論文の概要: The Disruptive Impact of Large Language Models on Capture the Flag Competitions and the Path Toward Fair Play

• arxiv url: http://arxiv.org/abs/2607.25425v1
• Date: Tue, 28 Jul 2026 08:21:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.758113
• Title: The Disruptive Impact of Large Language Models on Capture the Flag Competitions and the Path Toward Fair Play
• Title（参考訳）: フラッグコンペティションの獲得における大規模言語モデルの破壊的影響とフェアプレイへの道筋
• Abstract要約: Flagコンペティションは、サイバーセキュリティの最も効果的なトレーニング場のひとつだ。 LLMは人間の入力を最小限に抑えることで、多くの課題を解決できる。 本稿では,現代のCTFに対するLDMの影響について,混合手法による研究を報告する。
• 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: Capture the Flag (CTF) competitions are among cybersecurity's most effective training grounds, developing practical skill across cryptography, web exploitation, and binary exploitation. Large language models (LLMs) can now solve a growing share of challenges with minimal human input, raising urgent questions about fairness, the validity of rankings, and whether participation still delivers the learning that justifies the effort. This paper reports a mixed-methods study of LLM impact on modern CTFs, combining a synthesis of published benchmarks, including a recent government evaluation, case studies of live competition across three challenge categories, structured observation of the public channels where the community debates AI use, and semi-structured interviews with experienced players and organisers. We map the current human-machine capability boundary by category, showing that easy and intermediate challenges in cryptography, web, and binary exploitation are now reliably automated while narrower sub-categories continue to resist. We find that community disagreement about whether AI should be permitted is downstream of an undeclared prior question: what a competition is for. Against this backdrop we contribute a four-component safeguard framework, combining tiered competition divisions, LLM-resistant challenge design, telemetry used investigatively, and a draft community code of conduct, together with a decision tool that ties the combination of safeguards to a competition's declared purpose. The argument reaches beyond CTFs to any setting in cybersecurity where a demonstrated result is taken as evidence of an underlying ability.
• Abstract（参考訳）: CTF(Capture the Flag)コンペティションは、サイバーセキュリティの最も効果的なトレーニング基盤のひとつであり、暗号、Webエクスプロイト、バイナリエクスプロイトの実践的なスキルを開発する。 大規模言語モデル(LLM)は、人間の入力を最小限に抑え、公正性、ランキングの妥当性、参加が依然として努力を正当化する学習を提供するかどうかに関する緊急の疑問を提起する。 本稿では,最近のCTFに対するLCMの影響について,近年の政府評価,3つの課題カテゴリにわたるライブコンペのケーススタディ,コミュニティがAIの使用について議論する公共チャネルの構造的観察,経験豊富な選手やオーガナイザとの半構造化インタビューなど,総合的なベンチマークの合成と組み合わせて検討する。 現在の人間と機械の能力の境界をカテゴリ別にマップし、暗号化、Web、バイナリのエクスプロイトにおける容易かつ中間的な課題が、確実に自動化され、より狭いサブカテゴリが抵抗し続けていることを示す。 AIが許可されるべきかどうかというコミュニティの意見の相違は、宣言されていない以前の質問の下流にある。 このような背景から、私たちは、協力型競争部門、LLMに抵抗する挑戦設計、調査的に使用されるテレメトリ、およびドラフトコミュニティの行動規範を組み合わせた4つのコンポーネントセーフガードフレームワーク、および、安全ガードの組み合わせを競技の宣言された目的に結びつける決定ツールをコントリビュートする。 この議論は、CTFを超えたサイバーセキュリティのあらゆる設定に届き、実証された結果は、基礎となる能力の証拠として扱われる。

