論文の概要: MazeRunner: Nonlinear Task and Clue Orchestration for LLM-driven Black-Box Automated Penetration Testing
- arxiv url: http://arxiv.org/abs/2608.14216v1
- Date: Fri, 14 Aug 2026 11:46:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.370042
- Title: MazeRunner: Nonlinear Task and Clue Orchestration for LLM-driven Black-Box Automated Penetration Testing
- Title（参考訳）: MazeRunner: LLM駆動のブラックボックス自動浸透テストのための非線形タスクとクローズオーケストレーション
- Abstract要約: MazeRunnerは,3エージェントのタスク・アンド・キューオーケストレーションフレームワーク上に構築された,自律的な浸透テストシステムである。
MazeRunnerは47.7%の注釈付きサブタスクを完了しており、PentestGPT-V2は36.2%、Claude Codeは34.2%である。
- 参考スコア（独自算出の注目度）: 40.54981107553332
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Penetration testing is essential yet resource-intensive. Although large language models (LLMs) show promise for automating security auditing, existing agents mainly execute end-to-end workflows in simplified linear scenarios. Real-world black-box testing is fundamentally nonlinear: the attack graph is initially unknown and must be incrementally inferred from environmental feedback. Observations may reveal multiple attack branches, failures are often ambiguous, and critical clues may span long action horizons. Existing agents therefore tend to become trapped in depth-first exploration, misdiagnose failures, and forget prior evidence. We present MazeRunner, an autonomous penetration testing system built on a three-agent task-and-clue orchestration framework. It separates global orchestration, context-intensive execution, and failure-oriented review while persistently maintaining task states and environmental evidence. This design supports action revision, prerequisite recovery, branch switching, and long-range clue correlation. We evaluate MazeRunner on 10 recently released HTB targets, limiting each system-target run to 20 million LLM tokens and preventing target-specific solution leakage. With Claude Sonnet 4.5, MazeRunner completes 47.7% of annotated subtasks, compared with 36.2% for PentestGPT-V2 and 34.2% for Claude Code. It achieves user-level or higher access on six targets, including root access on two; each same-model baseline reaches user-level access on only two targets and never obtains root access. Execution-trace analysis further shows that MazeRunner explores more attack branches and acquires shells more efficiently.
- Abstract（参考訳）: 浸透試験は必須だが資源集約である。
大規模言語モデル(LLM)はセキュリティ監査の自動化を約束するが、既存のエージェントは主に単純化された線形シナリオでエンドツーエンドのワークフローを実行する。
実世界のブラックボックステストは基本的に非線形であり、アタックグラフは最初は未知であり、環境フィードバックから漸進的に推測されなければならない。
観測によって複数の攻撃枝が明らかになり、障害はしばしばあいまいであり、重要な手がかりは長い行動地平線にまたがる可能性がある。
したがって、既存のエージェントは、深さ優先の探索、誤診失敗に閉じ込められ、以前の証拠を忘れる傾向にある。
MazeRunnerは,3エージェントのタスク・アンド・キューオーケストレーションフレームワーク上に構築された,自律的な浸透テストシステムである。
グローバルなオーケストレーション、コンテキスト集約実行、障害指向のレビューを分離し、タスク状態と環境証拠を継続的に維持する。
この設計は、アクションリビジョン、前提条件回復、分岐切替、長距離手がかり相関をサポートする。
最近リリースされた10個のHTBターゲット上でMazeRunnerを評価し、各システムターゲットのランニングを2000万 LLMトークンに制限し、ターゲット固有のソリューションリークを防止する。
Claude Sonnet 4.5で、MazeRunnerは47.7%の注釈付きサブタスクを完了し、PentestGPT-V2は36.2%、Claude Codeは34.2%である。
同じモデルベースラインが2つのターゲットのみのユーザレベルアクセスに到達し、ルートアクセスは得られない。
実行トレース分析はさらに、MazeRunnerがより多くのアタックブランチを探索し、より効率的にシェルを取得することを示している。
関連論文リスト
- Leveraging Trajectory Graphs for Pre-Execution Error Diagnosis in Agentic LLM Systems [47.66236392009794]
LLM(Large Language Model)ベースのエージェントは、様々な複雑な対話的タスクにおいて、例外的なパフォーマンスを示す。
textitTrajectory Graph Copilot は LLM エージェントの副操縦士' として機能する新しいフレームワークで,実行前に潜在的な動作エラーを診断する。
論文 参考訳（メタデータ） (2026-07-29T20:14:43Z) - Early Diagnosis of Wasted Computation in Multi-Agent LLM Systems via Failure-Aware Observability [8.036549927091286]
本稿では,マルチエージェントLSMトレースにおける無駄な計算を診断するための,故障を考慮した可観測性フレームワークを提案する。
このフレームワークを3エージェントの質問応答システムでインスタンス化し、165のGAIA検証トレース上で同一の実行上限で評価する。
論文 参考訳（メタデータ） (2026-05-31T17:50:11Z) - OTora: A Unified Red Teaming Framework for Reasoning-Level Denial-of-Service in LLM Agents [21.836018755837085]
OToraは、Reasoning-Level Denial-of-Service攻撃をインスタンス化するフレームワークである。
OToraはICL誘導遺伝子探索によってエージェント認識推論ペイロードを生成する。
トークンの推論とマグニチュードの遅延の遅延ダウンで最大10倍増加する。
論文 参考訳（メタデータ） (2026-05-09T10:55:11Z) - VLAA-GUI: Knowing When to Stop, Recover, and Search, A Modular Framework for GUI Automation [98.38575149237442]
VLAA-GUIは3つの統合コンポーネントを中心に構築されたモジュラーGUIフレームワークである。
必須完全性検証は、UIで観測可能な成功基準と検証を、各完了ステップで実施する。
強制的なループブレーカは、繰り返し失敗した後、多層切替インタラクションモードを提供する。
論文 参考訳（メタデータ） (2026-04-23T07:42:37Z) - AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。
ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。
探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
論文 参考訳（メタデータ） (2026-03-15T16:13:58Z) - RewardHackingAgents: Benchmarking Evaluation Integrity for LLM ML-Engineering Agents [0.9821874476902969]
LLMエージェントは、単一のスカラーテストメトリクスで成功を判断するエンドツーエンドのMLエンジニアリングタスクをますます実行します。
エージェントは、モデルを改善するのではなく、評価パイプラインを妥協することで、報告されたスコアを増やすことができる。
ワークスペースベースのベンチマークであるRewardHackingAgentsを導入する。
論文 参考訳（メタデータ） (2026-03-11T22:06:44Z) - TestExplora: Benchmarking LLMs for Proactive Bug Discovery via Repository-Level Test Generation [19.43198506241428]
提案するTestExploraは,大規模言語モデルを積極的なテスタとして評価するためのベンチマークである。
TestExploraには482リポジトリから2,389のタスクが含まれており、すべての欠陥関連信号を隠している。
現状のモデルでは、F2P(Fail-to-Pass)の最大率は16.06%である。
論文 参考訳（メタデータ） (2026-02-11T03:22:51Z) - DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。
ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。
DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
論文 参考訳（メタデータ） (2025-12-07T09:23:48Z) - Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。
本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。
最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
論文 参考訳（メタデータ） (2025-04-30T23:09:44Z)
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。