論文の概要: SysEvolve: An AI-native, safe, autonomous adversarial attack-defense co-evolutionary system

• arxiv url: http://arxiv.org/abs/2608.15012v1
• Date: Sat, 15 Aug 2026 03:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.161272
• Title: SysEvolve: An AI-native, safe, autonomous adversarial attack-defense co-evolutionary system
• Title（参考訳）: SysEvolve:AIネイティブで、安全で、自律的な敵攻撃防御の共同進化システム
• Abstract要約: sysevolveはAIによる攻撃と防衛システムで、敵の対決を通じて進化を駆動する。 シスフィールド、シススピア、 サイサルマーは 自己駆動の 対向ループを形成し あらゆる3つの層で 進化を回復する シスフィールドはゼロ・ロス・コレクションを2.1%のオーバーヘッドで達成し、257のCVEを1,148のレンジに編成し、シススピアはベースラインのLSMを25%以上越えて攻撃成功を改善する。
• 参考スコア（独自算出の注目度）: 12.941669192269243
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid advancement of large language models (LLMs) has created a growing asymmetry in cybersecurity, where attack accelerates toward autonomous execution while defense remains predominantly human-intensive. Despite substantial prior work across cyber ranges, AI-driven attack, and AI-driven defense, this asymmetry persists. We trace it to a deeper root cause, that evolution itself has stalled on both sides at three layers. To overcome this, we propose co-evolution as the integrating insight, where attack and defense AI agents autonomously and safely drive each other's evolution through adversarial confrontation. Based on this insight, we present \sysevolve, comprising three co-designed components, \sysfield, \sysspear, and \sysarmor. \sysfield constructs realistic multi-host ranges. \sysspear generates efficient, safe attack schemes. \sysarmor performs real-time, interpretable defense. Together they form a self-driven adversarial loop restoring evolution at all three layers. In evaluation, \sysfield achieves zero-loss collection at 2.1\% overhead and orchestrates 257 CVEs into 1,148 ranges, \sysspear improves attack success by over 25\% over baseline LLMs, and \sysarmor achieves 10--1000$\times$ greater precision than prior systems and detects real APT attacks in production at Huawei and Sangfor. Our evaluation also reveals three findings about LLM agent capabilities. First, multi-step composition and larger topologies expose agent capability gaps hidden by single-step evaluations. Second, the bottleneck lies after initial access in post-compromise state utilization. Third, LLM agents are susceptible to environmental interference. When decoy endpoints are deployed in the range, agent timeouts triple and downstream completion disappears despite the success rates of initial accesses are unchanged.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩はサイバーセキュリティの非対称性を増し、攻撃は自律的な実行へと加速する一方で、防衛は主として人的集約的なままである。 サイバーレンジ、AIによる攻撃、AIによる防御など、かなり以前の作業にもかかわらず、この非対称性は持続する。 我々は、進化そのものが3つの層で両側で停滞している、より深い根本原因を辿った。 これを解決するために、我々は、攻撃と防衛のAIエージェントが敵の対立を通じて、自律的かつ安全に互いの進化を駆動する統合的な洞察として、共進化を提案する。 この知見に基づいて、我々は3つの共同設計されたコンポーネントである‘sysfield, \sysspear, \sysarmor”を含む‘sysevolve’を提示する。 \sysfieldは現実的なマルチホスト範囲を構築する。 \sysspearは効率的で安全な攻撃スキームを生成する。 \sysarmorはリアルタイムで解釈可能な防御を行う。 共に3つの層で自己駆動の対向ループを復元する進化を形成する。 評価では、Shasysfieldは2.1\%のオーバーヘッドでゼロロスコレクションを達成し、257のCVEを1,148のレンジに編成し、ShasysspearはベースラインLSMよりも25\%以上の攻撃成功を向上し、Shasysarmorは以前のシステムよりも10-1000$\times$の精度を達成し、HuaweiとSangforの実際のAPT攻撃を検出する。 また,LSMエージェントの能力について3つの知見が得られた。 第一に、マルチステップ合成とより大きなトポロジは、単一ステップ評価によって隠されたエージェント能力ギャップを露呈する。 第二に、ボトルネックは、コンパイル後の状態利用の初期アクセス後にある。 第3に、LLM剤は環境干渉を受けやすい。 デコイエンドポイントがレンジにデプロイされると、初期アクセスの成功率が変化してもエージェントタイムアウトは3倍、ダウンストリーム完了は消失する。

