論文の概要: Kubernetes Misconfigurations in the Wild: Taxonomy, Evolution, and Automated Repair with Large Language Models

• arxiv url: http://arxiv.org/abs/2609.27030v1
• Date: Tue, 22 Sep 2026 20:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.760767
• Title: Kubernetes Misconfigurations in the Wild: Taxonomy, Evolution, and Automated Repair with Large Language Models
• Title（参考訳）: 野生のKubernetes設定:大規模な言語モデルによる分類、進化、自動修復
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.255335540408025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kubernetes is widely used to orchestrate cloud-native applications, yet its declarative configuration model often introduces security misconfigurations that threaten system reliability. Despite available detection tools, misconfiguration patterns and scalable remediation remain insufficiently understood. This paper presents an empirical study of Kubernetes security misconfigurations based on 2,662 developer-reported Stack Overflow issues. We derive a taxonomy of recurring security weaknesses across configuration objects and categories. We analyze severity variations and investigate how misconfigurations evolve between incubator and stable project stages. Findings show that while some operational issues decrease as projects mature, critical security misconfigurations often persist or reappear. We then evaluate Large Language Models (LLMs) for automated remediation under progressively enriched contextual conditions. Contextual grounding improves correction accuracy, with the best standalone model achieving 89.06%. To enhance structural correctness and schema compliance, we introduce Kubecurity, a schema-guided validation framework based on official Kubernetes specifications. Combining contextual LLM reasoning with deterministic schema enforcement achieves 98.50% correction accuracy while substantially reducing newly introduced misconfigurations. This work advances the understanding of Kubernetes security misconfigurations and demonstrates a hybrid approach to more reliable automated remediation.
• Abstract（参考訳）: Kubernetesはクラウドネイティブなアプリケーションのオーケストレーションに広く使用されているが、宣言的なコンフィギュレーションモデルでは、システムの信頼性を脅かすようなセキュリティのミスコンフィグレーションが導入されることが多い。 利用可能な検出ツールにもかかわらず、設定ミスとスケーラブルな修復は十分に理解されていない。 本稿では,2,662人の開発者が報告したStack Overflow問題に基づいて,Kubernetesのセキュリティ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。 プロジェクトの成熟に伴って運用上の問題が減少することもあるが、重要なセキュリティのミスコンフィグレーションは、しばしば持続または再出現する。 そこで我々は,段階的に充実した文脈条件下で,大規模言語モデル(LLM)を自動修復するために評価した。 文脈基底は補正精度を向上し、最高のスタンドアロンモデルは89.06%に達する。 構造的正しさとスキーマコンプライアンスを強化するため、公式なKubernetes仕様に基づいたスキーマ誘導検証フレームワークであるKubecurityを導入しました。 文脈的LLM推論と決定論的スキーマ適用を組み合わせることで、98.50%の精度を実現し、新たに導入された誤設定を大幅に低減する。 この作業は、Kubernetesのセキュリティの誤設定の理解を促進し、より信頼性の高い自動修正へのハイブリッドアプローチを実証する。

関連論文リスト

• The Illusion of Robustness: Aggregate Accuracy Hides Prediction Flips under Task-Irrelevant Context [76.36635039699112]
  大規模言語モデル(LLM)は、タスク入力に長く、部分的には関係のないコンテキストが伴うような、コンテキストに富んだ環境にますますデプロイされる。 現状のモデルはしばしば、集合レベルでのタスク非関連コンテキストに対して頑健に見える。 しかし、この集合安定性は、指数当たりの不安定性を著しくマスクする。
  論文  参考訳（メタデータ） (2026-07-14T17:01:12Z)
• Constraint Decay: The Fragility of LLM Agents in Backend Code Generation [9.659020624935687]
  大きな言語モデル(LLM)エージェントは、緩やかな仕様の下で、自律的なコード生成において強力なパフォーマンスを示す。 プロダクショングレードのソフトウェアは、アーキテクチャパターンやデータベース、オブジェクト-リレーショナルマッピングといった構造的制約に厳格に固執する必要がある。 本稿では,バックエンド生成における構造的制約を適切に扱えるかを評価する。
  論文  参考訳（メタデータ） (2026-05-07T15:44:40Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• TopoPilot: Reliable Conversational Workflow Automation for Topological Data Analysis and Visualization [4.62716665682001]
  TopoPilotは、複雑な科学的視覚化を自動化するための信頼性が高くエージェント的なフレームワークである。 TopoPilotは、信頼性の高い運用を保証するために、系統的なガードレールと検証メカニズムを組み込んでいる。 評価では、TopoPilotは99%以上の成功率を達成したが、ベースラインでは50%以下で、包括的なガードレールやチェックがない。
  論文  参考訳（メタデータ） (2026-03-26T05:56:53Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• SGM: A Statistical Godel Machine for Risk-Controlled Recursive Self-Modification [24.250783705030653]
  安全編集のための最初の統計アーキテクチャである統計ゴデルマシン(SGM)を紹介する。 SGMは証明に基づく要求を統計的信頼テスト(e-values, Hoeffding bounds)に置き換え、選択された信頼度レベルで優越性が証明された場合にのみ修正を認める。 また,提案するCTHS(Confirm-Triggered Harmonic Spending)も提案する。
  論文  参考訳（メタデータ） (2025-10-11T14:09:37Z)
• $φ^{\infty}$: Clause Purification, Embedding Realignment, and the Total Suppression of the Em Dash in Autoregressive Language Models [0.0]
  自動回帰変換言語モデルにおいて,エムダッシュトークンがセマンティックドリフトを引き起こす重大な脆弱性を同定する。 本稿では,フィインフィニティ演算子とターゲット埋め込み行列を併用した記号節の浄化法を提案する。
  論文  参考訳（メタデータ） (2025-06-22T18:27:39Z)
• GenKubeSec: LLM-Based Kubernetes Misconfiguration Detection, Localization, Reasoning, and Remediation [24.312198733476063]
  KCFのミスコンフィグレーション検出のためのルールベース(RB)ツールは静的なルールセットに依存しており、本質的に制限されており、新たに発見されたミスコンフィグレーションを検出できない。 我々は,多種多様なKCFの誤設定を検出するとともに,誤設定の正確な位置を特定し,それらについて詳細な推論を行う,包括的かつ適応的なLLMベースの手法であるGenKubeSecを提案する。
  論文  参考訳（メタデータ） (2024-05-30T11:18:52Z)
• RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
  ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。 我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。 分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
  論文  参考訳（メタデータ） (2020-10-19T17:06:18Z)

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。