論文の概要: VulnGym: Evaluating Vulnerability Management Strategies against Advanced Persistent Threats

• arxiv url: http://arxiv.org/abs/2607.24552v1
• Date: Mon, 27 Jul 2026 15:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.476552
• Title: VulnGym: Evaluating Vulnerability Management Strategies against Advanced Persistent Threats
• Title（参考訳）: VulnGym: 高度な脅威に対する脆弱性管理戦略の評価
• Abstract要約: VulnGymは脆弱性管理ポリシーを評価するシミュレーションツールである。 実際のAPTプロファイルを持つネットワーク上でパッチポリシーを実行するRLトレーニングされたアタッカーをシミュレートする。 脆弱性はディフェンダーのパッチング活動によって形成され、与えられたポリシーを現実的な攻撃キャンペーンに対してストレステストすることを可能にする。
• 参考スコア（独自算出の注目度）: 1.9125989203387557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprise networks are continuously targeted by Advanced Persistent Threats (APTs), attack campaigns exploiting software vulnerabilities to compromise critical assets over time. As disclosed vulnerabilities grow, resource-constrained organizations must prioritize which ones to patch. Existing prioritization standards score vulnerabilities individually and cannot capture how a patching policy performs against an adversary that progresses through the network over time. Previous tools have simulated attack campaigns through Reinforcement Learning (RL), but either omit vulnerability management, leaving the attacker unopposed, or rely on synthetic networks disconnected from real threat data, and so cannot assess how a policy would fare against a realistic adversary. To fill this gap, we propose VulnGym, a simulation tool to evaluate vulnerability management policies. VulnGym simulates an RL-trained attacker, calibrated on real APT profiles, against a defender executing a configurable patching policy over a network with real Common Vulnerabilities and Exposures (CVEs). Both agents act on a shared, evolving network representation, so the attacker's progress is directly shaped by the defender's patching activity, allowing a given policy to be stress-tested against a realistic attack campaign. Experiments based on real-world vulnerabilities and two APTs show that vulnerability management must be tailored to organizational context, adversarial behavior, network topology, and asset criticality.
• Abstract（参考訳）: エンタープライズネットワークはAPT(Advanced Persistent Threats)によって継続的にターゲットされており、ソフトウェア脆弱性を悪用して重要な資産を時間をかけて侵害する攻撃を行っている。 公開脆弱性が大きくなるにつれて、リソース制約のある組織は、どのパッチを優先順位付けする必要がある。 既存の優先順位付け標準は脆弱性を個別にスコアし、パッチポリシーがネットワークを通じて進行する敵に対してどのように機能するかをキャプチャすることができない。 以前のツールは強化学習(RL)を通じて攻撃キャンペーンをシミュレートしてきたが、脆弱性管理を省略し、攻撃者は反対しないか、あるいは実際の脅威データから切り離された合成ネットワークに依存しているため、現実的な敵に対して政策がどう影響するかを評価することはできない。 このギャップを埋めるために,脆弱性管理ポリシーを評価するシミュレーションツールであるVulnGymを提案する。 VulnGymは、実際のAPTプロファイルに基づいて調整されたRLトレーニングされたアタッカーをシミュレートし、実際のCVE(Common Vulnerabilities and Exposures)を持つネットワーク上で構成可能なパッチポリシーを実行するディフェンダーに対してシミュレートする。 双方のエージェントは共有されたネットワーク表現で行動するため、攻撃者の進行はディフェンダーのパッチング活動によって直接形作られ、与えられたポリシーが現実的な攻撃キャンペーンに対してストレステストされる。 現実世界の脆弱性と2つのAPTに基づく実験では、脆弱性管理は組織的コンテキスト、敵対行動、ネットワークトポロジ、アセットクリティカルリティに合わせる必要がある。

