論文の概要: A2ABreak: Systematic Security Analysis of the A2A Protocol
- arxiv url: http://arxiv.org/abs/2609.10871v1
- Date: Wed, 09 Sep 2026 22:18:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.146059
- Title: A2ABreak: Systematic Security Analysis of the A2A Protocol
- Title（参考訳）: A2ABreak: A2Aプロトコルのシステムセキュリティ解析
- Abstract要約: 本稿では,A2Aプロトコルの最初の厳密な体系的セキュリティ解析であるA2ABreakについて述べる。
自然言語仕様から直接検証された有限状態機械をLLM支援で抽出する新しいフレームワークを提案する。
我々の分析では11の新たな脆弱性を発見し、それぞれが実装上の欠陥を伴わずに、仕様に準拠した敵によって悪用される。
- 参考スコア（独自算出の注目度）: 9.340181893879683
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Agent2Agent (A2A) protocol, now governed by the Linux Foundation, is an open standard that enables autonomous AI agents to discover, authenticate with, and delegate tasks to one another across organizational boundaries. Designed to complement the Model Context Protocol (MCP) for tool integration, A2A is rapidly emerging as the horizontal communication layer of the multi-agent ecosystem. Yet the protocol's security has received no systematic analysis. This paper presents A2ABreak, the first rigorous systematic security analysis of the A2A protocol. We introduce a novel framework that utilizes an LLM-assisted extraction of a verified finite-state machine directly from the natural-language specification, producing a unified model of 37 states and 76 transitions from 929 formalized statements, and then systematically reasons over this model to discover protocol-level vulnerabilities through adversarial verification, under a full-compliance assumption. Our analysis uncovers 11 new vulnerabilities, each exploitable by a specification-compliant adversary without requiring any implementation flaw. Among the findings are cross-client context injection through unprotected context identifiers, credential harvesting via multi-hop identity loss in delegation chains, and data exfiltration through rogue agents advertising unattested capability claims. A2ABreak achieves 73.3% precision and 84.6% F1 against independent expert review, while a zero-shot LLM baseline operating over the same specification produces zero confirmed findings, demonstrating that explicit formal grounding is essential for sound protocol security analysis.
- Abstract（参考訳）: Agent2Agent(A2A)プロトコルは、Linux Foundationが管理しているオープンスタンダードで、自律的なAIエージェントが組織の境界を越えてタスクを発見し、認証し、相互に委譲することを可能にする。
ツール統合のためのモデルコンテキストプロトコル(MCP)を補完するために設計されたA2Aは、マルチエージェントエコシステムの水平通信層として急速に出現している。
しかし、プロトコルのセキュリティは体系的な分析を受けていない。
本稿では,A2Aプロトコルの最初の厳密な体系的セキュリティ解析であるA2ABreakについて述べる。
そこで本研究では, LLM を用いた検証有限状態マシンの自然言語仕様から直接抽出し, 929 の形式化された文から 37 状態と76 遷移の統一モデルを生成し, そして, 本モデルに対して, 完全準拠の仮定の下で, 逆検証によるプロトコルレベルの脆弱性の発見を系統的に行う手法を提案する。
我々の分析では11の新たな脆弱性を発見し、それぞれが実装上の欠陥を伴わずに、仕様に準拠した敵によって悪用される。
そのうちの1つは、保護されていないコンテキスト識別子によるクロスクライアントコンテキスト注入、デリゲートチェーンにおけるマルチホップID損失によるクレデンシャル収穫、証明されていない機能クレームを宣伝するローグエージェントによるデータ流出である。
A2ABreakは、独立した専門家によるレビューに対して73.3%の精度と84.6%のF1を達成する一方、同じ仕様で運用されているゼロショットLCMベースラインは、音響プロトコルのセキュリティ分析に明確な公式グラウンドが不可欠であることを示す、ゼロショットの発見をゼロにする。
関連論文リスト
- Zero-Knowledge Predicate Proofs Between AI Agents: A Measured, Cross-Protocol Gateway and the Source-Integrity Gap [0.0]
マルチエージェントAIプラットフォームは、ステージングからプロダクションへ素早く移行するが、エージェントが信頼を確立する方法はまだ初歩的だ。
