論文の概要: A Non-Intrusive Traffic Analysis Framework for Authorization Risk Detection and Coordinated Response in Web Applications
- arxiv url: http://arxiv.org/abs/2607.16754v1
- Date: Sat, 18 Jul 2026 10:34:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.254017
- Title: A Non-Intrusive Traffic Analysis Framework for Authorization Risk Detection and Coordinated Response in Web Applications
- Title（参考訳）: Webアプリケーションにおける認証リスク検出と協調応答のための非侵入的トラフィック分析フレームワーク
- Abstract要約: 有効なWebセッション下での認証違反は、トラフィックからリアルタイムに識別および処理することが困難である。
本稿では,リスク検出と協調応答のための非侵入的トラフィック分析フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.099762570087065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Authorization violations under valid Web sessions are difficult to identify and handle in real time from traffic because they depend strongly on business semantics and exhibit few distinctive protocol-level features. This paper proposes a non-intrusive traffic analysis framework for authorization risk detection and coordinated response. Request-response transactions are correlated to extract the access subject, business endpoint, object identifier, authentication state, and behavioral sequence. Object-access evidence, identity consistency, behavioral anomalies, authentication context, network environment, and endpoint-operation risk are mapped to interpretable risk components. Weighted fusion and high-risk priority constraints produce graded decisions that drive allow, alert, block, and external policy actions. The risk components are instantiated using deterministic and interpretable rules to evaluate multi-source evidence organization, risk fusion, and the coordinated-response loop at the framework level. In a controlled local testbed containing 2,000 balanced labeled samples, the framework classified 998 of 1,000 authorization-risk events as risky and produced no false positives among 1,000 normal accesses, achieving 99.90% accuracy, 100.00% precision, 99.80% recall, and a 99.90% F1 score. Removing runtime object evidence reduced the F1 score to 81.31%, while removing the high-risk priority constraint reduced it to 73.90%. In a prototype feasibility test with 100 concurrent requests and 1,000 total requests, mean risk-decision computation latency was 0.077 ms and P99 latency was 0.137 ms. The results demonstrate the feasibility of organizing heterogeneous runtime evidence and establishing an executable authorization-risk decision and coordinated-response loop without modifying application code, but do not establish general applicability in production environments.
- Abstract（参考訳）: 有効なWebセッション下での認証違反は、ビジネスセマンティクスに強く依存し、特有のプロトコルレベルの特徴がほとんどないため、トラフィックからリアルタイムに識別および処理することが難しい。
本稿では,リスク検出と協調応答のための非侵入的トラフィック分析フレームワークを提案する。
要求応答トランザクションは、アクセス対象、ビジネスエンドポイント、オブジェクト識別子、認証状態、行動シーケンスを抽出するために相関される。
オブジェクトアクセスエビデンス、アイデンティティ一貫性、行動異常、認証コンテキスト、ネットワーク環境、エンドポイント運用リスクを解釈可能なリスクコンポーネントにマッピングする。
重み付き融合と高リスク優先度制約は、許容、警告、ブロック、および外部ポリシーアクションを駆動する段階的な決定を生成する。
リスクコンポーネントは、決定論的かつ解釈可能なルールを用いてインスタンス化され、マルチソースエビデンス組織、リスク融合、およびフレームワークレベルでの協調応答ループを評価する。
2,000のラベル付きサンプルを含む制御されたローカルテストベッドにおいて、このフレームワークは1000の認証リスクイベントのうち998を危険と分類し、1000の通常のアクセスの中で偽陽性を発生させ、99.90%の精度、100.00%の精度、99.80%のリコール、99.90%のF1スコアを達成した。
ランタイムオブジェクトのエビデンスを取り除いたことでF1スコアは81.31%に低下し、高リスクの優先度制約は73.90%に低下した。
100の同時要求と1,000の総要求で実現可能なプロトタイプテストでは、平均リスク決定計算レイテンシは0.077ms、P99レイテンシは0.137msであった。
関連論文リスト
- Grounded Normative Rule Generation with Structured Search [47.28595196084396]
基底ノルム規則合成(GNRS)として問題を定式化する。
GNRS-SearchはMarkov Chain Monte Carlo(MCMC)サンプリングを利用して、離散5スロットアンドオーグラフ(AOG)を最適化するフレームワークである。
