論文の概要: SecDrift: Measuring Sector-Conditioned Security Drift in AI-Generated Code

• arxiv url: http://arxiv.org/abs/2607.25225v1
• Date: Tue, 28 Jul 2026 02:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.688133
• Title: SecDrift: Measuring Sector-Conditioned Security Drift in AI-Generated Code
• Title（参考訳）: SecDrift: AI生成コードにおけるセクタ要件によるセキュリティドリフトの測定
• Abstract要約: セキュリティドリフトは、業界状況でプロンプトが条件付けられている場合の静的分析の脆弱性率の変化である。 セクター条件付きセキュリティドリフトを測定するベンチマークであるSecDriftを提案する。 フレームワーク、プロンプト、生成されたコード、発見、人による検証、分析スクリプトをリリースします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs are increasingly used for code generation in critical infrastructure, yet the security effect of domain-specific prompting is understudied. We present SecDrift, a benchmark measuring sector-conditioned security drift: the change in static-analysis vulnerability rates when prompts are conditioned on industry contexts versus neutral baselines. We evaluate 7 LLMs (6 producing analyzable code) across 8 CISA critical infrastructure sectors and 9 CWE categories with 5 replicates (5,355 evaluations), using a 5-dimension transformation with a matched-baseline condition that holds the task fixed while substituting only domain terminology. Industry prompts naively appear more secure (14.0% vs. 11.4%, -2.7pp), but the gap is not statistically significant (Fisher's exact p = 0.24, Cohen's h = -0.08) and is a composition artifact of two CWE categories: excluding CWE-502 and CWE-22 eliminates and slightly reverses it (+0.4pp, p = 1.00). A mixed-effects logistic regression confirms sector identity is not a moderator and localizes the only detectable condition effect to those two vulnerability types. 0 of 8 sectors show drift distinguishable from baseline, corrected or uncorrected (|h| < 0.15). A placebo on two non-CISA sectors (e-commerce, online education) reproduces the CISA industry rate almost exactly (10.5% vs. 11.4%, p = 0.63): the small pooled pattern reflects generic industry-framing specificity, not critical-infrastructure identity. In contrast, model selection has a large and consistent effect: among full-output models vulnerability rates range from 11.6% to 16.1%, and these differences persist across conditions. Model choice, not prompt framing, is the more reliable security lever. We release the framework, prompts, generated code, findings, human-validation verdicts, and analysis scripts.
• Abstract（参考訳）: LLMは、重要なインフラストラクチャにおけるコード生成にますます使われていますが、ドメイン固有のプロンプトのセキュリティ効果は検討されています。 本稿では,セクター条件付きセキュリティドリフトを測定するベンチマークであるSecDriftを提案する。 本研究は,8つのCISAクリティカルインフラストラクチャセクターと5つの複製(5,355評価)を含む9つのCWEカテゴリにまたがる7つのLCM(生成可能なコード)を,ドメイン用語のみを置換しながらタスクを固定した整合ベースライン条件の5次元変換を用いて評価する。 業界はより安全に見える(14.0%対11.4%、-2.7pp)が、ギャップは統計的に有意ではないが(フィッシャーの正確なp = 0.24、コーエンのh = -0.08)、CWE-502とCWE-22を除く2つのCWEカテゴリの合成成果物である(+0.4pp、p = 1.00)。 混合効果ロジスティック回帰はセクターアイデンティティがモデレーターではないことを確認し、2つの脆弱性タイプにのみ検出可能な条件効果をローカライズする。 8つのセクターの0は、ベースライン、修正または修正されていない(|h| < 0.15)と区別できる。 2つの非CISAセクター(eコマース、オンライン教育)のプラセボは、CISA産業率をほぼ正確に再現している(10.5%対11.4%、p = 0.63)。 フルアウトプットモデルのうち、脆弱性率は11.6%から16.1%の範囲であり、これらの差は条件によって持続する。 モデル選択は、迅速なフレーミングではなく、より信頼性の高いセキュリティレバーである。 フレームワーク、プロンプト、生成されたコード、発見、人による検証、分析スクリプトをリリースします。