提案から実行システムまで,エージェント間での検証可能なデータ最小化を行う。
32ビットのしきい値述語は6.2msで証明され、608バイトのBulletproofs証明で1.0msで検証される。
論文 参考訳（メタデータ） (2026-08-30T23:16:17Z) - AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation [48.55515767840701]
AIスロープ(AI slop)は、アーティファクト、幻覚的脆弱性、可視だが正しくないパッチ、セマンティックに再パッケージされたバグレポートである。
本稿では,実証的証拠を調査し,統一メカニズムを特定し,信頼に値するトリアージへの道筋をたどる。
論文 参考訳（メタデータ） (2026-08-26T11:48:38Z) - VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。
VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。
Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
論文 参考訳（メタデータ） (2026-06-03T20:02:35Z) - LAP: An Agent-to-Instrument Protocol for Autonomous Science [6.00746946741668]
大規模な言語モデルエージェントが実験を計画し、自動運転研究所がそれらを実行している。
このようなシステムはすべて、推論エージェントと物理機器のリンクをゼロから再構築する。
最近のエージェント・インターオペラビリティ・プロトコルはエージェント・ツー・ツールエッジを明確にし、Googleのエージェント・ツー・エージェントエッジ(A2A)はエージェント・ツー・エージェントエッジである。
このギャップを埋めるプロトコルであるLab Agent Protocol (LAP) を提示する。
論文 参考訳（メタデータ） (2026-06-02T15:03:43Z) - When the Manual Lies: A Realistic Benchmark to Evaluate MCP Poisoning Attacks for LLM Agents [43.702131498259384]
本稿では,新しいセマンティックアタックであるTDP(Tool Description Poisoning)を体系的に検討する。
TDPでは、悪意のある命令はツールの実行可能なコードに埋め込まれず、記述的なメタデータに隠蔽的に注入される。
この研究は、TDP用に調整された最初の特別なセキュリティベンチマークを提供し、高度なエージェントシステムの認知層と計画層の確保に不可欠な洞察を提供する。
論文 参考訳（メタデータ） (2026-05-22T08:34:48Z) - ACIArena: Toward Unified Evaluation for Agent Cascading Injection [47.48169234218755]
ACIArenaはマルチエージェントシステムの堅牢性を評価するためのフレームワークである。
複数の攻撃面にまたがる評価スイートと攻撃目標を提供する。
6つの広く使用されているMAS実装をカバーし、1,356のテストケースのベンチマークを提供する。
論文 参考訳（メタデータ） (2026-04-09T04:03:13Z) - LanG -- A Governance-Aware Agentic AI Platform for Unified Security Operations [2.1142550386295853]
本稿では,LLM支援ネットワークガバナンス(LanG)について述べる。
プラットフォームはマルチテナントアイソレーション、ロールベースのアクセス、完全にローカルなデプロイメントをサポートする。
精密な異常検出と脅威検出は、侵入検出ベンチマークでそれぞれ99.0%と91.0%の重み付きF1スコアを達成する。
論文 参考訳（メタデータ） (2026-04-07T05:22:25Z) - VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。
セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。
平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
論文 参考訳（メタデータ） (2025-09-15T02:25:38Z) - The Aegis Protocol: A Foundational Security Framework for Autonomous AI Agents [0.0]
自律型AIエージェントの普及は、複雑で創発的なマルチエージェントシステムへのパラダイムシフトを表している。
本稿では,オープンエージェントエコシステムに強力なセキュリティ保証を提供するために設計された階層型セキュリティフレームワークであるAegis Protocolを紹介する。
論文 参考訳（メタデータ） (2025-08-22T06:18:57Z) - Improving Google A2A Protocol: Protecting Sensitive Data and Mitigating Unintended Harms in Multi-Agent Systems [3.398964351541323]
GoogleのA2Aプロトコルは、AIエージェントのためのセキュアな通信フレームワークを提供する。
A2Aの主な弱点は、トークンの寿命制御の欠如、強力な顧客認証の欠如、アクセス範囲の超過、同意フローの欠如である。
半信頼型マルチエージェントシステムに対する構造化脅威モデルに基づくプロトコルレベルの拡張を提案する。
論文 参考訳（メタデータ） (2025-05-18T16:25:21Z) - EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。
既存のディープラーニング技術と同等ですが、説明性が向上しています。
自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
論文 参考訳（メタデータ） (2025-03-22T23:37:35Z) - CryptoFormalEval: Integrating LLMs and Formal Verification for Automated Cryptographic Protocol Vulnerability Detection [41.94295877935867]
我々は,新たな暗号プロトコルの脆弱性を自律的に識別する大規模言語モデルの能力を評価するためのベンチマークを導入する。
私たちは、新しい、欠陥のある通信プロトコルのデータセットを作成し、AIエージェントが発見した脆弱性を自動的に検証する方法を設計しました。
論文 参考訳（メタデータ） (2024-11-20T14:16:55Z)
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。