関連論文リスト

• CAITLYN: Can LLM Agents Autonomously Synthesize Defenses against Emerging Injection Attacks? [19.263127813464134]
  LLM(Large Language Model)エージェントへのインジェクション攻撃は、エージェントが検索した外部テキストソースに悪意のある命令やコンテンツを導入しようとするものである。 既存のソリューションは典型的には固有のトリレンマ、すなわち実行時の効率性、文脈精度、適応性のトレードオフに悩まされる。 本稿では, エージェント非依存の防御装置であるCAITLYN (Lifelong Yielding Nexus) を用いて, 射出脅威に対する連続エージェントを提案する。
  論文  参考訳（メタデータ） (2026-08-28T06:58:26Z)
• Stateful Cooperative Agents Safeguarding LLMs Against Evolving Multi-Turn Attacks [56.45762972211923]
  マルチターン攻撃に対するLDMの安全性を確保するためのプロアクティブ・ディフェンス・フレームワークを提案する。 特殊なエージェントが補完的な防衛戦略を実行するような、協調的なマルチエージェントアーキテクチャを採用している。 マルチターン攻撃における進化戦略をシミュレートするEMRAデータセットを提案する。
  論文  参考訳（メタデータ） (2026-07-31T14:04:49Z)
• Safety in Self-Evolving LLM Agent Systems: Threats, Amplification, and Case Studies [62.65225104423404]
  自己進化エージェントシステムは、敵の影響力が永久に符号化される、質的に新しい脅威の風景を導入します。 モジュール・ライフサイクル・アタック・サーフェス・マトリックスを中心に組織化されたセキュリティとプライバシの分析を行った。 その結果, 自己進化は, 既知のすべての攻撃カテゴリをセッションバウンドからラインパーシスタントに変換することがわかった。
  論文  参考訳（メタデータ） (2026-06-22T09:23:50Z)
• Benchmarking Autonomous Agents against Temporal, Spatial, and Semantic Evasions [15.535628544812326]
  LLMをベースとしたエージェントシステムを対象とした,新しい多次元回避フレームワークを提案する。 これらの脅威を定量化するために,2,254個の実世界のエージェント実行軌跡からなる総合ベンチマークであるA3S-Benchを構築した。 我々の回避フレームワークは平均リスクトリガー率を28.3%から52.6%に引き上げる。
  論文  参考訳（メタデータ） (2026-05-21T11:07:51Z)
• Dynamic Cyber Ranges [0.3179229570536315]
  動的サイバーレンジ: インフラを強化し、侵入を監視し、リアルタイムで応答するLLM駆動のデフェンダーエージェントで強化されたサイバーレンジ環境を提案する。 攻撃者とディフェンダーエージェントは同じモデル能力から引き出されるため、Dynamic Cyber Rangesはモデルの改善に伴って評価ヘッドルームを保存する。 特に、小さな専用オンプレミスモデル(エイリアス2-mini)は、同じ未修正プロンプトの下で複数のシナリオでフロンティアモデルの防御結果と一致し、複雑なエンタープライズシナリオで攻撃者を10倍早く検出した。
  論文  参考訳（メタデータ） (2026-04-27T08:44:30Z)
• ClawWorm: Self-Propagating Attacks Across LLM Agent Ecosystems [18.180880919825082]
  ClawWormは、プロダクションスケールのエージェントフレームワークに対する最初の自己複製ワーム攻撃である。 我々は、64.5%の総攻撃成功率、マルチホップ伝播の持続、およびモデルセキュリティ姿勢におけるスタークの相違を明らかにする。
  論文  参考訳（メタデータ） (2026-03-16T17:55:43Z)
• Game-Theoretic Modeling of Stealthy Intrusion Defense against MDP-Based Attackers [1.230067722774416]
  我々は、攻撃グラフ上の攻撃者とディフェンダーとの間の戦略的相互作用として、高度な永続的脅威をモデル化する。 攻撃者の位置と進行に関する限られた情報により、ディフェンダーは侵入検知センサーを配置することでランダムな間隔で行動する。 我々は、対応する最適化問題を解くことによって最適な防御戦略を導出する。
  論文  参考訳（メタデータ） (2026-03-10T12:35:57Z)
• Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
  大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。 本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。 C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
  論文  参考訳（メタデータ） (2024-05-24T14:20:09Z)
• Baseline Defenses for Adversarial Attacks Against Aligned Language Models [109.75753454188705]
  最近の研究は、テキストのモデレーションが防御をバイパスするジェイルブレイクのプロンプトを生み出すことを示している。 検出(複雑度に基づく)、入力前処理(言い換えと再帰化)、対人訓練の3種類の防衛について検討する。 テキストに対する既存の離散化の弱点と比較的高いコストの最適化が組み合わさって、標準適応攻撃をより困難にしていることがわかった。
  論文  参考訳（メタデータ） (2023-09-01T17:59:44Z)
• Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
  ネットワーク分類器に対するブラックボックス攻撃について検討する。 我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。 攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
  論文  参考訳（メタデータ） (2021-11-23T23:42:16Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

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。