサプライチェーンセキュリティに基づくエージェント人工知能(AI)の例を含む。 大規模言語モデル(LLM)ベースの推論、強化学習(RL)、マルチエージェント調整を組み合わせている。 その結果、エージェントAIは、自己防衛的で積極的なソフトウェアサプライチェーンへの移行を促進することが示されている。
  論文  参考訳（メタデータ） (2025-12-29T14:06:09Z)
• 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)
• CTCC: A Robust and Stealthy Fingerprinting Framework for Large Language Models via Cross-Turn Contextual Correlation Backdoor [21.71721725818432]
  我々は新しいルール駆動型フィンガープリントフレームワークであるCTCCを紹介する。 CTCCは、トークンレベルやシングルターントリガーに頼るのではなく、逆ファクトのような複数の対話ターン間のコンテキスト相関を符号化する。 そこで本研究では,CTCCを実環境におけるLCM配置シナリオにおけるオーナシップ検証の信頼性と実用的なソリューションとして位置づけた。
  論文  参考訳（メタデータ） (2025-09-05T05:59:50Z)
• TrustRAG: Enhancing Robustness and Trustworthiness in Retrieval-Augmented Generation [31.231916859341865]
  TrustRAGは、生成のために取得される前に、悪意のある、無関係なコンテンツを体系的にフィルタリングするフレームワークである。 TrustRAGは、検索精度、効率、攻撃抵抗を大幅に改善する。
  論文  参考訳（メタデータ） (2025-01-01T15:57:34Z)
• EmInspector: Combating Backdoor Attacks in Federated Self-Supervised Learning Through Embedding Inspection [53.25863925815954]
  フェデレートされた自己教師付き学習(FSSL)は、クライアントの膨大な量の未ラベルデータの利用を可能にする、有望なパラダイムとして登場した。 FSSLはアドバンテージを提供するが、バックドア攻撃に対する感受性は調査されていない。 ローカルモデルの埋め込み空間を検査し,悪意のあるクライアントを検知する埋め込み検査器(EmInspector)を提案する。
  論文  参考訳（メタデータ） (2024-05-21T06:14:49Z)
• CRFL: Certifiably Robust Federated Learning against Backdoor Attacks [59.61565692464579]
  本稿では,第1の汎用フレームワークであるCertifiably Robust Federated Learning (CRFL) を用いて,バックドアに対する堅牢なFLモデルをトレーニングする。 提案手法は, モデルパラメータのクリッピングと平滑化を利用して大域的モデル平滑化を制御する。
  論文  参考訳（メタデータ） (2021-06-15T16:50:54Z)

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。