論文の概要: Beyond Single-Vulnerability Evaluation: Closing the Engineering Decision Gap Between C Retrofits and Native Safety

• arxiv url: http://arxiv.org/abs/2608.15486v1
• Date: Sun, 16 Aug 2026 02:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.319407
• Title: Beyond Single-Vulnerability Evaluation: Closing the Engineering Decision Gap Between C Retrofits and Native Safety
• Title（参考訳）: 単一脆弱性評価を超えて - Cのリトロフィとネイティブセーフティの間のエンジニアリング決定ギャップを閉鎖する
• Abstract要約: 本稿では,RustやGoといったネイティブメモリセーフな言語を,複合Cの修正に対してベンチマークする,新たな評価パラダイムを提案する。 標準化されたクロスランゲージタスクを用いて、デプロイ時の最先端メカニズムのパフォーマンスと保護のトレードオフを評価する。
• 参考スコア（独自算出の注目度）: 2.6022192395158568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While decades of research have produced numerous retrofitted memory-safety protections for C, these mechanisms are almost exclusively evaluated in isolation, targeting specific vulnerability classes. This siloed evaluation paradigm leaves practitioners without a clear understanding of the cumulative performance costs, interoperability conflicts, and protection gaps that arise when layering defenses to achieve comprehensive safety. This paper presents a new evaluation paradigm that benchmarks natively memory-safe languages like Rust and Go against compounded C retrofits. Using standardized cross-language tasks, we evaluate the performance and protection tradeoffs of state-of-the-art mechanisms when deployed in combination. Our results demonstrate that layered C defenses incur compounding and workload-dependent performance penalties, can suffer from fundamental architectural incompatibilities, and fall short of the protection scope provided by native memory-safe languages. These findings expose a critical engineering decision gap where the true cost of backporting safety to C remains hidden from practitioners. We argue for a fundamental shift in memory-safety research: moving away from isolated evaluation toward holistic, comparative frameworks that inform the high-stakes choice between retrofitting legacy codebases and migrating to modern, safe languages.
• Abstract（参考訳）: 何十年にもわたって研究が、Cのための多くの再適合したメモリセーフティ保護を生み出してきたが、これらのメカニズムはほとんど独立して評価されており、特定の脆弱性クラスをターゲットにしている。 このサイロ評価パラダイムは、累積的なパフォーマンスコスト、相互運用性の衝突、そして包括的安全性を達成するために防衛を階層化するときに生じる保護ギャップを明確に理解せずに実践者を残します。 本稿では,RustやGoなどのネイティブなメモリセーフな言語を,複合Cの修正に対してベンチマークする,新たな評価パラダイムを提案する。 標準化されたクロスランゲージタスクを用いて、デプロイ時の最先端メカニズムのパフォーマンスと保護のトレードオフを評価する。 以上の結果から, 階層化されたCディフェンスは複雑化や作業負荷に依存した性能上のペナルティを伴い, 基本的なアーキテクチャ上の不整合に悩まされ, ネイティブメモリセーフ言語による保護範囲から外れる可能性が示唆された。 これらの結果は、安全をCにバックポートする真のコストが実践者から隠されている、重要なエンジニアリング上の決定ギャップを浮き彫りにしている。 分離された評価から、レガシーコードベースの再適合と、モダンで安全な言語への移行の間の高い選択を知らせる包括的な比較フレームワークに移行すること。

