Fugu-MT 論文翻訳(概要): KEVGraph: Exploitation-Aware Dependency Vulnerability Remediation

論文の概要: KEVGraph: Exploitation-Aware Dependency Vulnerability Remediation

arxiv url: http://arxiv.org/abs/2609.24164v1
Date: Mon, 21 Sep 2026 06:33:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-24 15:50:23.944596
Title: KEVGraph: Exploitation-Aware Dependency Vulnerability Remediation
Title（参考訳）: KEVGraph: 爆発を意識した依存性脆弱性の修正
Abstract要約: KEVGraphは8段階のパイプラインで、KEV対応のセットカバー問題として修復を行う。アクティブに悪用された脆弱性を排除するために、最小限の心力アップグレード計画を生成する。 Maven (1,200 repos) は AUCCKEV = 0.988、ランダム平均 0.486、PyPI (300 repos) は AUCCKEV = 1.000 となる。
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: Dependency scanning tools surface hundreds of vulnerabilities but provide no exploitation-aware ordering, leaving practitioners to decide which upgrades to perform first with no principled guidance. The dominant practice, ordering by CVSS severity, is structurally misaligned with active exploitation: in our npm corpus, 186 non-KEV vulnerabilities carry CVSS scores greater than 8, all outranking three CISA Known Exploited Vulnerability (KEV)-listed packages and causing CVSS-first tools to defer the first actively exploited fix by 17 upgrade actions. KEVGraph is an eight-stage pipeline that frames remediation as a KEV-aware set-cover problem: it constructs per-repository dependency graphs from lockfiles, joins them against OSV and the CISA KEV catalogue, and produces a minimum-cardinality upgrade plan ordered to eliminate actively exploited vulnerabilities as early as possible via exact Integer Linear Programming (ILP) or a KEV-aware greedy algorithm. Evaluated on 924 real-world npm repositories (1,046 vulnerabilities, 5 KEV-listed), the ILP planner achieves AUCCKEV = 0.997 versus a random-baseline mean of 0.663 (95 percent CI [0.519, 0.831], n = 30), resolves the first KEV vulnerability at plan step 1, and requires only 417 upgrade actions, 15.9 percent fewer than the random mean of 495.4. CVSS-first and Dependabot-style ordering are strictly dominated: they defer the first KEV fix to step 18 while requiring more actions (419 and 421, respectively). The framework generalises: Maven (1,200 repos) achieves AUCCKEV = 0.988 versus random mean 0.486; PyPI (300 repos) achieves AUCCKEV = 1.000. Each plan is accompanied by a machine-verifiable certificate enabling automated compliance verification under CISA BOD 22-01.
Abstract（参考訳）: 依存関係スキャンツールは数百の脆弱性をサーフェスするが、エクスプロイト対応の順序付けは提供しない。 npm corpusでは、186の非KEV脆弱性がCVSSスコアを8以上持っており、いずれも3つのCISA Known Exploited Vulnerability (KEV)リストのパッケージを上回り、CVSSファーストのツールが17のアップグレードアクションによって最初に積極的に悪用された修正を遅らせている。ロックファイルからリポジトリごとの依存性グラフを構築し、OSVとCISAのKEVカタログと組み合わせ、Integer Linear Programming (ILP)またはKEV対応のgreedyアルゴリズムを通じて可能な限り早く、アクティブに悪用された脆弱性を除去するよう命令された最小限の心力アップグレード計画を生成する。 924の現実世界のnpmレポジトリ(1,046の脆弱性、5KEVリスト)で評価され、IPPプランナーはAUCCKEV = 0.997、ランダムベースライン平均0.663(95% CI [0.519, 0.831], n = 30)を達成し、プラン1で最初のKEV脆弱性を解決する。 CVSSファーストとDependabotスタイルの注文は厳格に支配されており、より多くのアクションを必要とする(それぞれ419と421)。 Maven (1,200 repos) は AUCCKEV = 0.988、ランダム平均は 0.486、PyPI (300 repos) は AUCCKEV = 1.000 である。各プランには、CISA BOD 22-01の下で自動コンプライアンス検証を可能にするマシン検証証明書が添付されている。

