論文の概要: Demo: tfdrift - A Severity Taxonomy and Risk Classification Framework for Infrastructure Drift Detection

• arxiv url: http://arxiv.org/abs/2608.18173v1
• Date: Mon, 17 Aug 2026 19:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.168377
• Title: Demo: tfdrift - A Severity Taxonomy and Risk Classification Framework for Infrastructure Drift Detection
• Title（参考訳）: デモ: tfdrift - インフラストラクチャドリフト検出のための深刻度分類とリスク分類フレームワーク
• Abstract要約: 本稿では,インフラドリフトのための総合重大分類法を提案する。 リソースタイプと属性レベルの影響に基づいて、変更を4つのティアに分類する。 この分類をオープンソース分類フレームワークであるtfdriftに実装する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrastructure as Code (IaC) tools like Terraform have become the standard for declarative cloud resource management, yet configuration drift, where deployed infrastructure diverges from its declared state, remains a persistent operational and security challenge. Current detection approaches treat all changes equivalently, contributing to alert fatigue that causes operators to miss security-critical modifications. We propose a generalized severity taxonomy for infrastructure drift that classifies changes into four risk tiers based on resource type and attribute-level impact. We implement this taxonomy in tfdrift, an open-source classification framework with 60+ configurable rules covering AWS, Azure, and GCP resource patterns (evaluation reported here is AWS-focused). Evaluation across 150+ AWS Terraform workspaces demonstrates that severity filtering reduces alert volume by 73% while retaining 94% of security-relevant changes, offering a lightweight alternative to ML-based alert filtering. tfdrift is available at github.com/sudarshan8417/tfdrift.
• Abstract（参考訳）: Terraformのようなインフラストラクチャ・アズ・コード(IaC)ツールは、宣言的なクラウドリソース管理の標準になっていますが、デプロイされたインフラストラクチャが宣言された状態から分離する構成のドリフトは、引き続き運用およびセキュリティ上の課題です。 現在の検出アプローチは、すべての変更を同等に扱うことで、オペレータがセキュリティクリティカルな修正を見逃すような警告疲労につながる。 本稿では,資源タイプと属性レベルの影響に基づいて,変化を4つのリスク層に分類する,インフラストラクチャドリフトのための一般化された深刻度分類法を提案する。 tfdriftは、AWS、Azure、GCPのリソースパターンをカバーする60以上の設定可能なルールを備えた、オープンソースの分類フレームワークです。 150以上のAWS Terraformワークスペースに対する評価では、重大度フィルタリングは、セキュリティ関連変更の94%を維持しながら、警告ボリュームを73%削減し、MLベースのアラートフィルタリングの軽量な代替手段を提供する。 tfdriftはgithub.com/sudarshan8417/tfdriftで利用可能である。

