論文の概要: Vulnerabilities, Secrets and Misconfiguration in the Highest-Exposure Docker Hub Images
- arxiv url: http://arxiv.org/abs/2608.02669v1
- Date: Sun, 02 Aug 2026 13:57:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:22.881292
- Title: Vulnerabilities, Secrets and Misconfiguration in the Highest-Exposure Docker Hub Images
- Title（参考訳）: Docker Hubイメージの脆弱性、シークレット、設定ミス
- Abstract要約: ChimangoScanがDocker Hubをクロール(12,716,568リポジトリ、6600億の累積プル)
画像のプル数と下流のサブツリー全体を1つのスカラーに折り畳む露出スコアによって、画像のランク付けを行う。
6つの独立したスキャナーで52,895個の最高の露光レポジトリをスキャンし、170.4百万の発見を得た。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Docker Hub is the registry underneath most container deployments, and a flaw in a widely reused base image is inherited by every image built on it. Prior ecosystem-scale measurements each rely on a single detector, leaving the tool-dependence of their counts unquantified, while the studies that do compare scanners use samples of tens to hundreds of images. We present ChimangoScan, a pipeline that crawls the Docker Hub namespace (12,716,568 repositories, 663.8 billion cumulative pulls), reconstructs the image layer graph (54.4 million IS_BASE_OF edges), ranks images by an exposure score that folds an image's own pull count and those of its entire downstream subtree into one scalar, and scans the 52,895 highest-exposure repositories (84.7% of all recorded pulls) with six independent scanners, yielding 170.4 million findings. Vulnerabilities are near-universal: 96.3% of images carry a known package vulnerability, 93.4% a critical one, and 98.0% at least one CIS Docker Benchmark misconfiguration. The posture a single tool reports is largely an artifact of that tool: of 80.7 million distinct (vulnerability, package) groups, 66.8% are flagged by only one of the three vulnerability scanners and just 2.7% by all three, and the best single scanner recovers 66.9%. TruffleHog flags a secret in 76.9% of images, yet hand-labeling 1,100 random detections finds 99.7% are non-credentials. A single zlib CVE reaches images carrying 47.3% of total corpus exposure and propagates to 1.13 million distinct downstream images, but exposure does not predict how vulnerable an image is. We release the pipeline and the 283 GB dataset.
- Abstract（参考訳）: Docker Hubは、ほとんどのコンテナデプロイメントの下のレジストリであり、広く再利用されたベースイメージの欠陥は、その上に構築されたすべてのイメージによって継承される。
以前の生態系スケールの測定では、それぞれが1つの検出器に依存しており、ツール依存度は不適切なままだが、スキャナーの比較では、数十から数百の画像が使われている。
Docker Hubネームスペース(12,716,568リポジトリ、663.8億の累積プル)をクロールするパイプラインであるChimangoScanを紹介します。イメージ層グラフ(54.4百万のIS_BASE_OFエッジ)を再構築し、イメージのプル数と下流サブツリー全体を1つのスカラーに折りたたみ、52,895の最高の露光リポジトリ(全プルの84.7%)を6つの独立したスキャナでスキャンし、170,440万の結果を得る。
イメージの96.3%が既知のパッケージ脆弱性、93.4%が重要な脆弱性、98.0%が少なくとも1つのCIS Docker Benchmarkの誤設定を持っている。
単一のツールレポートの姿勢は、そのツールのアーティファクトである: 807万の異なる(脆弱性、パッケージ)グループ、66.8%は3つの脆弱性スキャナのうちの1つにのみフラグ付けされ、3つすべてでわずか2.7%、最高の単一スキャナは66.9%回復する。
TruffleHogは76.9%の画像で秘密を宣言しているが、手書きの1,100のランダムな検出では99.7%が非クレデンシャルである。
単一のzlib CVEは、全コーパス露出の47.3%のイメージに到達し、113万の異なる下流画像に伝播するが、その画像がどれほど脆弱であるかは予測できない。
パイプラインと283GBのデータセットをリリースしています。
関連論文リスト
- ChatGPT Images 2.5 in the Wild: A Launch-Period Dataset and Detector Evaluation [12.307366979757065]
ChatGPT Images 2.5は、公称を維持しながら、基礎となるジェネレータを変更することができ、オンライン投稿からバージョン属性を曖昧にする。
凍結したコレクションには、8つのソースにわたる2,440のポストから3,478のイメージが含まれています。
3つのアトリビューションティアを記録し、イメージ形式のフィルタリングとターゲットレビュー後にスタンドアロンイメージを保持する。
