Fugu-MT 論文翻訳(概要): Slow and Steady: Preventing MEV with Verifiable Delays

論文の概要: Slow and Steady: Preventing MEV with Verifiable Delays

arxiv url: http://arxiv.org/abs/2608.13271v1
Date: Thu, 13 Aug 2026 14:08:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.552326
Title: Slow and Steady: Preventing MEV with Verifiable Delays
Title（参考訳）: Slow and Steady: 検証遅延によるMEVの防止
Abstract要約: 本稿では,分散台帳における最大抽出可能価値(MEV)に対する防御機構について述べる。このメカニズムは、トランザクションを生成するときに検証可能な遅延を強制するという考え方に依存します。我々は、過去のMEVデータに基づいて、我々のメカニズムが、既存のMEVの脅威の多くを現実的に防止できることを示した。
参考スコア（独自算出の注目度）: 2.881559957268291
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Our work presents a defense mechanism against Maximal Extractable Value (MEV) opportunities in distributed ledgers. The mechanism relies on the idea of enforcing a verifiable delay when generating transactions, such that a block creator cannot react to the appearance of a MEV opportunity without breaking liveness. We present positive results both in the Byzantine setting and in a game theoretic model of rational participants. We additionally present negative bounds that outline the limitations of this line of defense. Finally, we explore real-world implementation details of verifiable delays and show that, based on historical MEV data, our mechanism could realistically help prevent most existing MEV threats.
Abstract（参考訳）: 本研究は,分散型台帳における最大抽出可能価値(MEV)に対する防御機構を示す。このメカニズムは、トランザクション生成時に検証可能な遅延を強制するという考え方に依存しており、ブロック作成者は、生き生きを損なうことなくMEVの出現に反応できない。ビザンティン設定と有理参加者のゲーム理論モデルの両方において肯定的な結果を示す。我々はまた、この防衛ラインの限界を概説する負の境界を提示する。最後に、検証可能な遅延の現実的な実装の詳細を調査し、過去のMEVデータに基づいて、我々のメカニズムが既存のMEVの脅威を現実的に防止できることを示す。

関連論文リスト

InceptionRAG: Stealthy Poisoning Attack Against Retrieval-Augmented Generation [23.65420330011369]
InceptionRAGは、標準的な攻撃パラダイムを覆すステルス攻撃機構である。インセプションRAGは厳格な敵対的制約の下でも80%以上の攻撃成功率を達成する。 LLMの強い推論能力は、推論に基づく中毒攻撃に対する脆弱性を増大させる。
論文参考訳（メタデータ） (2026-09-15T08:22:10Z)
Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文参考訳（メタデータ） (2026-05-28T02:12:41Z)
Furina: Fragmented Uncertainty-Driven Refusal Instability Attack [9.678677899786718]
大規模言語モデル (LLM) とマルチモーダル・大規模言語モデル (MLLM) の安全性の整合性は、概ね2つのしきい値のメカニズムとして機能すると考えられている。我々は、安全行動は、小さな摂動が決定論的結果よりも拒絶決定を引き起こす不安定な領域に支配されていることを明らかにすることによって、この仮定に挑戦する。この不安定性を特徴付けるために,外部信号と内部信号を組み合わせたマルチメトリック診断フレームワークを開発した。 Furinaは、モデル固有の最適化なしに、断片化されたシーンアンコールプロンプトを通じて意図的にこのシグネチャを誘導するジェイルブレイク攻撃である。
論文参考訳（メタデータ） (2026-05-24T11:35:12Z)
Towards Remote Attestation of Microarchitectural Attacks: The Case of Rowhammer [15.327433995073237]
HammerWatchはRowhammer対応の遠隔検定プロトコルで、外部の検証者が、システムがハードウェアによる障害行動を示すかどうかを評価することができる。商品ハードウェア上でHammerWatchを実装し,20000 の擬似良性および悪意のあるアクセスパターンで評価する。以上の結果から, 本検証装置は, 保守的活動下での良性手術とRowhammer様の動作を確実に区別できることが示唆された。
論文参考訳（メタデータ） (2026-03-25T10:42:08Z)
From Narrow Unlearning to Emergent Misalignment: Causes, Consequences, and Containment in LLMs [51.800006486987435]
特定領域での未学習を狭くすることで,創発的不適応が生じる可能性が示唆された。我々の研究は、狭義のドメインアンラーニングが対象のコンセプトに対するコンプライアンス応答をもたらすことを示しているが、EMAを無関係のドメインに広めることもできる。
論文参考訳（メタデータ） (2025-11-18T00:53:23Z)
FreezeVLA: Action-Freezing Attacks against Vision-Language-Action Models [124.02734355214325]
Vision-Language-Action(VLA)モデルはロボティクスの急速な進歩を加速している。敵画像はVLAモデルを「凍結」し、その後の命令を無視する。 FreezeVLAは、min-maxバイレベル最適化を通じて、アクション凍結攻撃を生成し、評価する。
論文参考訳（メタデータ） (2025-09-24T08:15:28Z)
MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。 OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
論文参考訳（メタデータ） (2025-06-03T01:37:09Z)
Confidential Guardian: Cryptographically Prohibiting the Abuse of Model Abstention [65.47632669243657]
不正直な機関は、不確実性の観点からサービスを差別または不正に否定する機構を利用することができる。我々は、ミラージュと呼ばれる不確実性誘導攻撃を導入することで、この脅威の実践性を実証する。本研究では,参照データセット上のキャリブレーションメトリクスを分析し,人工的に抑制された信頼度を検出するフレームワークであるConfidential Guardianを提案する。
論文参考訳（メタデータ） (2025-05-29T19:47:50Z)
Feature-Aware Malicious Output Detection and Mitigation [8.378272216429954]
有害反応拒絶(FMM)のための特徴認識手法を提案する。 FMMは、モデルの特徴空間内に悪意のある特徴が存在することを検知し、モデルの拒絶機構を適応的に調整する。実験により,複数の言語モデルと多様な攻撃手法を用いたアプローチの有効性が示された。
論文参考訳（メタデータ） (2025-04-12T12:12:51Z)
To Think or Not to Think: Exploring the Unthinking Vulnerability in Large Reasoning Models [56.19026073319406]
大規模推論モデル (LRM) は、最終的な答えを生成する前に明確な推論トレースを生成することで複雑なタスクを解決するように設計されている。 LRM(Unthinking)と呼ばれる重要な脆弱性を明らかにし、特別なトークンを操作することで思考プロセスを回避できます。本稿では,この脆弱性を悪意と有益の両方の観点から検討する。
論文参考訳（メタデータ） (2025-02-16T10:45:56Z)

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。