論文の概要: LLM-based Vulnerability Discovery in Business Process Documentation

• arxiv url: http://arxiv.org/abs/2608.04271v1
• Date: Tue, 04 Aug 2026 23:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.65878
• Title: LLM-based Vulnerability Discovery in Business Process Documentation
• Title（参考訳）: ビジネスプロセスドキュメンテーションにおけるLCMによる脆弱性発見
• Abstract要約: MIRABELLEは、利用可能なビジネスプロセス表現からビジネスロジック(BL)の脆弱性を特定し、特徴付けるシステムである。 本稿では,Large Language Models(LLM)による実験と,MIRABELLEにおけるその役割について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Just like software and hardware, business processes are susceptible to vulnerabilities that can lead to product quality issues, delays, and increased costs. Business process vulnerabilities can arise from a variety of sources, including conflicting requirements, ambiguous documentation, invalid measurement spec-ifications, omission of quality checks, or implementations that differ from speci-fications. MIRABELLE is a system that identifies and characterizes business logic (BL) vulnerabilities from available business process representations, in-cluding ISO 9000/9001 documentation, user guides, work instructions, and pro-cess execution logs. MIRABELLE leverages recent advances in AI/ML to pro-cess available business process documentation and generate attributed graph rep-resentations of the business logic that can be processed using both graph and for-mal logic approaches for identifying potential vulnerabilities. However, extract-ing the business logic (e.g., operation execution sequences, decisions, input/out-put resources) from mostly natural language artifacts is challenging due to the required domain expertise, inherent process complexity, and the sometimes very large volumes of information. This paper focuses on our experimentation with Large Language Models (LLMs) and their role within MIRABELLE. We report on the performance of several LLMs across vital stages of vulnerability detection, from grammatical and technical error-flagging in short phrasings, to complete process structure recovery and extraction.
• Abstract（参考訳）: ソフトウェアやハードウェアと同じように、ビジネスプロセスも、製品の品質問題や遅延、コストの増加につながる脆弱性の影響を受けやすいのです。 ビジネスプロセスの脆弱性は、矛盾する要件、曖昧なドキュメント、不正な計測仕様化、品質チェックの欠落、スペックフィケーションとは異なる実装など、さまざまなソースから生じます。 MIRABELLEは、利用可能なビジネスプロセス表現から、ISO 9000/9001ドキュメント、ユーザガイド、ワークインストラクション、プロシース実行ログを含むビジネスロジック(BL)脆弱性を特定し、特徴付けるシステムである。 MIRABELLEは、AI/MLの最近の進歩を活用して、利用可能なビジネスプロセスドキュメントをプロシースし、潜在的な脆弱性を特定するために、グラフとfor-malロジックの両方を使用して処理できるビジネスロジックの属性付きグラフのリセプションを生成する。 しかし、ビジネスロジック(例えば、オペレーションの実行シーケンス、決定、入出力リソースなど)を自然言語から抽出することは、ドメインの専門知識、固有のプロセスの複雑さ、時には非常に大量の情報のために困難である。 本稿では,Large Language Models(LLM)による実験と,MIRABELLEにおけるその役割について述べる。 本報告では, 文法的, 技術的エラーフラグリングからプロセス構造回復・抽出まで, 脆弱性検出の重要な段階にわたる複数のLCMの性能について報告する。

関連論文リスト

• PMAx: An Agentic Framework for AI-Driven Process Mining [44.712128560040384]
  仮想プロセスアナリストとして機能する自律エージェントフレームワークであるPMAxを提案する。 プロセスモデルの生成や解析結果の計算にLLMに頼るのではなく、プライバシを保存するマルチエージェントアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2026-03-16T14:35:39Z)
• TraceLLM: Leveraging Large Language Models with Prompt Engineering for Enhanced Requirements Traceability [4.517933493143603]
  本稿では,要求トレーサビリティ向上のためのフレームワークであるTraceLLMを紹介する。 我々は,4つのベンチマークデータセット上で8つの最先端LCMを用いて,迅速な一般化とロバスト性を評価する。
  論文  参考訳（メタデータ） (2026-02-01T14:29:13Z)
• Integrating Domain Knowledge into Process Discovery Using Large Language Models [3.7448613209842967]
  本稿では,自然言語で表現されたドメイン知識をプロセス発見パイプラインに組み込む対話型フレームワークを提案する。 このフレームワークは、LLM(Large Language Models)、ドメインエキスパート、バックエンドサービスのセット間のインタラクションを調整する。 我々の実証研究は、実際のイベントログに基づくケーススタディと、フレームワークのユーザビリティと有効性を評価するドメインエキスパートの関与を含む。
  論文  参考訳（メタデータ） (2025-10-08T15:59:11Z)
• Automated Vulnerability Validation and Verification: A Large Language Model Approach [7.482522010482827]
  本稿では、生成AI、特に大規模言語モデル(LLM)を利用したエンドツーエンド多段階パイプラインを提案する。 本手法は,国立脆弱性データベース(National Vulnerability Database)のCVE開示情報から抽出する。 これは、Retrieval-Augmented Generation (RAG)を使用して、外部の公開知識(例えば、脅威アドバイザリ、コードスニペット)で拡張する。 パイプラインは生成されたアーティファクトを反復的に洗練し、テストケースでのアタック成功を検証し、複雑なマルチコンテナセットアップをサポートする。
  論文  参考訳（メタデータ） (2025-09-28T19:16:12Z)
• Knowledge-Driven Hallucination in Large Language Models: An Empirical Study on Process Modeling [46.05103857535919]
  解析的タスクにおける大規模言語モデルの実用性は、その膨大な事前訓練された知識に根ざしている。 この能力は、私たちが知識駆動幻覚と呼ぶものに対して、重大なリスクをもたらします。 本稿では,自動プロセスモデリングのタスクにおけるLCMの評価により,この現象を考察する。
  論文  参考訳（メタデータ） (2025-09-18T18:27:30Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
  本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。 このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。 以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
  論文  参考訳（メタデータ） (2025-05-12T14:05:23Z)
• Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
  LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。 ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。 我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。 我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
  論文  参考訳（メタデータ） (2025-04-07T03:57:41Z)
• Enhancing LLM Character-Level Manipulation via Divide and Conquer [74.55804812450164]
  大規模言語モデル(LLM)は、幅広い自然言語処理(NLP)タスクにまたがる強力な一般化機能を示している。 彼らは文字レベルの文字列操作において顕著な弱点を示し、文字削除、挿入、置換といった基本的な操作に苦労した。 本稿では,トークンレベルの処理と文字レベルの操作のギャップを埋める新しい手法であるDivide and Conquerによる文字レベル操作を提案する。
  論文  参考訳（メタデータ） (2025-02-12T07:37:39Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• Large Language Models can accomplish Business Process Management Tasks [0.0]
  大規模言語モデル(LLM)がテキスト関連ビジネスプロセス管理タスクをどのように達成できるかを示す。 LLMは、テキスト記述からプロセスモデルを達成し、テキスト記述から宣言的プロセスモデルをマイニングし、ロボットプロセス自動化のためのテキスト記述からプロセスタスクの適合性を評価する。
  論文  参考訳（メタデータ） (2023-07-19T11:54:46Z)
• OverPrompt: Enhancing ChatGPT through Efficient In-Context Learning [49.38867353135258]
  複数のタスク入力を処理するために,LLMのコンテキスト内学習機能を活用したOverPromptを提案する。 本実験により,OverPromptはタスク性能を著しく損なうことなく,コスト効率の良いゼロショット分類を実現することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T10:08:04Z)

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。