関連論文リスト

VICBench: A Multi-Language Benchmark for Code Vulnerability Detection [12.72412925135797]
既存の脆弱性データセットは、プログラミング言語カバレッジの制限、パッチの複雑さの制限、プロジェクトスコープの狭さに悩まされている。ベンチマーク - VICBench - Python、Java、C++の88プロジェクトで、48のCWEタイプをカバーする100のCVEに対して、100の検証済みのVICで構成されています。 VICBenchは、平均38.6行、対応する252.5行のVICの複雑な現実世界の脆弱性修正を特徴としている。
論文参考訳（メタデータ） (2026-08-12T16:45:49Z)
Automated Detection of Configuration-Specific Security Vulnerabilities via Patch Analysis [2.48553019855706]
VIC(Vulnerability Impact Condition)は、オリジナルの欠陥を含むすべての変種を指す。 PatchLensは,ASTレベルのパッチハンクをソースレベルの存在条件に合わせることで,VICを復元する手法である。我々はPatchLensを1,192のLinuxカーネル、289のFF、100のPHPパッチで評価した。
論文参考訳（メタデータ） (2026-06-24T14:10:29Z)
Your Agent, Their Asset: A Real-World Safety Analysis of OpenClaw [87.97230960702274]
本稿では,OpenClawの安全性評価について紹介する。エージェントの永続状態を3次元に統一するCIK分類法を導入する。評価では、ライブOpenClawインスタンス上の12のアタックシナリオをカバーしています。
論文参考訳（メタデータ） (2026-04-06T15:27:05Z)
CVE-Factory: Scaling Expert-Level Agentic Tasks for Code Security Vulnerability [50.57373283154859]
CVE-Factoryは、脆弱性タスクを自動変換するエキスパートレベルの品質を実現するための、最初のマルチエージェントフレームワークである。最新の現実的な脆弱性についても評価され、66.2%の成功が証明されている。コードセキュリティにおけるエージェントタスクの大規模スケーリングとして,1000以上の実行可能なトレーニング環境を合成する。
論文参考訳（メタデータ） (2026-02-03T02:27:16Z)
Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文参考訳（メタデータ） (2025-12-09T06:52:21Z)
Learnable Conformal Prediction with Context-Aware Nonconformity Functions for Robotic Planning and Perception [4.694504497452662]
Learnable Conformal Predictionは、固定スコアを軽量なニューラル関数に置き換えて、コンテキスト認識の不確実性セットを生成する。 CPの理論的保証を維持しつつ、予測セットのサイズを18%減らし、検出間隔を52%減らし、経路計画の安全性を72%から91%に改善し、オーバーヘッドを最小限に抑えている。ハードウェア評価では、LCPは1%未満のメモリと15.9%の推論オーバーヘッドを追加したが、検出タスクでは39 FPSを維持し、アンサンブルの7.4倍のエネルギー効率を保っている。
論文参考訳（メタデータ） (2025-09-26T06:44:58Z)
VLAI: A RoBERTa-Based Model for Automated Vulnerability Severity Classification [49.1574468325115]
RoBERTa上に構築されたVLAIは、60万以上の現実世界の脆弱性に微調整されている。モデルとデータセットはオープンソースで、Vulnerability-Lookupサービスに統合されている。
論文参考訳（メタデータ） (2025-07-04T14:28:14Z)
Vulnerability Management Chaining: An Integrated Framework for Efficient Cybersecurity Risk Prioritization [0.0]
本稿では、効率的な脆弱性優先順位付けを実現するための決定木フレームワークである脆弱性管理チェーンを提案する。まず、KEVメンバシップまたはEPSSしきい値0.088ドルを使用して脅威ベースのフィルタリングを適用し、次にCVSSスコア$geq$7.0)を用いて脆弱性重大度評価を適用し、情報的優先順位付けを可能にする。
論文参考訳（メタデータ） (2025-06-02T00:06:54Z)
EVA-02: A Visual Representation for Neon Genesis [49.90565085768437]
EVA-02はトランスフォーマーをベースとした次世代の視覚表現で、頑丈で堅牢な言語対応の視覚機能を再構築するために事前訓練されている。モデルサイズは6Mから304Mのパラメータで、4種類のEVA-02が提供されています。
論文参考訳（メタデータ） (2023-03-20T17:59:59Z)

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。