論文の概要: PrivEscalate: Measuring and Augmenting the Threat of LLM-Automated Linux Privilege Escalation

• arxiv url: http://arxiv.org/abs/2609.09087v1
• Date: Tue, 08 Sep 2026 17:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 14:54:00.126018
• Title: PrivEscalate: Measuring and Augmenting the Threat of LLM-Automated Linux Privilege Escalation
• Title（参考訳）: PrivEscalate: LLM自動化Linuxプリビレジエスカレーションの脅威の測定と増大
• Abstract要約: 大規模言語モデル(LLM)エージェントはサイバーキラーチェーン全体での攻撃的操作をますます自動化している。 PrivEscalateは、Linux特権エスカレーションのための大規模なベンチマークであり、14のサブカテゴリにまたがる531のDocker化されたシナリオで構成されている。 PivEscAgentは、決定論的列挙、カテゴリマッチング、ステップ計画を含む汎用ReActエージェントを増強するラッパーである。
• 参考スコア（独自算出の注目度）: 6.17282657130573
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As Large Language Model (LLM) agents increasingly automate offensive operations across the cyber kill chain, their efficacy in complex local post-exploitation tasks remains inadequately quantified. Among these, Linux privilege escalation is a key step between initial access and full system compromise. However, existing evaluations for this task are limited by small sample sizes (fewer than 15 scenarios), lacking the scale to compare model capabilities under executable verification. To address this, we present PrivEscalate, a large-scale benchmark for Linux privilege escalation, comprising 531 Dockerized scenarios spanning 14 sub-categories. We additionally derive 329 parameterized variants to measure sensitivity to environmental distractors. Evaluating six LLMs across three agent architectures reveals: (i) model capability is heterogeneous across vulnerability classes, with no single model dominating across the high-prevalence classes, motivating multi-dimensional risk assessments; (ii) LLM successes are sensitive to environmental perturbation, so configuration rotation can disrupt some exploit attempts but does not eliminate the measured risk; and (iii) agent architectures can materially change success rates and reorder model rankings, though the magnitude is model-dependent. Leveraging these insights, we develop PrivEscAgent, a domain-specialized wrapper that augments a generic ReAct agent with deterministic enumeration, category matching, and step planning. PrivEscAgent improves over prior Linux privilege-escalation agent baselines without underlying LLM modifications. We release PrivEscalate as an open-source, Dockerized measurement instrument supporting LLM agent evaluation, defensive tool validation, and red-team training.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントはサイバー殺人連鎖全体にわたる攻撃的操作をますます自動化しているため、複雑な局所的な暴露後のタスクにおけるそれらの効果は、不適切な定量化が続いている。 これらのうち、Linux特権のエスカレーションは、初期アクセスとシステム全体の妥協の間の重要なステップである。 しかし、このタスクの既存の評価は、小さなサンプルサイズ(15シナリオ未満)によって制限されており、実行可能検証時のモデル機能を比較するためのスケールが欠如している。 これを解決するために、14のサブカテゴリにまたがる531のDocker化されたシナリオを含む、Linux特権エスカレーションのための大規模なベンチマークであるPrivEscalateを紹介します。 さらに,329種類のパラメータ化変異体を抽出し,環境障害に対する感受性を測定した。 3つのエージェントアーキテクチャで6つのLLMを評価すると、以下のことが分かる。 (i)モデル能力は脆弱性クラスで異質であり、高頻度クラスで支配的な単一のモデルはなく、多次元リスクアセスメントを動機付けている。 (二)LLMの成功は環境摂動に敏感であるため、構成の回転はいくつかの悪用の試みを妨害することがあるが、測定されたリスクを排除しない。 三 エージェントアーキテクチャは、モデルに依存しながら、成功率を実質的に変更し、モデルランキングを並べ替えることができる。 これらの知見を活用して、決定論的列挙、カテゴリマッチング、ステップ計画を含む汎用ReActエージェントを増強するドメイン特化ラッパーであるPrivEscAgentを開発する。 PrivEscAgentは、LLMの根本的な変更なしに、以前のLinux特権エスカレーションエージェントのベースラインを改善している。 私たちは、LLMエージェントの評価、防御ツールのバリデーション、レッドチームトレーニングをサポートするオープンソースでDocker化された計測機器としてPrivEscalateをリリースしました。