論文 参考訳（メタデータ） (2026-09-14T06:25:39Z) - Same Name, Different Server: A Security Census of Silent Drift in the Model Context Protocol Ecosystem [0.0]
Model Context Protocol (MCP) は、大規模な言語モデルアプリケーションが外部ツールに到達するための共通インターフェースとなっている。
本稿は、その生態系の国勢調査を報告する。
論文 参考訳（メタデータ） (2026-09-12T19:47:32Z) - Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
私たちは検出器を構築し、その証拠として属性マップを添付します。
私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。
属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
論文 参考訳（メタデータ） (2026-07-31T16:07:05Z) - Adversarial Deepfake Generation and an Investigation of Purification-Based Adversarial Detection [9.42962723864652]
本稿では,ImageCLEF 2026 Deepfake Detection and Generation Taskにおけるチーム"Go To Germany"の参加について述べる。
画像生成タスクでは、識別保存顔合成にFLUX.1-devとPuLIDを用いる。
画像検出タスクでは、AI生成画像のSigLIP+DINOv2と顔操作のGenD-DINOv3の2つの補完検出器を組み合わせる。
論文 参考訳（メタデータ） (2026-07-28T15:19:16Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - ClawHub Security Signals: When VirusTotal, Static Analysis, and SkillSpector Disagree [0.4464102544889847]
ClawHub Security Signalsは67,453の最新のOpenClawスキルバージョンをサニタイズしたデータセットである。
各行はSKILL.mdコンテンツと、最後のClawScanレジストリの検証と3つのスキャナーファミリからのエビデンスを含む、サニタイズされたバンドルファイルとをペアリングする。
悪質なスキルの有病率を推定するよりも、スキャナの不一致を調査する。
これらの結果は、エージェントスキルのセキュリティは、単一スキャナの許容/ブロック決定ではなく、階層化されたガバナンスを必要とすることを示している。
論文 参考訳（メタデータ） (2026-05-31T23:20:25Z) - How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。
HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
論文 参考訳（メタデータ） (2026-05-08T09:30:31Z) - No Dense Tensors Needed: Fully Sparse Object Detection on Event-Camera Voxel Grids [0.3823356975862005]
イベントカメラは、小型で高速で動くドローンを検出するのに適した、非同期で高ダイナミックなストリームを生成する。
ほとんどの事象ベースの検出器はスパース事象ストリームを密度の高いテンソルに変換し、ニューロモルフィックセンシングの表現効率を放棄する。
SparseVoxelDetは,バックボーンの特徴抽出,ピラミッド融合,検出ヘッドがすべて占有されたボクセル位置のみで動作する,イベントカメラ用初の完全スパース物体検出器である。
論文 参考訳（メタデータ） (2026-03-23T07:12:14Z) - MultiVer: Zero-Shot Multi-Agent Vulnerability Detection [0.0]
MultiVerは脆弱性検出のためのゼロショットマルチエージェントシステムであり、微調整なしで最先端のリコールを実現する。
組合投票による4人組のアンサンブルは、PyVulで82.7%のリコールを達成し、微調整のGPT-3.5(81.3%)を1.4ポイント上回った。
論文 参考訳（メタデータ） (2026-02-19T22:20:17Z) - How well are open sourced AI-generated image detection models out-of-the-box: A comprehensive benchmark study [5.740397289924559]
普遍的な勝者は存在せず、検出器のランキングはかなり不安定である。
我々の発見は、全能検出器のパラダイムに挑戦した。
論文 参考訳（メタデータ） (2026-02-08T04:36:13Z) - Streamlined Lensed Quasar Identification in Multiband Images via
Ensemble Networks [34.82692226532414]
強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。
我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。
我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
論文 参考訳（メタデータ） (2023-07-03T15:09:10Z) - Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。
OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。
我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
論文 参考訳（メタデータ） (2022-12-26T12:49:47Z) - Large-Scale Unsupervised Object Discovery [80.60458324771571]
教師なしオブジェクトディスカバリ(UOD)は、パフォーマンスを損なう近似なしでは、大規模なデータセットにスケールアップしない。
本稿では,固有値問題やリンク解析に利用できる分散手法の武器として,ランク付け問題としてのUODの新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-06-12T00:29:49Z) - Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels [128.77822070156057]
本研究では,対象物が明示的にあるいは暗黙的に複数のラベルを持つ可能性のあるラベル問題を定量的に解析する。
ラベルの不均衡に対処するために,ハイブリッドトレーニングスケジューラを用いたソフトサンプリング手法を提案する。
提案手法は3.34点の劇的な改善を実現し,オープンイメージの公開オブジェクト検出テストセット上で60.90mAPの最高の単一モデルを実現する。
論文 参考訳（メタデータ） (2020-05-18T04:36:36Z)
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。