関連論文リスト

• Rust for Secure Backend Development: A Critical Review and Extended Vulnerability Comparison with Node.js and Django [2.857200736882273]
  Rustプログラミング言語は、メモリ安全性とコンテキスト脆弱性のクラス全体を排除したと広く信じられている。 本稿では,産業環境におけるRustのセキュリティ姿勢に関する先行研究について批判的なレビューを行う。 Rustのコンパイル時の保証がシステム層を支配しているのに対して、マネージドバックエンドフレームワークはアプリケーション層により強力なビルトインディフェンスを提供します。
  論文  参考訳（メタデータ） (2026-08-23T22:15:10Z)
• COP-Q: Safety-First Reinforcement Learning for Robot Control via Cholesky-Ordered Projection [13.702950888176213]
  政治的でない安全な強化学習では、報酬と安全性のQ値が、別の批評家アンサンブルによって一般的に学習される。 この客観的な扱いはオブジェクト間の相関を無視し、過度に保守的な値の推定につながる可能性がある。 ベクトル値の推定にオブジェクト間の共分散を組み込んだ安全第一手法であるColesky-Ordered Projection Q-learning (COP-Q)を提案する。
  論文  参考訳（メタデータ） (2026-06-03T11:30:10Z)
• False Security Confidence in Benign LLM Code Generation [0.0]
  このメモは、補完的だが異なるフレーミングを紹介している。 偽セキュリティ信頼(FSC)。 FSCは、通常の非攻撃フレーム生成タスクにおいて、測定ファーストの観点から同じ表面現象を研究する。 我々はFSCレートを,機能的に正しい出力セット内のセキュリティ障害の頻度として定式化する。
  論文  参考訳（メタデータ） (2026-04-18T14:52:26Z)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
  RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。 しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。 我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
  論文  参考訳（メタデータ） (2026-04-04T04:29:11Z)
• CIBER: A Comprehensive Benchmark for Security Evaluation of Code Interpreter Agents [27.35968236632966]
  LLMベースのコードインタプリタエージェントは、ますます重要な状況にデプロイされている。 既存のベンチマークでは、動的コード実行、ツールインタラクション、マルチターンコンテキストから生じるセキュリティリスクをキャプチャできない。 動的アタック生成、分離されたセキュアサンドボックス、状態認識評価を組み合わせた自動ベンチマークであるCIBERを紹介する。
  論文  参考訳（メタデータ） (2026-02-23T06:41:41Z)
• RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories [58.32028251925354]
  LLM(Large Language Models)は、コード生成において顕著な能力を示しているが、セキュアなコードを生成する能力は依然として重要で、未調査の領域である。 我々はRealSec-benchを紹介します。RealSec-benchは、現実世界の高リスクなJavaリポジトリから慎重に構築されたセキュアなコード生成のための新しいベンチマークです。
  論文  参考訳（メタデータ） (2026-01-30T08:29:01Z)
• Attributing and Exploiting Safety Vectors through Global Optimization in Large Language Models [50.91504059485288]
  本報告では,全頭部のグローバルな最適化により,安全クリティカルな注意点を同時に識別するフレームワークを提案する。 我々は,アクティベーション・リマッチによって同定された安全ベクトルを利用する,新しい推論時ホワイトボックス・ジェイルブレイク法を開発した。
  論文  参考訳（メタデータ） (2026-01-22T09:32:43Z)
• ARMOR: Aligning Secure and Safe Large Language Models via Meticulous Reasoning [64.32925552574115]
  ARMORは、jailbreak戦略を分析し、コアインテントを抽出する、大規模な言語モデルである。 ARMORは最先端の安全性能を達成し、平均有害率は0.002であり、高度な最適化ベースのジェイルブレイクに対する攻撃成功率は0.06である。
  論文  参考訳（メタデータ） (2025-07-14T09:05:54Z)
• Reasoning-to-Defend: Safety-Aware Reasoning Can Defend Large Language Models from Jailbreaking [54.10710423370126]
  本稿では,大規模言語モデルの生成プロセスに安全性を考慮した推論機構を統合する訓練パラダイムであるReasoning-to-Defend(R2D)を提案する。 CPOは、与えられた対話の安全性に対するモデルの認識を高める。 実験によると、R2Dは様々な攻撃を効果的に軽減し、元の性能を維持しながら全体の安全性を向上させる。
  論文  参考訳（メタデータ） (2025-02-18T15:48:46Z)
• Evaluating Defences against Unsafe Feedback in RLHF [26.872318173182414]
  本稿では、強化学習による安全でないフィードバックからの学習について考察する。 安全に配慮したLLMは有害なテキストを生成することで、安全でない行動空間を容易に探索できることがわかった。 この脆弱性から保護するために、我々は、有害な微調整の防御を「単純」と「明示」の両方に適応させる。
  論文  参考訳（メタデータ） (2024-09-19T17:10:34Z)
• The Art of Defending: A Systematic Evaluation and Analysis of LLM Defense Strategies on Safety and Over-Defensiveness [56.174255970895466]
  大規模言語モデル(LLM)は、自然言語処理アプリケーションにおいて、ますます重要な役割を担っている。 本稿では,SODE(Safety and Over-Defensiveness Evaluation)ベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:37:06Z)

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。