論文の概要: Towards Secure Cloud-Native Computing: Unveiling Kubernetes Misconfigurations with Large Language Models

• arxiv url: http://arxiv.org/abs/2609.20834v1
• Date: Sat, 25 Jul 2026 21:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.097458
• Title: Towards Secure Cloud-Native Computing: Unveiling Kubernetes Misconfigurations with Large Language Models
• Title（参考訳）: セキュアなクラウドネイティブコンピューティングを目指す - 大規模な言語モデルによるKubernetes設定の展開
• Abstract要約: 本研究では,誤設定の同定におけるLarge Language Models(LLMs)の可能性について検討する。 我々は、これらの問題をよりよく理解し、分類するための構造化されたフレームワークを提供する、一般的な設定ミスタイプの包括的分類を導入する。 また,その有効性を評価するために,最先端検出ツールの実証評価を行った。
• 参考スコア（独自算出の注目度）: 0.40105987447353786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the rapidly evolving landscape of cloud-native computing, Organizations are increasingly adopting infrastructure models that emphasize scalability, flexibility, and efficiency. Kubernetes has become the de facto standard for orchestrating containerized applications in these environments. However, the inherent complexity of cloud-native ecosystems introduces significant challenges, particularly in the form of misconfigurations that can compromise both security and performance. This study explores the potential of Large Language Models (LLMs) in identifying Kubernetes misconfigurations. We introduce a comprehensive taxonomy of common misconfiguration types, offering a structured framework to better understand and categorize these issues. Additionally, we conduct an empirical evaluation of state-of-the-art detection tools to benchmark their effectiveness. Furthermore, we analyze the Kubernetes objects most prone to misconfiguration and evaluate the severity of the identified issues. By leveraging advanced machine learning techniques, including LLMs, we provide novel insights into enhancing misconfiguration detection methodologies.
• Abstract（参考訳）: クラウドネイティブコンピューティングの急速な発展の中で、組織は、スケーラビリティ、柔軟性、効率性を強調するインフラストラクチャモデルをますます採用しています。 Kubernetesは、これらの環境でコンテナ化されたアプリケーションをオーケストレーションするためのデファクトスタンダードになっています。 しかしながら、クラウドネイティブエコシステムの本質的な複雑さは、特にセキュリティとパフォーマンスの両方を損なう可能性のある設定ミスという形で、重大な課題をもたらします。 本稿では、Kubernetesの誤設定を特定する上で、LLM(Large Language Models)の可能性について検討する。 我々は、これらの問題をよりよく理解し分類するための構造化されたフレームワークを提供する、一般的な誤設定型の包括的分類を導入する。 さらに,その有効性を評価するために,最先端検出ツールの実証評価を行った。 さらに、設定ミスが最も多いKubernetesオブジェクトを分析し、特定された問題の深刻度を評価します。 LLMを含む高度な機械学習技術を活用することで、誤設定検出手法の強化に関する新たな洞察を提供する。

関連論文リスト

• Kubernetes Misconfigurations in the Wild: Taxonomy, Evolution, and Automated Repair with Large Language Models [1.255335540408025]
  本稿では,2,662人の開発者によるStack Overflow問題に基づくセキュリティの誤設定に関する実証的研究を行う。 我々は、設定オブジェクトやカテゴリ間で繰り返しセキュリティの弱点を分類する。 我々は、厳密な変動を分析し、インキュベーターと安定したプロジェクトステージのミスコンフィグレーションがどのように進化するかを考察する。
  論文  参考訳（メタデータ） (2026-09-22T20:20:19Z)
• CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
  CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。 最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。 提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
  論文  参考訳（メタデータ） (2026-03-06T15:11:58Z)
• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)
• White-Basilisk: A Hybrid Model for Code Vulnerability Detection [45.03594130075282]
  我々は、優れた性能を示す脆弱性検出の新しいアプローチであるWhite-Basiliskを紹介する。 White-Basiliskは、パラメータ数2億の脆弱性検出タスクで結果を得る。 この研究は、コードセキュリティにおける新しいベンチマークを確立し、コンパクトで効率的に設計されたモデルが、特定のタスクにおいてより大きなベンチマークよりも優れているという実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-07-11T12:39:25Z)
• Visualizing Cloud-native Applications with KubeDiagrams [0.0]
  KubeDiagramsは、マニフェストをアーキテクチャ図に変換するオープンソースツールである。 KubeDiagramsがシステムの理解を高め、分散クラウドネイティブシステムにおけるアーキテクチャ推論をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-05-28T21:27:25Z)
• CTINexus: Automatic Cyber Threat Intelligence Knowledge Graph Construction Using Large Language Models [49.657358248788945]
  サイバー脅威インテリジェンス(CTI)レポートのテキスト記述は、サイバー脅威に関する豊富な知識源である。 現在のCTI知識抽出法は柔軟性と一般化性に欠ける。 我々は,データ効率の高いCTI知識抽出と高品質サイバーセキュリティ知識グラフ(CSKG)構築のための新しいフレームワークであるCTINexusを提案する。
  論文  参考訳（メタデータ） (2024-10-28T14:18:32Z)
• Line-level Semantic Structure Learning for Code Vulnerability Detection [44.29771620061153]
  ラインレベルのセマンティックラーニングを通じて,コード構造認識ネットワークを導入する。 コード前処理、グローバルセマンティック認識、ラインセマンティック認識、ラインセマンティック構造認識の4つのコンポーネントから構成される。 CSLSモデルは、コード脆弱性検出における最先端のベースラインを上回り、Devignデータセットで70.57%、Revealデータセットで49.59%のF1スコアを達成している。
  論文  参考訳（メタデータ） (2024-07-26T17:15:58Z)
• K-ASTRO: Structure-Aware Adaptation of LLMs for Code Vulnerability Detection [12.458619777971956]
  K-ASTROは、大規模言語モデルからのセマンティック埋め込みと抽象構文木(AST)の構造的特徴を組み合わせた軽量なトランスフォーマーモデルで、コード脆弱性検出の効率と精度を向上させる。 提案手法では,突然変異検査にインスパイアされたASTベースの拡張手法,拡張AST機能を組み込んだ構造認識型アテンション機構,コードセマンティクスと構文を統一する共同適応パイプラインを導入している。
  論文  参考訳（メタデータ） (2022-08-17T04:50:51Z)

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。