関連論文リスト

• PhantomSkill: Malicious Code Injection in Agent Skill Ecosystems [8.017582494003564]
  PhantomSkillは、悪意のある振る舞いをスキルの補助リソースに隠蔽する攻撃フレームワークである。 VulMaskは悪意のあるスクリプトを、攻撃者が制御するトリガー条件下でのみ悪意のある振る舞いが起動される脆弱性型の実装に書き換える。 我々の結果は、スキルエコシステムはリソースレベルの検証、実行時の封じ込め、およびエージェントスキルの悪用可能な脆弱性を潜在的に悪意のあるペイロードとして扱うセキュリティポリシーを必要としていることを示している。
  論文  参考訳（メタデータ） (2026-06-17T15:33:41Z)
• Who Pays the Price? Stakeholder-Centric Prompt Injection Benchmarking for Real-world Web Agents [93.19140872946842]
  大規模言語モデル(LLM)によって駆動されるWebエージェントは、現実の環境にますますデプロイされる。 これにより、一見良質なコンテンツがエージェントの振る舞いを操作する敵の命令を埋め込む、プロンプト・インジェクション・アタックに対して脆弱になる。 実世界のWebエージェントシステムにおいて,損害を体系的に分類し,属性付けするベンチマークである textbfsysname を導入する。
  論文  参考訳（メタデータ） (2026-06-11T14:12:43Z)
• WARD: Adversarially Robust Defense of Web Agents Against Prompt Injections [85.68545794960214]
  WARD(Web Agent Robust Defense against Prompt Injection)は、セキュアで効率的なWebエージェントのための実用的なガードモデルである。 WARDは,719の高トラフィックURLとプラットフォームから収集された約177Kのサンプルを備えた,大規模なデータセットであるWARD-Base上に構築されている。 我々は、メモリベースの攻撃とガード共進化プロセスを通じてWARDを反復的に強化する適応的敵攻撃訓練フレームワークであるA3Tを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T16:26:27Z)
• Towards Agentic Honeynet Configuration [0.8873265946210988]
  ハニーポット(Honeypots)は、脅威情報を集めるために脆弱なサービスをエミュレートする詐欺システムである。 実践的ネットワークと計算資源では、露出可能なハニーポットの数を制限する。 この研究は、進行中の攻撃に対して、ハニーポットの露光を自律的に管理するAI駆動のエージェントアーキテクチャを調査する。
  論文  参考訳（メタデータ） (2026-03-14T21:15:49Z)
• Anticipating Adversary Behavior in DevSecOps Scenarios through Large Language Models [2.2192966937452376]
  本研究は,セキュリティカオスエンジニアリング(SCE)手法をLLMベースの新しいフローに統合し,攻撃防御木の作成を自動化することを提案する。 これにより、アタッカーの一歩先を進み、これまで考えられていなかった防御を実装できるようになる。 実験に関する詳細な情報は、それを複製する手順とともに、以下のリポジトリにある。
  論文  参考訳（メタデータ） (2026-02-15T11:43:04Z)
• Cuckoo Attack: Stealthy and Persistent Attacks Against AI-IDE [64.47951172662745]
  Cuckoo Attackは、悪意のあるペイロードを構成ファイルに埋め込むことで、ステルス性と永続的なコマンド実行を実現する新しい攻撃である。 攻撃パラダイムを初期感染と持続性という2つの段階に分類する。 当社は、ベンダーが製品のセキュリティを評価するために、実行可能な7つのチェックポイントを提供しています。
  論文  参考訳（メタデータ） (2025-09-19T04:10:52Z)
• CyGATE: Game-Theoretic Cyber Attack-Defense Engine for Patch Strategy Optimization [73.13843039509386]
  本稿では,攻撃と防御の相互作用をモデル化するゲーム理論フレームワークCyGATEを提案する。 CyGATEはサイバー・キル・チェーン(Cyber Kill Chain)の段階にわたって、サイバー紛争を部分的に観察可能なゲーム(POSG)として捉えている。 フレームワークの柔軟なアーキテクチャは、マルチエージェントシナリオの拡張を可能にする。
  論文  参考訳（メタデータ） (2025-08-01T09:53:06Z)
• Leveraging Reinforcement Learning in Red Teaming for Advanced Ransomware Attack Simulations [7.361316528368866]
  本稿では,ランサムウェア攻撃のシミュレーションに強化学習(RL)を利用する新しい手法を提案する。 実世界のネットワークを模倣するシミュレーション環境でRLエージェントを訓練することにより、効果的な攻撃戦略を迅速に学習することができる。 152ホストのサンプルネットワークの実験結果から,提案手法の有効性が確認された。
  論文  参考訳（メタデータ） (2024-06-25T14:16:40Z)
• Rethinking the Vulnerabilities of Face Recognition Systems:From a Practical Perspective [53.24281798458074]
  顔認識システム(FRS)は、監視やユーザー認証を含む重要なアプリケーションにますます統合されている。 最近の研究によると、FRSの脆弱性は敵(例えば、敵パッチ攻撃)やバックドア攻撃(例えば、データ中毒の訓練)であることが明らかになっている。
  論文  参考訳（メタデータ） (2024-05-21T13:34:23Z)
• Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
  本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。 我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
  論文  参考訳（メタデータ） (2023-12-20T05:06:01Z)
• Rethinking Adversarial Policies: A Generalized Attack Formulation and Provable Defense in RL [46.32591437241358]
  本稿では、訓練された被害者エージェントが他のエージェントを制御する攻撃者によって悪用されるマルチエージェント設定について考察する。 以前のモデルでは、攻撃者が$alpha$に対する部分的な制御しか持たない可能性や、攻撃が容易に検出可能な"異常"な振る舞いを生じさせる可能性を考慮していない。 我々は、敵がエージェントをどの程度制御できるかをモデル化する柔軟性を持つ汎用攻撃フレームワークを導入する。 我々は、時間的分離を伴う敵の訓練を通じて、最も堅牢な被害者政策への収束を証明可能な効率のよい防御を提供する。
  論文  参考訳（メタデータ） (2023-05-27T02:54:07Z)
• Targeted Attack on Deep RL-based Autonomous Driving with Learned Visual Patterns [18.694795507945603]
  近年の研究では、敵の攻撃に対する深い強化学習を通じて学んだコントロールポリシーの脆弱性が実証されている。 本研究では, 物理的対象物に配置した視覚的学習パターンを用いて, 標的攻撃の実現可能性について検討する。
  論文  参考訳（メタデータ） (2021-09-16T04:59:06Z)

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。