論文の概要: IaC-Guard-V: A Verification Framework for LLM-Generated Infrastructure-as-Code Repairs

• arxiv url: http://arxiv.org/abs/2609.28488v1
• Date: Wed, 12 Aug 2026 21:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.034639
• Title: IaC-Guard-V: A Verification Framework for LLM-Generated Infrastructure-as-Code Repairs
• Title（参考訳）: IaC-Guard-V: LLM生成インフラストラクチャ・アズ・コード修復のための検証フレームワーク
• Abstract要約: インフラストラクチャ・アズ・コード(IaC)の誤設定は、クラウドセキュリティインシデントの主要な原因である。 IaC-GuardVは、AI生成したIaC修復を4次元で評価する検証中心のフレームワークである。
• 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: Infrastructure-as-Code (IaC) misconfigurations are a leading cause of cloud security incidents, and Large Language Models (LLMs) are increasingly proposed as automated repair agents. Yet the trustworthiness of LLM-generated IaC repairs remains underexplored. IaC presents distinctive verification challenges: security scanners may behave differently across tools and configurations, infrastructure semantics cannot be validated through ordinary unit tests, and provider-specific rules create a fragmented verification landscape. We present IaC-Guard-V, a verification-centered framework that evaluates AI-generated IaC repairs through four dimensions: syntactic validity, target-issue resolution, regression safety, and patch minimality. We construct a benchmark of 70 real-world misconfigured Terraform and Kubernetes artifacts spanning 70 unique scanner rules and eight violation classes, and evaluate three repair strategies across three LLM families in 630 runs. Although all models achieve 100% syntactic validity, only 32-50% of single-shot repairs pass full verification. Verification-guided iterative repair significantly improves verified-fix rates to 68-92%. An open-source model with verification-guided repair outperforms the strongest commercial model without verification at one-twelfth the cost per verified fix. Kubernetes repairs reach near-perfect rates for commercial models but require verification-guided iteration for the open-source model. Structured prompting consistently reduces Terraform repair quality, challenging common assumptions about constrained LLM output. The benchmark and artifacts are released for reproducibility.
• Abstract（参考訳）: インフラストラクチャ・アズ・コード(IaC)の誤設定は、クラウドセキュリティインシデントの主要な原因であり、大規模言語モデル(LLM)は自動修復エージェントとしてますます提案されている。 しかし、LLMによるIaC修復の信頼性は未調査のままである。 セキュリティスキャナはツールや構成によって異なる振る舞いをする場合があるし、インフラストラクチャセマンティクスは通常の単体テストでは検証できない。 IaC-Guard-VはAIが生成するIaC修復を評価する検証中心のフレームワークで、構文的妥当性、目標課題の解決、回帰安全性、パッチの最小化の4つの側面で評価する。 我々は、70のユニークなスキャナルールと8つの違反クラスにまたがる、70の現実世界の誤って構成されたTerraformとKubernetesのアーティファクトのベンチマークを構築し、630ランで3つのLLMファミリにわたる3つの修復戦略を評価します。 全てのモデルが100%構文的妥当性を達成しているが、単発修理の32-50%のみが完全な検証をパスしている。 検証誘導反復修復は、確認固定率を68-92%に大幅に改善する。 検証誘導修理によるオープンソースモデルは、検証1回の修正で12分の1のコストで検証することなく、最強の商業モデルを上回る性能を発揮する。 Kubernetesの修復は、商用モデルのほぼ完全なレートに達するが、オープンソースのモデルには検証ガイド付きイテレーションが必要になる。 構造化プロンプトはTerraformの修復品質を継続的に低下させ、制約付きLLM出力に関する一般的な仮定に挑戦する。 ベンチマークとアーティファクトは再現性のためにリリースされている。

