論文の概要: LLM-Based Penetration Testing in the Presence of Honeypots

• arxiv url: http://arxiv.org/abs/2609.08093v1
• Date: Tue, 08 Sep 2026 01:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 19:34:23.086902
• Title: LLM-Based Penetration Testing in the Presence of Honeypots
• Title（参考訳）: LLMによるハニーポット存在下での浸透試験
• Authors: Xinhong Xie, Piyush Nagasubramaniam, Neeraj Karamchandani, Sencun Zhu,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、攻撃的なサイバーセキュリティタスクにますます採用されている。 LLMを駆使した攻撃者は異質なアーティファクトを推論し、ハニーポットの疑念を使って標的選択の決定を導くことができる。 LLM攻撃剤のハニーポット対応予算配分に関する体系的研究を行った。
• 参考スコア（独自算出の注目度）: 0.08699280339422537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents are increasingly employed for offensive cybersecurity tasks such as automated vulnerability discovery, reconnaissance, and penetration testing. This new capability also threatens one of the defender's most valuable tools: deception. Traditional honeypots rely on realism and obscurity to lure human or script-driven attackers into revealing tactics, techniques, and procedures (TTPs), but LLM-driven attackers can reason about heterogeneous artifacts and use the honeypot suspicion to guide target-selection decisions. We present a systematic study of honeypot-aware budget allocation for LLM attack agents. We formalize the attacker's problem as a budgeted decision process: an agent interacts with potential targets, consuming LLM execution budget during reconnaissance and exploitation, and must decide whether to (continue exploitation) or (skip) when honeypot suspicion arises. Our findings show that with the proposed detector-guided policy, LLM agent attackers can effectively allocate budget to compromise hosts in a host pool, highlighting the importance of dynamically allocating budget in a controlled mixed-host testbed. While defenses are beyond our present scope, we discuss implications for future adversarially resilient and adaptive honeypot design.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、自動脆弱性発見、偵察、侵入テストなどの攻撃的なサイバーセキュリティタスクにますます採用されている。 この新たな能力は、ディフェンダーにとって最も価値あるツールの1つである騙しを脅かす。 伝統的なハニーポットは、人間やスクリプト駆動の攻撃者を誘惑して戦術、技法、手順(TTP)を明らかにするために現実主義と不明瞭さに依存しているが、LLM駆動の攻撃者は異質なアーティファクトを推論し、ハニーポットの疑念を使って標的選択の決定を導くことができる。 LLM攻撃剤のハニーポット対応予算配分に関する体系的研究を行った。 我々は、攻撃者の問題を予算決定プロセスとして定式化し、エージェントが潜在的目標と対話し、偵察および搾取中にLCMの実行予算を消費し、ハニーポットの疑いが生じたときに(継続)または(スキップ)するかを判断しなければならない。 提案手法により, LLMエージェント攻撃者は, ホストプール内のホストを危険にさらすために, 効果的に予算を割り当てることができ, 制御された混合ホストテストベッドにおいて, 動的に予算を割り当てることの重要性を強調した。 防衛は現在の範囲を超えていますが、今後の敵意的なレジリエンスと適応的なハニーポット設計の意義について論じます。

関連論文リスト

• Invisible Threats from Model Context Protocol: Generating Stealthy Injection Payload via Tree-based Adaptive Search [19.570062155058135]
  モデルコンテキストプロトコル(MCP)の最近の進歩により、大きな言語モデル(LLM)が前例のない簡単さで外部ツールを呼び出せるようになった。 これにより、強力なツール強化エージェントの新しいクラスが生成される。 MCPを標的とする間接的インジェクションの既存の技術は、高いデプロイメントコスト、弱いセマンティックコヒーレンス、重いホワイトボックス要求に悩まされている。 我々は,防衛下においてもMPP対応エージェントの制御を確実に抑えるために,自然なペイロードを生成する新しいブラックボックス攻撃であるTree Structured Injection for Payloads (TIP)を提案する。
  論文  参考訳（メタデータ） (2026-03-25T11:24:47Z)
• Towards Agentic Honeynet Configuration [0.8873265946210988]
  ハニーポット(Honeypots)は、脅威情報を集めるために脆弱なサービスをエミュレートする詐欺システムである。 実践的ネットワークと計算資源では、露出可能なハニーポットの数を制限する。 この研究は、進行中の攻撃に対して、ハニーポットの露光を自律的に管理するAI駆動のエージェントアーキテクチャを調査する。
  論文  参考訳（メタデータ） (2026-03-14T21:15:49Z)
• AgentVigil: Generic Black-Box Red-teaming for Indirect Prompt Injection against LLM Agents [54.29555239363013]
  本稿では,間接的なインジェクション脆弱性を自動的に検出し,悪用するための汎用的なブラックボックスファジリングフレームワークであるAgentVigilを提案する。 我々はAgentVigilをAgentDojoとVWA-advの2つの公開ベンチマークで評価し、o3-miniとGPT-4oに基づくエージェントに対して71%と70%の成功率を達成した。 攻撃を現実世界の環境に適用し、悪質なサイトを含む任意のURLに誘導するエージェントをうまく誘導する。
  論文  参考訳（メタデータ） (2025-05-09T07:40:17Z)
• CheatAgent: Attacking LLM-Empowered Recommender Systems via LLM Agent [32.958798200220286]
  大言語モデル(LLM)を利用したレコメンデーションシステム(RecSys)は、パーソナライズされたユーザーエクスペリエンスに大きな進歩をもたらした。 LLMの人間的な能力を活用して、CheatAgentと呼ばれる新たな攻撃フレームワークを提案する。 提案手法は,入力修正の最小化による最大衝撃に対する挿入位置をまず同定する。
  論文  参考訳（メタデータ） (2025-04-13T05:31:37Z)
• MELON: Provable Defense Against Indirect Prompt Injection Attacks in AI Agents [60.30753230776882]
  LLMエージェントは間接的プロンプトインジェクション(IPI)攻撃に対して脆弱であり、ツール検索情報に埋め込まれた悪意のあるタスクはエージェントをリダイレクトして不正なアクションを取ることができる。 マスク機能によって修正されたマスク付きユーザでエージェントの軌道を再実行することで攻撃を検知する新しいIPIディフェンスであるMELONを提案する。
  論文  参考訳（メタデータ） (2025-02-07T18:57:49Z)
• Targeting the Core: A Simple and Effective Method to Attack RAG-based Agents via Direct LLM Manipulation [4.241100280846233]
  大規模言語モデル(LLM)を駆使したAIエージェントは、シームレスで自然な、コンテキスト対応のコミュニケーションを可能にすることによって、人間とコンピュータのインタラクションを変革した。 本稿では,AIエージェント内のLLMコアを標的とした敵攻撃という,重大な脆弱性について検討する。
  論文  参考訳（メタデータ） (2024-12-05T18:38:30Z)
• Watch Out for Your Agents! Investigating Backdoor Threats to LLM-Based Agents [47.219047422240145]
  我々は、LSMベースのエージェントに対して、典型的な安全脅威であるバックドアアタックの1つを調査する第一歩を踏み出した。 具体的には、ユーザ入力とモデル出力のみを操作できる従来のLDMに対するバックドア攻撃と比較して、エージェントバックドア攻撃はより多様で隠蔽的な形式を示す。
  論文  参考訳（メタデータ） (2024-02-17T06:48:45Z)

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。