関連論文リスト

• PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
  5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。 PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
  論文  参考訳（メタデータ） (2026-05-12T04:59:47Z)
• FAMA: Failure-Aware Meta-Agentic Framework for Open-Source LLMs in Interactive Tool Use Environments [60.3427704389541]
  大規模言語モデルは、自律エージェントの意思決定コアとして、ますます多くデプロイされている。 しかし、会話のベンチマークでは、誤った意思決定のカスケード効果のために、これらのエージェントは頻繁に失敗する。 これらの課題に対処するために、Failure-Aware Meta-Agenticフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T02:21:53Z)
• T-MAP: Red-Teaming LLM Agents with Trajectory-aware Evolutionary Search [49.99459363244884]
  提案手法は, 対向的プロンプトの発見を導くために, 実行トラジェクトリを利用するトラジェクトリ対応の進化探索手法であるT-MAPを提案する。 本手法は,安全ガードレールをバイパスするだけでなく,実際のツールインタラクションによる有害な目標を確実に実現するための攻撃の自動生成を可能にする。
  論文  参考訳（メタデータ） (2026-03-21T12:33:34Z)
• Analysis of LLMs Against Prompt Injection and Jailbreak Attacks [7.685814179879813]
  この研究は、大規模な手動でキュレートされたデータセットを使用して、プロンプトインジェクションとジェイルブレイクの脆弱性を評価する。 内部安全機構によって引き起こされる、拒絶応答や完全な無声応答を含むモデル間での行動変化を観察する。
  論文  参考訳（メタデータ） (2026-02-24T12:32:11Z)
• The Vulnerability of LLM Rankers to Prompt Injection Attacks [40.03039307576983]
  大規模言語モデル(LLM)は強力なリランカとして登場した。 最近の研究では、候補文書に埋め込まれた単純なプロンプトインジェクションは、LCMのランキング決定を著しく変える可能性があることが示されている。
  論文  参考訳（メタデータ） (2026-02-18T06:19:08Z)
• Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
  LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。 本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。 我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
  論文  参考訳（メタデータ） (2025-11-11T21:50:44Z)
• 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)
• Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
  LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。 本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。 最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
  論文  参考訳（メタデータ） (2025-04-30T23:09:44Z)
• Prompt Flow Integrity to Prevent Privilege Escalation in LLM Agents [12.072737324367937]
  大規模言語モデル(LLM)における特権エスカレーションを防止するために,PFI(Prompt Flow Integrity)を提案する。 PFIは、エージェントアイソレーション、セキュアな信頼できないデータ処理、特権エスカレーションガードレールの3つの緩和技術を備えている。 評価の結果, PFI は LLM エージェントの有効性を保ちながら, 特権エスカレーション攻撃を効果的に軽減できることが示唆された。
  論文  参考訳（メタデータ） (2025-03-17T05:27:57Z)
• Iterative Self-Tuning LLMs for Enhanced Jailbreaking Capabilities [50.980446687774645]
  本稿では,対戦型LDMをジェイルブレイク能力に富んだ反復的自己調整プロセスであるADV-LLMを紹介する。 我々のフレームワークは,様々なオープンソース LLM 上で ASR を100% 近く達成しながら,逆接接尾辞を生成する計算コストを大幅に削減する。 Llama3のみに最適化されているにもかかわらず、GPT-3.5では99%のASR、GPT-4では49%のASRを達成している。
  論文  参考訳（メタデータ） (2024-10-24T06:36:12Z)
• ASPIRER: Bypassing System Prompts With Permutation-based Backdoors in LLMs [17.853862145962292]
  システムプロンプトを体系的に回避する新しいバックドアアタックを導入する。 本手法は,98.58%のクリーン精度(CACC)を維持しつつ,攻撃成功率(ASR)を99.50%まで達成する。
  論文  参考訳（メタデータ） (2024-10-05T02:58:20Z)
• LLMs as Hackers: Autonomous Linux Privilege Escalation Attacks [0.0]
  我々は,完全に自動化されたLanguage Models(LLM)駆動の,自動Linux特権エスカレーション攻撃用プロトタイプであるHackingBuddyGPTを紹介する。 GPT-4-Turboは高い有効性を示し,33～83%の脆弱性を悪用した。
  論文  参考訳（メタデータ） (2023-10-17T17:15:41Z)

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。