論文の概要: Hierarchical Agentic Incident Response with Digital-Twin-Validated Attack Inference

• arxiv url: http://arxiv.org/abs/2608.15016v1
• Date: Sat, 15 Aug 2026 04:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.1618
• Title: Hierarchical Agentic Incident Response with Digital-Twin-Validated Attack Inference
• Title（参考訳）: ディジタルツインValidated Attack Inferenceによる階層的エージェントインシデント応答
• Abstract要約: 大規模言語モデル(LLM)エージェントは、運用状況に対して推論できるが、攻撃や応答を幻覚させる可能性がある。 LLMに基づく攻撃予測,ロールアウト計画,デジタルツイン検証を統合した階層型エージェント応答フレームワークを提案する。 3つのマルチステージ攻撃シナリオ下で33コンポーネントのエンタープライズネットワークテストベッド上で,本フレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 7.174851769918924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network incident response remains slow and labor-intensive as the defender must infer multi-stage attacks from partial observations and translate recovery decisions into reliable system commands. Decision-theoretic planners provide principled optimization but typically rely on abstract states and predefined actions, while large language model (LLM) agents can reason over operational context but may hallucinate attacks and responses. Toward automating response planning, we present a hierarchical agentic response framework that integrates LLM-based attack inference, rollout planning, and digital-twin validation. A fine-tuned LLM infers the attack progression and affected hosts from security alerts and system measurements. An emulated network digital twin replays the inferred attack and returns discrepancies between predicted and observed effects to calibrate the inference. A separately fine-tuned planning agent uses the rollout planning method to prioritize affected components at the tactical layer. At the operational layer, the planning agent proposes high-level recovery actions, and an execution agent translates selected actions into recovery and verification commands that are validated in the digital twin. We evaluate the framework on a 33-component enterprise-network testbed under three multi-stage attack scenarios. The results show that our framework outperforms frontier-LLM baselines in recovery success rate by 18--31%.
• Abstract（参考訳）: ネットワークインシデント応答は、部分的な観察からマルチステージ攻撃を推測し、リカバリ決定を信頼できるシステムコマンドに変換する必要があるため、遅く、労働集約的である。 決定論的プランナーは、原則化された最適化を提供するが、一般的には抽象状態と事前定義されたアクションに依存し、一方、大規模言語モデル(LLM)エージェントは運用状況に対して推論できるが、攻撃や応答を幻覚させる可能性がある。 応答計画の自動化に向けて,LLMに基づく攻撃推論,ロールアウト計画,デジタルツイン検証を統合した階層型エージェント応答フレームワークを提案する。 微調整のLLMは、セキュリティアラートやシステム測定から攻撃の進行と影響を受けるホストを推測する。 エミュレートされたネットワークデジタルツインは、推定された攻撃をリプレイし、予測された効果と観測された効果の相違を返し、推論を校正する。 個別に調整された計画エージェントは、ロールアウト計画方法を使用して、影響を受けるコンポーネントを戦術層で優先順位付けする。 運用層では、計画エージェントがハイレベルリカバリ動作を提案し、実行エージェントは、選択されたアクションをデジタルツインで検証されたリカバリおよび検証コマンドに変換する。 3つのマルチステージ攻撃シナリオ下で33コンポーネントのエンタープライズネットワークテストベッド上で,本フレームワークの評価を行った。 その結果,本フレームワークは回収成功率においてフロンティアLLMベースラインを18～31%上回る結果となった。