関連論文リスト

• EvoSafeHarness: Evolving Model- and Domain-Specific Harnesses for Securing Agents [74.54929751174289]
  EvoSafeHarnessは、ターゲットドメイン内の凍結モデルのためのデプロイ可能なハーネスを合成する、安全固有の最適化フレームワークである。 これは平均攻撃成功率を3.3ポイントのユーティリティコストで45.6%から10.0%に下げる。 また、Agent-SafetyBenchでは、すべての犠牲者に対してベストスコアを獲得している。
  論文  参考訳（メタデータ） (2026-09-05T05:56:41Z)
• Robust and Personalized Federated Learning for Aircraft-Engine Prognostics under Benign and Adversarial Client Heterogeneity [0.4776836972093627]
  FL(Federated Learning)は、航空機の運用者が生データを共有せずに、エンジンセンサーテレメトリから残留寿命(RUL)モデルを共同訓練することを可能にする。 本研究では, 正直な操作者が異なる操作条件や障害モードを観察する良性不均一性と, 妥協した操作者が有毒な更新を提出する敵対的不均一性という2つの相補的課題について検討した。 エンジンの劣化を隠蔽する物理的に動機付けられたセンサ値バックドアを含む,4つのアグリゲーション手法に対する5つの攻撃を評価した。
  論文  参考訳（メタデータ） (2026-08-04T06:54:29Z)
• Beyond Resilience: Antifragility in Critical Infrastructure Cybersecurity [0.0]
  本稿では、重要なインフラサイバーセキュリティのための反脆弱性理論(AFT)を開発する。 OTadjaセクターは、比較セクターよりも破壊的な混合イベントのシェアが著しく高いことを示している。 発見は、将来の抗脆弱性テストのための2つの前提条件、すなわち、負担の分化と適応的可観測性を確立する。
  論文  参考訳（メタデータ） (2026-07-31T15:42:18Z)
• Beyond Refusal: A Same-Lineage Study of Aligned and Abliterated LLMs for Vulnerability Analysis [31.25049774595995]
  本研究は, 拒絶行動が相変わらず (相変わらず) 維持されているか, あるいは同系統モデルで再分類されたかを検討した。 我々は、脆弱性検出、CWE属性、脆弱なラインローカライゼーション、ルート原因ローカライゼーション、実行可能パッチバリデーションについて、アラインド状態とアライテッド状態の評価を行った。
  論文  参考訳（メタデータ） (2026-07-07T05:04:48Z)
• From CVE to CWE: Syscall-Based HIDS Generalisation [41.99844472131922]
  運用環境では、ディフェンダーは既知の脆弱性の新たなエクスプロイトを認識する必要がある。 我々は,CWE(Common Weaknession)クラスを共有するCVEの正常な動作に基づいて訓練された一級異常検知器が,同一クラス内の別の未知のCVEに一般化するか否かを実証的に検証した。
  論文  参考訳（メタデータ） (2026-06-21T16:34:39Z)
• Unpredictable Safety: Domain-Dependent Compliance and the Transparency Gap in Open-Weight LLMs [0.0]
  オープンウェイトLLMにおけるドメイン依存型安全挙動について検討する。 コンプライアンス率は14.7%(人身売買)から85.7%(監視設計)に変化している。 その結果、現在の安全メカニズムには、信頼できるAIデプロイメントに必要な透明性と一貫性が欠如していることが示されている。
  論文  参考訳（メタデータ） (2026-06-01T22:41:32Z)
• Error-Decomposed Class-Conditional Fusion for Statistically Guaranteed Hard-Category Robust Perception [3.4563147061792527]
  本稿では,この普及する脆弱性をHCRP(Hard-Category Reliability Problem)として公式に定義する。 本稿では,エレガントな決定層推論フレームワークであるED-CCFを提案する。
  論文  参考訳（メタデータ） (2026-05-17T18:39:05Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• SCAFFOLD-CEGIS: Preventing Latent Security Degradation in LLM-Driven Iterative Code Refinement [12.69450437027072]
  マルチオブジェクト最適化における仕様のドリフトは、連続する繰り返しに対してセキュリティを徐々に低下させます。 本稿では,セキュリティ制約を暗黙的なプロンプトから明示的な検証可能な制約に変換するSCAFFOLD-CEGISフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-09T15:54:18Z)
• From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
  異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。 商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。 低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
  論文  参考訳（メタデータ） (2026-03-02T13:02:13Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• VISION: Robust and Interpretable Code Vulnerability Detection Leveraging Counterfactual Augmentation [6.576811224645293]
  グラフニューラルネットワーク(GNN)は、構造的および論理的コード関係をデータ駆動で学習することができる。 GNNは表面的なコード類似性から'spurious'相関を学習することが多い。 我々は、VISIONと呼ばれる堅牢で解釈可能な脆弱性検出のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T11:20:39Z)
• SafetyAnalyst: Interpretable, Transparent, and Steerable Safety Moderation for AI Behavior [56.10557932893919]
  我々は、新しいAI安全モデレーションフレームワークであるSafetyAnalystを紹介する。 AIの振る舞いを考えると、SafetyAnalystはチェーン・オブ・シークレット・推論を使用してその潜在的な結果を分析する。 効果を28個の完全に解釈可能な重みパラメータを使って有害度スコアに集約する。
  論文  参考訳（メタデータ） (2024-10-22T03:38:37Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)

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。