関連論文リスト

• OpenART: Scaling Agent Red Teaming via Open-Ended Environment Evolution [71.06848799741152]
  AIエージェントは、初期状態の変化が将来的な決定に影響を与える可能性のある永続的な環境で動作する。 現在の安全ベンチマークは、短い静的タスクにフォーカスするため、累積的なリスクを捕捉できないことが多い。 環境の進化を通じて、スケーラブルなエージェントレッドチームのためのオープンなアリーナであるOpenARTを紹介します。
  論文  参考訳（メタデータ） (2026-08-01T13:51:55Z)
• The Eticas AI Risk Taxonomy: Open Infrastructure for Operationalizing AI Audits [2.869158116077567]
  我々は、Eticasが構築した運用層を公開ベンチマークに対して単一のリスク(PIIリーク)でエンドツーエンドに示す。 GPT-4-0314では, 対向条件が増加するにつれて, 7つの外部フレームワークの制御を必要とする開示リスクが0%, 51%, 84%と測定された。 この貢献は、概念から段階的な発見への橋渡しであり、それらが表すメカニズムからリスクをきれいに分離することで支えられている。
  論文  参考訳（メタデータ） (2026-07-02T14:08:34Z)
• Inherited Circuits, Learned Semantics: How Fine-Tuning Creates Evasion Vulnerabilities Invisible to Standard Evaluation [0.0]
  セキュリティ分類のために微調整されたLLMは、通常、トレーニングデータと同じ分布から保持された例で評価される。 これは、微調整自体によって導入された脆弱性を見逃す可能性があることを示す。 セキュリティの微調整により,回避面を拡大しながらタスクの精度が向上することを示す。
  論文  参考訳（メタデータ） (2026-06-25T14:29:03Z)
• ATLAS: Agentic Taxonomy of Large-Scale Software Ecosystems [14.128311996090352]
  GitHubには、ソフトウェアリポジトリの体系的な階層的な分類がない。 ソフトウェアリポジトリの階層的な分類を自動的に構築し、プロジェクトをエンドツーエンドに分類する最初のフレームワークであるATLASを紹介します。
  論文  参考訳（メタデータ） (2026-06-19T16:51:10Z)
• Demand-Driven Vulnerability Detection for Cloud Security Posture Management: Removing Human Rule Authoring from the Disclosure-to-Protection Critical Path [0.0]
  Cloud Security Posture Management (CSPM)システムは、ルールセットを維持し、顧客に配布し、定期的に収集された資産在庫に対して評価することで、既知の脆弱性を検出する。 本稿では,ルールセットがベンダ分散ではなく,顧客のテナント内で継続的に導出されるアーキテクチャを提案する。 本稿では,脅威モデル,アーキテクチャ,等価定理を用いた形式的意味論,複雑性解析,評価手法を提案する。
  論文  参考訳（メタデータ） (2026-06-06T03:26:34Z)
• Trust the Batch, On- or Off-Policy: Adaptive Policy Optimization for RL Post-Training [50.86545293331458]
  強化学習は、教師付き学習よりも構造的に難しい。 本稿では,固定クリッピングを政策比率の正規化された有効サンプルサイズに置き換える,単純かつ効果的なバッチ適応目的を提案する。
  論文  参考訳（メタデータ） (2026-05-12T16:44:47Z)
• Safety Alignment as Continual Learning: Mitigating the Alignment Tax via Orthogonal Gradient Projection [52.551864761088574]
  大規模言語モデル(LLM)は、しばしばアライメント税を課す。 この税は、主に連続的な順序で学習スタイルを忘れることから生じると我々は主張する。 我々は, 塑性と安定性のバランスをとるために, OGPSA (Orthogonal Gradient Projection for Safety Alignment) を提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:53:46Z)
• Not All Edges are Equally Robust: Evaluating the Robustness of Ranking-Based Federated Learning [49.68790647579509]
  Federated Ranking Learning (FRL) は最先端のFLフレームワークであり、通信効率と中毒攻撃に対するレジリエンスで際立っている。 Vulnerable Edge Manipulation (VEM) 攻撃という, FRLに対する新たな局所モデル中毒攻撃を導入する。 我々の攻撃は、全体的な53.23%の攻撃効果を達成し、既存の方法よりも3.7倍のインパクトを与える。
  論文  参考訳（メタデータ） (2025-03-12T00:38:14Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Multi-Granularity Detector for Vulnerability Fixes [13.653249890867222]
  脆弱性修正のためのMiDa(Multi-Granularity Detector for Vulnerability Fixes)を提案する。 MiDasはコミットレベル、ファイルレベル、ハンクレベル、ラインレベルに対応して、コード変更の粒度ごとに異なるニューラルネットワークを構築する。 MiDasは、現在の最先端のベースラインをAUCで4.9%、JavaとPythonベースのデータセットで13.7%上回っている。
  論文  参考訳（メタデータ） (2023-05-23T10:06:28Z)
• ISTR: End-to-End Instance Segmentation with Transformers [147.14073165997846]
  ISTRと呼ばれるインスタンスセグメンテーショントランスフォーマーを提案します。これは、その種類の最初のエンドツーエンドフレームワークです。 ISTRは低次元マスクの埋め込みを予測し、それらのマスクの埋め込みと一致する。 ISTRは、提案されたエンドツーエンドのメカニズムにより、近似ベースのサブオプティマティック埋め込みでも最先端のパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-05-03T06:00:09Z)

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。