関連論文リスト

• IdeaAMBIG: Benchmarking Implementation-Critical Gaps in Research-Idea Specifications [52.570108663867046]
  研究のアイデアは、新しく、一貫性があり、科学的に妥当であるが、その提案された手法は、忠実な実装のために不十分に指定されている。 提案手法は,実装を対象とする研究手法仕様の体系化の可否を,有能な実装者やコーディングエージェントに十分な方法論的情報を提供して,前提条件を満たさずに目的とする手法を構築することができるかを検討する。 IdeaAMBIGは660のエビデンス基底インスタンスのベンチマークで、レポートとGitHubの問題から163の現実世界のギャップと、コーディフィケーション対応のリファレンスに注入される合成ギャップを497のコントロールで管理する。
  論文  参考訳（メタデータ） (2026-09-09T17:59:04Z)
• Empirical Software Engineering TerraProbe: A Layered-Oracle Framework for Detecting Deceptive Fixes in LLM-Assisted Terraform [0.0]
  Terraformのインフラストラクチャ・アズ・コードにおけるセキュリティの誤設定は、クラウドデプロイメントのリスクが増大している。 既存の評価では、標的となる静的解析がなくなると、修復が成功することが多い。 本稿では,LDM支援Terraformセキュリティ修復を評価するための5層オラクルフレームワークであるTerraProbeについて述べる。
  論文  参考訳（メタデータ） (2026-06-25T04:21:15Z)
• RAVEN: Agentic RAG for Automated Vulnerability Repair [48.8954115363348]
  自動脆弱性修復のためのスケーラブルで効率的で自律的なフレームワークであるRAVENを提案する。 RAVENは、エージェント検索拡張生成(RAG)パイプラインと、制御された反復的な修復を統一されたフレームワークに統合する。 RAVENは全体の修復成功率83.13%を達成し、既存のすべての修復フレームワークを上回っている。
  論文  参考訳（メタデータ） (2026-06-21T19:18:06Z)
• MemRepair: Hierarchical Memory for Agentic Repository-Level Vulnerability Repair [10.709112246848058]
  現代のソフトウェアエコシステムは、公表された脆弱性の急増に直面している。 既存のシステムのほとんどは、脆弱性の修復を、現在見えるコードコンテキストの単一生成ステップとして扱う。 本稿では、メモリ拡張されたエージェントフレームワークであるMemRepairを紹介し、脆弱性修復を反復的、経験駆動的なプロセスとして定式化する。
  論文  参考訳（メタデータ） (2026-05-17T13:29:46Z)
• EvidenT: An Evidence-Preserving Framework for Iterative System-Level Package Repair [26.445772656438752]
  ツール実行からエビデント管理を分離するエビデント修復フレームワークであるエビデントを提案する。 実世界のRISC-Vパッケージビルド障害219件についてEvidenTの評価を行った。 予備実験はaarch64で41.77%、x86_64で46.99%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-05-09T02:29:57Z)
• ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning [12.44509691077682]
  本稿では,繰り返し発生する障害をプロセス知識グラフのシンボル編集に変換する神経シンボルエージェントであるANNEALを紹介する。 その中核となるメカニズムであるFDKA(Failure-Driven Knowledge Acquisition)は、責任のあるオペレータをローカライズし、制約付きLLM生成を通じて型付きパッチを合成し、提案を検証する。 4つのドメインと27のマルチシードランをまたいだANNEALは、永続的な構造修復を行う唯一の評価システムである。
  論文  参考訳（メタデータ） (2026-05-04T05:24:03Z)
• Detect--Repair--Verify for LLM-Generated Code: A Multi-Language, Multi-Granularity Empirical Study [10.18490328199727]
  大規模な言語モデルは実行可能なソフトウェアアーチファクトを生成することができるが、そのセキュリティはエンドツーエンドの評価が難しいままである。 本研究では、脆弱性を検出し、修復し、セキュリティおよび機能テストで再チェックするDRVワークフローを通じて、その問題を調査する。 現在の証拠の4つのギャップに対処する: LLMの生成したアーティファクトの試験的なベンチマークの欠如、パイプラインレベルの有効性に関する限られた証拠、修正ガイダンスとしての検出レポートの不確実な信頼性、検証中の不確実な修復信頼性。
  論文  参考訳（メタデータ） (2026-03-24T18:18:30Z)
• Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
  LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。 本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。 我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
  論文  参考訳（メタデータ） (2025-11-11T21:50:44Z)
• Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
  本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。 プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。 また, GPT-4o miniが74.18%と高い修理成功率を示した。
  論文  参考訳（メタデータ） (2025-07-04T15:36:12Z)

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。