関連論文リスト

• SIR: Self-improving Red-teaming for Compute Use Agents [71.71987044117371]
  コンピュータ・ユース・エージェント(CUA、Computer use agent)は、マウス、キーボード、端末を通じて画面を認識し、実際のオペレーティングシステムに作用する視覚言語モデルである。 操作中に信頼できないコンテンツに晒されるため、間接的プロンプトインジェクション(IPI)に弱い。 SIRは,平易な言語で記述された再利用原則の小さなライブラリからステルスインジェクションを構成するブラックボックスIPIアタックである。
  論文  参考訳（メタデータ） (2026-08-31T03:39:43Z)
• Agentic Incident Response through Digital Twin-Enhanced Multiscale Planning [3.733830491643117]
  インシデント対応は現在、事前に定義されたプレイブックを使用してセキュリティオペレータによって管理されている。 このような計画作業を自動化するために、制御、最適化、強化学習に基づく決定論的アプローチが提案されている。 有望なアプローチは、エージェント応答システムを開発するために、大規模言語モデルに埋め込まれたセキュリティ知識を使用することである。
  論文  参考訳（メタデータ） (2026-08-03T16:03:16Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• Analyzing Defensive Misdirection Against Model-Guided Automated Attacks on Agentic AI Systems [0.0]
  エージェントAIシステムは、命令を解釈し、外部データを処理し、ツールを呼び出し、他のエージェントと調整するための言語モデルコンポーネントにますます依存している。 本研究は、標的システムの確率モデル、防御機構、および攻撃者の自動判断による攻撃防御設定を解析する。
  論文  参考訳（メタデータ） (2026-06-18T16:50:28Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• Autonomous Adversary: Red-Teaming in the age of LLM [1.4302803674538154]
  言語モデルエージェント(LMA)は、レッドチーム操作を増強するための強力なプリミティブとして現れている。 我々は、これらのエージェントが中核攻撃機能とどのように交わるかを分析し、現在の強度と限界を評価する。 制御された対向エミュレーション環境における2つの横移動シナリオのLMAをベンチマークする。
  論文  参考訳（メタデータ） (2026-05-07T16:07:41Z)
• Anticipatory Planning for Multimodal AI Agents [77.62643381558613]
  予測推論を明示的に訓練する2段階強化学習フレームワークであるTraceR1を紹介する。 TraceR1は、オンラインコンピュータ使用、オフラインコンピュータ使用ベンチマーク、マルチモーダルツール使用推論タスクを含む、7つのベンチマークで評価されている。 以上の結果から,予測軌道推論は,複雑な実環境において効果的に推論,計画,行動が可能なマルチモーダルエージェント構築の鍵となる原理であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-17T16:55:11Z)
• Evaluating Generalization Mechanisms in Autonomous Cyber Attack Agents [0.5611004142746667]
  我々は、自律的な攻撃エージェントが訓練対象のネットワークを超えた移動に失敗する方法について研究する。 3つのエージェントファミリー(従来のRL,適応エージェント,LLMベースのエージェント)を比較し,行動分布に基づく行動/XAI分析を用いて障害モードをローカライズする。 プロンプト駆動型LDMエージェントは、保持された再割り当てにおいて最も成功したが、推論時間の増大、透明性の低下、繰り返し/無効動作ループのような実用的な障害モードのコストがかかる。
  論文  参考訳（メタデータ） (2026-03-06T22:24:37Z)
• In-Context Autonomous Network Incident Response: An End-to-End Large Language Model Agent Approach [3.733830491643117]
  我々は,大規模言語モデルの事前訓練されたセキュリティ知識とコンテキスト内学習を活用して,インシデント対応計画のためのエンドツーエンドのエージェントソリューションを作成することを提案する。 具体的には、認識、推論、計画、行動の4つの機能を1つの軽量LCM(14bモデル)に統合する。 我々のエージェントは、フロンティアLSMよりも最大で23%早く回復できる。
  論文  参考訳（メタデータ） (2026-02-13T18:09:30Z)
• Visual Backdoor Attacks on MLLM Embodied Decision Making via Contrastive Trigger Learning [89.1856483797116]
  MLLMをベースとした組込みエージェントに視覚的バックドアを注入する最初のフレームワークであるBEATを紹介する。 テキストトリガーとは異なり、オブジェクトトリガーは視点や照明の幅が広いため、確実に移植することは困難である。 BEATは攻撃の成功率を最大80%まで達成し、強い良識のあるタスクパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2025-10-31T16:50:49Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Devil's Advocate: Anticipatory Reflection for LLM Agents [53.897557605550325]
  我々のアプローチは、LLMエージェントに対して、与えられたタスクを管理可能なサブタスクに分解するように促す。 イントロスペクティブ・イントロスペクティブ・イントロスペクティブ・イントロスペクティブ(introspective intervention)を3回実施する。 潜在的な障害の予測と、アクション実行前の代替策。 サブタスクの目的とのポストアクションアライメントと、計画実行における最大限の努力を保証するための改善によるバックトラック。
  論文  参考訳（メタデータ） (2024-05-25T19:20:15Z)

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。