関連論文リスト

• AI In Cybersecurity Education -- Scalable Agentic CTF Design Principles and Educational Outcomes [25.913186214869242]
  本稿では,Cyber Security Awareness Week コンペティションシステム上に構築された Capture-the-Flag コンペティションについて述べる。 我々は3つの自律レベルを定式化している: ループ内人間、自律エージェントフレームワーク、ハイブリッド。 この結果は、LLM支援サイバーセキュリティコンペティションを学習技術として設計するための実用的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-03-23T04:05:59Z)
• Can AI Lower the Barrier to Cybersecurity? A Human-Centered Mixed-Methods Study of Novice CTF Learning [0.0]
  サイバーセキュリティのためのエージェントAIフレームワークは、侵入テストタスクの自動化と調整によって障壁を低くすることを約束する。 我々は、エージェントAIフレームワークがCTFベースの浸透テストへの初歩的な参入をどのように仲介するかを調べる、人間中心の混合メソッドケーススタディを提案する。
  論文  参考訳（メタデータ） (2026-02-20T12:20:36Z)
• KryptoPilot: An Open-World Knowledge-Augmented LLM Agent for Automated Cryptographic Exploitation [16.43451504898208]
  KryptoPilot(クリプトパイロット)は、オープンソースの知識強化型LLMエージェントである。 我々は、KryptoPilotがInterCode-CTFの完全な解決率を達成し、NYU-CTFベンチマークにおける暗号化課題の56～60%を解決し、ライブコンペティションにおける33の暗号課題のうち26の解決に成功したことを示す。
  論文  参考訳（メタデータ） (2026-01-14T04:02:40Z)
• The Hunger Game Debate: On the Emergence of Over-Competition in Multi-Agent Systems [90.96738882568224]
  本稿では,超高圧下のエージェントが信頼できない有害な行動を示すマルチエージェント論争における過剰競争について検討する。 この現象を研究するために,ゼロサム競争領域下での議論をシミュレートする新しい実験フレームワークであるHATEを提案する。
  論文  参考訳（メタデータ） (2025-09-30T11:44:47Z)
• ICPC-Eval: Probing the Frontiers of LLM Reasoning with Competitive Programming Contests [85.72404266850982]
  推論のフロンティアを探索するために設計されたトップレベルの競合コーディングベンチマークである textbfICPC-Eval を提案する。 ICPC-Evalは、世界中の各地域で開催されている11のICPCコンテストから、118の慎重にキュレートされた問題を含んでいる。 結果は、複雑な推論能力を評価する上で重要な課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-05T11:20:37Z)
• A Human Study of Cognitive Biases in Web Application Security [5.535195078929509]
  本稿では,認知バイアスが旗の教育とセキュリティの獲得にどのように役立つかを検討する。 本稿では,認知バイアス,特に検索と損失回避の満足度を制御するためのアプローチを提案する。 本研究は,多くの参加者が検索バイアスの満足度を示し,このバイアスがその成功に有意な影響を与えていることを明らかにする。
  論文  参考訳（メタデータ） (2025-05-17T14:16:16Z)
• Towards Improving IDS Using CTF Events [1.812535004393714]
  本稿では,CTF(Capture the Flag)イベントによる侵入検知システム(IDS)の評価手法を提案する。 本研究は,IDSの弱点をライブCTFコンペティションに組み込むことにより識別するために,調整したCTF課題を用いることの有効性を検討する。 我々は、IDS固有の課題の開発を支援する方法論、学習とエンゲージメントを促進するスコアシステム、そして実際のJeopardyスタイルのCTFイベントにおいてそのような課題を実行するための洞察を提供する。
  論文  参考訳（メタデータ） (2025-01-20T19:11:30Z)
• CompeteSMoE -- Effective Training of Sparse Mixture of Experts via Competition [52.2034494666179]
  スパース・ミックス・オブ・エキスパート(SMoE)は、ネットワークの深さや幅を増大させる平均を超えた、モデルの複雑さをスケールアップする魅力的なソリューションを提供する。 本稿では,この表現崩壊の根本的な課題に対処する競合機構を提案する。 入力を最も高い神経応答を持つ専門家にのみルーティングすることにより、コンペティションが最適推定器と同じ収束率を持つことを示す。
  論文  参考訳（メタデータ） (2024-02-04T15:17:09Z)
• Benchmarking Robustness and Generalization in Multi-Agent Systems: A Case Study on Neural MMO [50.58083807719749]
  IJCAI 2022で開催されている第2回Neural MMOチャレンジの結果を報告する。 この競合はマルチエージェントシステムの堅牢性と一般化をターゲットにしている。 環境ラッパー、ベースライン、可視化ツール、そしてさらなる研究のための選択されたポリシーを含むベンチマークをオープンソースにします。
  論文  参考訳（メタデータ） (2023-08-30T07:16:11Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Adversarial Attacks on ML Defense Models Competition [82.37504118766452]
  清華大学のTSAILグループとAlibaba Securityグループがこの競争を組織した。 この競争の目的は、敵の堅牢性を評価するために、新しい攻撃アルゴリズムを動機付けることである。
  論文  参考訳（メタデータ） (2021-10-15T12:12:41Z)

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。