論文の概要: Neuro-Symbolic Proof-of-Vulnerability Generation with Open-Weight Models
- arxiv url: http://arxiv.org/abs/2608.04217v1
- Date: Tue, 04 Aug 2026 20:37:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.640272
- Title: Neuro-Symbolic Proof-of-Vulnerability Generation with Open-Weight Models
- Title（参考訳）: オープンウェイトモデルを用いたニューロシンボリックな脆弱性生成
- Abstract要約: POVGENは、Proof-of-Vulnerability生成をコスト効率良くする低コストのニューロシンボリックフレームワークである。
POVGENは最近のベンチマークで78.98%の脆弱性に対してPoVを正常に生成した。
パブリックなPoVのない250の現実世界のCVEでは、74.80%のケースで有効なPoVを生成し、パッチ情報なしで65.1%を再生する。
- 参考スコア（独自算出の注目度）: 13.504778453888411
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software vulnerabilities are persistent, but validating them remains difficult: a Proof-of-Vulnerability (PoV) requires a concrete input that triggers the vulnerable behavior, yet public triggering inputs are often unavailable for disclosed vulnerabilities. Existing techniques make different tradeoffs in effectiveness, scalability, cost, and controllability, leaving room for complementary designs. To complement them, we present POVGEN, a low-cost neuro-symbolic framework that makes PoV generation cost-effective via semantic focusing and LLM-guided constraint reasoning using open-weight models. POVGEN first localizes vulnerability-relevant regions (utilizing patch information if available), then performs path-sensitive reachability analysis, and finally generates PoVs by extracting and solving constraints with LLM-guided reasoning backed by an SMT solver. POVGEN successfully generates PoVs for 78.98% of vulnerabilities in a recent benchmark, outperforming fuzzing (up to 50.20%) and symbolic execution (2.45%). On 250 real-world CVEs without public PoVs, it generates valid PoVs for 74.80% of cases and reproduces 65.1% when without patch information. The fine-tuned open-weight models match frontier commercial LLMs on key sub-tasks (i.e., the core constraint-reasoning steps) while running locally at no per-sample API cost. Applying the generated PoVs revealed six flawed patches in disclosed CVEs (all subsequently fixed) and five previously unreported vulnerabilities (of which four have been confirmed and fixed by the developers).
- Abstract（参考訳）: Proof-of-Vulnerability(PoV)には、脆弱性の動作をトリガーする具体的な入力が必要です。
既存の技術は、有効性、スケーラビリティ、コスト、制御性において異なるトレードオフを行い、相補的な設計の余地を残している。
そこで我々は,PoV生成をセマンティック・フォーカス(セマンティック・フォーカス)とLLM誘導制約推論(LPM誘導制約推論)によりコスト効率良くする,低コストなニューロシンボリック・フレームワークであるPOVGENを提案する。
POVGENは、まず、脆弱性関連領域をローカライズし(可能であればパッチ情報を活用する)、パス感受性の到達可能性分析を行い、最後に、SMTソルバによって裏打ちされたLSM誘導推論による制約を抽出して解決することでPoVを生成する。
POVGENは、最近のベンチマークで78.98%の脆弱性に対してPoVを正常に生成し、ファジィ(最大50.20%)とシンボル実行(2.45%)を上回った。
パブリックなPoVのない250の現実世界のCVEでは、74.80%のケースで有効なPoVを生成し、パッチ情報なしで65.1%を再生する。
細調整されたオープンウェイトモデルは、主要なサブタスク(すなわち、コア制約推論ステップ)上のフロンティア商用LCMと一致し、サンプル単位のAPIコストでローカルに実行される。
生成されたPoVを適用することで、公開されているCVE(すべて修正された)と、以前に報告されていない5つの脆弱性(うち4つは、開発者によって確認され、修正されている)の6つの欠陥パッチが明らかになった。
関連論文リスト
- Automated Vulnerability Injection in Smart Contracts Using Large Language Models [4.32664921452851]
本稿では,Large Language Models (LLM) を用いてスマートコントラクトに脆弱性を自動的に注入する手法を提案する。
インジェクトされたコントラクトは、コンパイル、実行、ビジネスロジック、意図した脆弱性の存在をチェックするマルチステップパイプラインを通じて検証される。