GNRS-Benchは8つのシーンにまたがる116の制御目標にまたがるベンチマークであり、RealCharterBenchは53のリアルなポリシータスクに隠れたソース節で遷移を評価する。
論文 参考訳（メタデータ） (2026-08-23T05:43:42Z) - Do Not Forget the Obvious - RISC: A Risk-Informed Slice-Coverage Protocol for Safe Autonomous Driving [1.7138957697358534]
RISC (Risk-Informed Slice Coverage) はリスク誘導型ストレステストとカバレッジ品質評価のための実用的なプロトコルである。
我々は、Zenseact Openデータセットから1000フレームを用いて、単眼歩行知覚のためのプロトコルをインスタンス化する。
この概念実証研究では、リスク誘導選択は、ランダムサンプリング下の34.0%から98.5%に臨界障害発見を増大させる。
論文 参考訳（メタデータ） (2026-08-12T13:32:25Z) - CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。
本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。
実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
論文 参考訳（メタデータ） (2026-08-12T04:27:45Z) - An AI Security Agent for University ACMIS: Multi-Vector Threat Detection and Automated Response [0.0]
本稿ではACMISのためのAIベースのセキュリティエージェントを提案する。
エージェントは認証、認可、金融取引、ユーザの振る舞い、システムの健全性の5つの運用層を監視する。
147,922セッションのACMISイベントログデータセットのシミュレーション実験は、平均0.966の脅威検出マクロF1を示す。
論文 参考訳（メタデータ） (2026-06-06T17:33:31Z) - Semantic Quorum Assurance: Collective Certification for Non-Deterministic AI Infrastructure [2.124730017640531]
非決定論的エージェント基盤を管理するためのコントロールプレーンプリミティブであるQuorum Semantic Assurance(SQA)を紹介する。
SQAは暗号エビデンスチェーンに縛られた宣言的実行契約として提案を表現し、それを読み取り専用でサンドボックス化されたバリデータエージェントのさまざまなパネルにルーティングする。
インフラにインスパイアされた500の突然変異シナリオでは、曖昧なシナリオを除く安全/安全でない試験の安全性が報告され、SQAはシングルエージェント検証の18.5%から0.3%まで安全でない承認を減じている。
論文 参考訳（メタデータ） (2026-06-06T07:31:04Z) - Beyond Single-Agent Alignment: Preventing Context-Fragmented Violations in Multi-Agent Systems [10.660248467840821]
新たなセキュリティリスクの特定と形式化:CFV(Context-Fragmented Violations)
CFVは、個々のエージェントの行動が局所的に安全かつ合理的に見えるが、全体として組織的方針に反する政策違反の類である。
分散ゼロトラスト適用アーキテクチャである分散センチネルを提案する。
論文 参考訳（メタデータ） (2026-04-24T03:08:52Z) - From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention [46.90931293070464]
本稿では,リスクを認識し,対実的未来をシミュレートし,積極的に清算を防止するためのプロトコルに忠実な介入を行う自律エージェントを提案する。
我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
論文 参考訳（メタデータ） (2026-04-16T03:22:05Z) - Are we still able to recognize pearls? Machine-driven peer review and the risk to creativity: An explainable RAG-XAI detection framework with markers extraction [7.723181091241251]
本稿では、レビュー品質を評価し、自動パターンを検出するための説明可能なフレームワーク(RAG-XAI)を提案する。
XGBoost、Random Forest、LightGBMは99.61%、AUC-ROCは0.999以上、F1スコアは0.9925である。
論文 参考訳（メタデータ） (2026-04-09T08:25:49Z) - Beyond Benchmark Islands: Toward Representative Trustworthiness Evaluation for Agentic AI [45.21562889170875]
シナリオ多様体に対するエージェントの信頼性を特徴付けるシステム評価パラダイムを提案する。
このフレームワークは,静的認知と政策分析,対話型サンドボックスシミュレーション,社会倫理アライメントアライメントアセスメント,および(iv)分散対応の代表サンプリングエンジンの4つの補完的コンポーネントを統合している。
論文 参考訳（メタデータ） (2026-03-16T08:51:33Z) - LiaisonAgent: An Multi-Agent Framework for Autonomous Risk Investigation and Governance [11.009578207207419]
LiaisonAgentは、技術的リスク検出とビジネスレベルのリスク管理のギャップを埋めるために設計された、自律的なマルチエージェントシステムである。
このシステムは、エンドツーエンドのツールコール成功率97.8%、リスク判定精度95%を達成する。
論文 参考訳（メタデータ） (2026-02-27T08:42:52Z) - Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。
検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。
本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
論文 参考訳（メタデータ） (2026-01-28T08:33:10Z) - VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。
セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。
平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
論文 参考訳（メタデータ） (2025-09-15T02:25:38Z) - AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。
このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
論文 参考訳（メタデータ） (2025-02-19T05:58:52Z)
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。