論文の概要: ChronosAttack: Adversarial Tool Scheduling Attacks on LLM Agents

• arxiv url: http://arxiv.org/abs/2609.27857v1
• Date: Thu, 20 Aug 2026 05:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.995373
• Title: ChronosAttack: Adversarial Tool Scheduling Attacks on LLM Agents
• Title（参考訳）: ChronosAttack: LLMエージェントの攻撃スケジューリングツール
• Abstract要約: 我々はChronosAttackを紹介した。ChronosAttackは遅延のみのスケジューリング攻撃で、本物のツール応答が到着すると、修正、追加、削除、高速化をせずに変更できる。 GPT-5.6 Sol, Gemini 3.6 Flash, DeepSeek V4 Flash, Claude Sonnet 4.6で評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents often process external tool responses as they arrive, making response timing part of the decision process. We introduce ChronosAttack, a delay-only scheduling attack that changes when authentic tool responses arrive without modifying, adding, removing, or accelerating them. Bounded delays can change the order of the same evidence and alter the final decision. We evaluate ChronosAttack on GPT-5.6 Sol, Gemini 3.6 Flash, DeepSeek V4 Flash, and Claude Sonnet 4.6. GPT-5.6 Sol and Claude show strong targeted shifts in vulnerable settings, Gemini shows large shifts in the opposite direction, and DeepSeek is more stable under the tested schedules. We also find that sequential agent state is not always required and that a single scheduling inversion can cause a large decision change. Synchronization and order-consistency defenses reduce attacker control over observation order. These results show that tool-response timing can itself form an attack surface in asynchronous LLM agents.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、到着時に外部ツール応答を処理し、意思決定プロセスの応答タイミングの一部を構成する。 我々はChronosAttackを紹介した。ChronosAttackは遅延のみのスケジューリング攻撃で、本物のツールレスポンスが到着すると、修正、追加、削除、アクセラレーションなしで変更できる。 境界付き遅延は、同じ証拠の順序を変更し、最終的な決定を変更することができる。 GPT-5.6 Sol, Gemini 3.6 Flash, DeepSeek V4 Flash, Claude Sonnet 4.6 で ChronosAttack を評価する。 GPT-5.6 SolとClaudeは脆弱な設定で強い目標シフトを示し、Geminiは反対方向に大きなシフトを示し、DeepSeekはテストスケジュール下でより安定している。 また、シーケンシャルなエージェント状態は必ずしも必要ではなく、単一のスケジューリングインバージョンが大きな決定変更を引き起こす可能性があることもわかりました。 同期と秩序一貫性の防御は、観測順序に対する攻撃者の制御を減少させる。 これらの結果から, ツール応答タイミングは, 非同期LLMエージェントの攻撃面を形成することができることがわかった。

関連論文リスト

• Verified Tool Calls Improve LLM Agent Reliability Under Non-Atomic Failures [0.0]
  現実世界のシステムは、ディスパッチ後のタイムアウト、遅延可視性、部分的な状態更新など、非原子的な振る舞いを示す。 これらのミスマッチは、重複アクション、タスク成功、不要なツール実行などの信頼性の問題を引き起こす。 ライトウェイトで検証対応のツールラッパーが導入されており、ツールコールをポストコンディション検証、バリデーション前ロジック、イデオロケーションキーで拡張する。
  論文  参考訳（メタデータ） (2026-07-31T16:16:14Z)
• TempAct: Advancing Temporal Plausibility in Autoregressive Video Generation via Planner-Executor RL [72.7712729541565]
  自己回帰(AR)ビデオ拡散モデルにより、ビデオチャンクをキャッシュされたビジュアルコンテキストでチャンクで合成することで、低レイテンシなストリーミング生成を可能にする。 1つのグローバルプロンプトは、どのサブイベントを各チャンクで実現すべきかを指定しないが、ステップワイズプロンプトにナビゲート的に切り替えると、しばしば遅延反応、ブレンドステップセマンティクス、プロンプト遷移間のエラー伝播につながる。 我々は、時間分解とステップ条件付き実行を協調的に最適化し、時間分解可能なARビデオ生成のためのプランナー-実行型強化学習フレームワークであるTempActでこれらの課題に対処する。
  論文  参考訳（メタデータ） (2026-06-26T12:19:28Z)
• Delayed Verification Destabilizes Multi-Agent LLM Belief: Instability Thresholds and Optimal Corrector Placement [0.0]
  マルチエージェント大言語モデル(LLM)システムは、幻覚を抑制するために検証エージェントや批判エージェントに頼っていることが多い。 この遅延の間、偽のクレームはエージェントネットワークを介して伝播する。 我々はこの過程を、接地された修正ノードを持つグラフ上の遅延コンセンサスとしてモデル化する。
  論文  参考訳（メタデータ） (2026-06-25T10:52:54Z)
• OTora: A Unified Red Teaming Framework for Reasoning-Level Denial-of-Service in LLM Agents [21.836018755837085]
  OToraは、Reasoning-Level Denial-of-Service攻撃をインスタンス化するフレームワークである。 OToraはICL誘導遺伝子探索によってエージェント認識推論ペイロードを生成する。 トークンの推論とマグニチュードの遅延の遅延ダウンで最大10倍増加する。
  論文  参考訳（メタデータ） (2026-05-09T10:55:11Z)
• PEARL: Self-Evolving Assistant for Time Management with Reinforcement Learning [50.81994347448835]
  本稿では,言語エージェントを外部メモリモジュールで拡張し,ラウンドワイド報酬設計を最適化した強化学習フレームワークであるPEARLを提案する。 CalBenchの実験では、PEARLは最強のベースラインに比べて平均エラー率0.76、平均エラー率55%を達成した。
  論文  参考訳（メタデータ） (2026-01-17T08:19:18Z)
• SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents [52.20768003832476]
  我々は$$-Bench (Airline/Retail) および SWE-Bench Verified 上での実行トレースを分析する。 成功を失敗に戻すための、先進的な逸脱、最初期の行動、レベル分岐を形式化する。 モデルに依存しない,勾配のない,テスト時のセーフガードである cm を導入します。
  論文  参考訳（メタデータ） (2025-11-26T01:28:22Z)
• Do Large Language Models (LLMs) Understand Chronology? [0.0]
  大規模言語モデル(LLM)は、金融や経済学においてますます使われており、ルックアヘッドバイアスに対する迅速な試みは、モデルが時系列を理解することを暗黙的に仮定している。 我々は、モデルが事前学習から既に知っている事実よりも複雑さが増大する一連の時系列順序タスクで、この基本的な問題を検証する。 GPT-4.1, Claude-3.7 Sonnet, with and without Extended Thinking (ET) and GPT-5 across multiple reasoning-effort settings。
  論文  参考訳（メタデータ） (2025-11-18T07:45:12Z)
• Overclocking LLM Reasoning: Monitoring and Controlling Thinking Path Lengths in LLMs [52.663816303997194]
  回答の質に影響を与える重要な要因は思考段階の長さである。 本稿では, LLM が推論の長さを理解し, 制御するメカニズムを探求し, 活用する。 以上の結果から,この「オーバークロック」手法は過度な思考を軽減し,解答精度を向上し,推論遅延を低減することが示唆された。
  論文  参考訳（メタデータ） (2025-06-08T17:54:33Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)

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。