論文 参考訳（メタデータ） (2026-09-02T14:03:09Z) - SecureForge: Finding and Preventing Vulnerabilities in LLM-Generated Code via Prompt Optimization [61.91729298584227]
SecureForgeは、フロンティアモデルのセキュリティリスクを監査し、監査インフォームされたセキュアなシステムプロンプトを生成する自動化パイプラインである。
SecureForgeは、まず静的に検出可能な脆弱性を生成する良性プロンプトを特定し、その後、さまざまなシナリオの大規模な合成プロンプトコーパスに増幅する。
フロンティアモデルでは、SecureForgeは、ユニットテストの成功と出力セキュリティの両方において統計的に有意な改善をもたらし、出力脆弱性は最大48%削減された。
論文 参考訳（メタデータ） (2026-05-08T18:40:47Z) - Enhancing Linux Privilege Escalation Attack Capabilities of Local LLM Agents [1.1677624591989955]
小型のオープンウェイトモデルは、自動Linux特権エスカレーションでは性能が良くない。
本研究は,システムレベルを目標とし,介入を促すことによって,この性能ギャップを埋めることができるか,という,系統的な実証研究である。
論文 参考訳（メタデータ） (2026-04-29T19:54:27Z) - V2E: Validating Smart Contract Vulnerabilities through Profit-driven Exploit Generation and Execution [52.57923394143007]
V2Eは、報告された脆弱性が本当に悪用されているかどうかを検証するための新しいフレームワークである。
V2EはProof-of-Concept(PoC)を自動的に生成し、脆弱性がトリガー可能かどうかを評価し、損失を発生させる。
264のラベル付き契約の評価は、V2Eがベースラインアプローチより優れていることを示している。
論文 参考訳（メタデータ） (2026-04-15T08:24:24Z) - SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。
しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。
我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
論文 参考訳（メタデータ） (2026-04-04T04:29:11Z) - Credential Leakage in LLM Agent Skills: A Large-Scale Empirical Study [51.717224133855886]
サードパーティのスキルはLLMエージェントを強力な能力で拡張するが、特権のある環境では機密情報を扱うことが多い。
静的解析,サンドボックステスト,手動検査を用いて17,022のスキル(SkillsMPで170,226からサンプリング)を分析した。
我々は,1,708の課題で520の脆弱なスキルを識別し,10の漏洩パターン(事故4件,反対6件)の分類を導出する。
論文 参考訳（メタデータ） (2026-04-03T14:50:16Z) - PATCHEVAL: A New Benchmark for Evaluating LLMs on Patching Real-World Vulnerabilities [10.936360792186148]
ソフトウェアにおける脆弱性は、警戒速度で増加しています。
手作業のパッチは時間がかかり、リソースが集中的です。
自動脆弱性修復技術は 有効性に限界があります
大規模言語モデル(LLM)の最近の進歩は、脆弱性ベンチマークのための新しいパラダイムを開放した。
論文 参考訳（メタデータ） (2025-11-14T07:14:32Z) - PoCGen: Generating Proof-of-Concept Exploits for Vulnerabilities in Npm Packages [13.877936187495555]
我々は,npmパッケージの脆弱性に対するPoCエクスプロイトを自律的に生成し,検証する新しいアプローチであるPoCGenを提案する。
PoCGenはSecBench$.jsデータセットの脆弱性の77%のエクスプロイトを生成することに成功した。
論文 参考訳（メタデータ） (2025-06-05T12:37:33Z) - Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
新規データや不完全データでは,性能が著しく低下することがわかった。
これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。
本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
論文 参考訳（メタデータ） (2025-03-06T15:36:06Z) - SoK: Understanding Vulnerabilities in the Large Language Model Supply Chain [8.581429744090316]
この研究は、13のライフサイクルステージにまたがる75の著名なプロジェクトにわたって報告された529の脆弱性を体系的に分析する。
その結果、脆弱性はアプリケーション(50.3%)とモデル(42.7%)に集中していることがわかった。
脆弱性の56.7%が修正されているが、これらのパッチの8%は効果がなく、繰り返し脆弱性が発生する。
論文 参考訳（メタデータ） (2025-02-18T03:22:38Z) - Adaptive Distraction: Probing LLM Contextual Robustness with Automated Tree Search [76.54475437069395]
大きな言語モデル(LLM)は、意味的に一貫性があるがタスクに依存しないコンテキスト情報に直面している場合、元のパフォーマンスを維持するのに苦労することが多い。
本稿では,木探索に基づく動的散逸生成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-03T18:43:36Z) - Exploring Automatic Cryptographic API Misuse Detection in the Era of LLMs [60.32717556756674]
本稿では,暗号誤用の検出において,大規模言語モデルを評価するための体系的評価フレームワークを提案する。
11,940個のLCM生成レポートを詳細に分析したところ、LSMに固有の不安定性は、報告の半数以上が偽陽性になる可能性があることがわかった。
最適化されたアプローチは、従来の手法を超え、確立されたベンチマークでこれまで知られていなかった誤用を明らかにすることで、90%近い顕著な検出率を達成する。
論文 参考訳（メタデータ） (2024-07-23T15:31:26Z)
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。