論文の概要: A Large-Scale Benchmark and Risk Assessment of Traffic Analysis Attacks on Cloud LLM Services

• arxiv url: http://arxiv.org/abs/2609.31877v1
• Date: Fri, 25 Sep 2026 18:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 05:01:54.565463
• Title: A Large-Scale Benchmark and Risk Assessment of Traffic Analysis Attacks on Cloud LLM Services
• Title（参考訳）: クラウドLLMサービスにおける交通分析攻撃の大規模ベンチマークとリスク評価
• Abstract要約: クラウドベースの大規模言語モデルサービスは、暗号化にもかかわらずモデル、プロンプト、タスクの振る舞いを公開できるネットワークレベルのトラフィックサイドチャネルを作成する。 ユーザ間での暗号化トラフィックの統一計測と公開ベンチマークを,LLMとマルチエージェントで実施した。
• 参考スコア（独自算出の注目度）: 3.8957143647621515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud-based Large language model (LLM) services create a network-level traffic side channel that can expose model, prompt, and task behavior despite encryption. From packet sizes, directions, timing, and burst structure alone, a passive local observer can infer the serving model, the user's prompt category, and the task executed by a collaborative multi-agent system. Yet current evidence is fragmented across separate datasets and settings, limiting reproducibility and comparison. We present, to our knowledge, the first unified measurement study and public benchmark of encrypted LLM traffic across both user--LLM and multi-agent executions. The large-scale benchmark contains 60,000 user--LLM interactions across 10 models and 6 prompt categories, plus 2,838 multi-agent executions covering 10 task categories and two coordination topologies. Using only encrypted packet metadata, we assess the risk of traffic analysis attack by characterizing traffic signatures, identifying the features most associated with leakage, and testing robustness under prompt reformulation, decoding-temperature changes, larger candidate model sets, and partial traffic observation. Model fingerprinting achieves 97.7\% balanced accuracy, prompt-category fingerprinting reaches 76.7\% mean accuracy, and multi-agent task fingerprinting achieves up to 90.7\% accuracy. Prompt reformulation weakens but does not remove model-specific leakage, and task fingerprints remain detectable even from a single agent's traffic.
• Abstract（参考訳）: クラウドベースの大規模言語モデル(LLM)サービスは、暗号化にもかかわらずモデル、プロンプト、タスクの振る舞いを公開できるネットワークレベルのトラフィックサイドチャネルを作成する。 パケットサイズ、方向、タイミング、バースト構造だけで、受動的ローカルオブザーバは、サービスモデル、ユーザのプロンプトカテゴリ、および協調マルチエージェントシステムによって実行されるタスクを推測することができる。 しかし、現在の証拠は別々のデータセットと設定で断片化され、再現性と比較が制限される。 我々の知る限り、LLMとマルチエージェントの両方の実行において、最初の統一計測とLLMトラフィックの公開ベンチマークを行う。 大規模なベンチマークには、10のモデルと6つのプロンプトカテゴリにわたる6万のユーザ-LLMインタラクションに加えて、10のタスクカテゴリと2つの調整トポロジをカバーする2,838のマルチエージェント実行が含まれている。 暗号化パケットメタデータのみを用いて、トラフィックシグネチャを特徴付けることにより、トラフィック解析攻撃のリスクを評価し、漏えいに最も関係した特徴を特定し、迅速な改質、復号・温度変化、より大きな候補モデルセット、部分的な交通観測を行い、ロバスト性をテストする。 モデルフィンガープリントは97.7\%のバランス精度、プロンプトカテゴリフィンガープリントは76.7\%の平均精度、マルチエージェントタスクフィンガープリントは90.7\%の精度を達成する。 プロンプト改質は弱まるが、モデル固有の漏れを除去せず、単一のエージェントのトラフィックからでもタスク指紋を検出できる。

関連論文リスト

• Breadcrumbing Search Agents [118.20284823674382]
  LLMベースの検索エージェントは情報検索タスクに広く利用されているが、外部ツールへの依存度は重大なセキュリティリスクをもたらす。 検索およびページ観察を行うチャネルは脆弱なセキュリティ境界であることを示す。 制約付きツール仲介脅威モデルの下では、クエリ毎に1つのコントロールされた結果のみを追加することで、攻撃の成功を大幅に増加させることができる。
  論文  参考訳（メタデータ） (2026-08-05T07:57:27Z)
• ClawArena-Team: Benchmarking Subagent Orchestration and Dynamic Workflows in Language-Model Agents [61.184954205350984]
  ClawArena-Teamは、41のマルチターン、マルチモーダル、マルチエージェントシナリオのベンチマークである。 全体的なスコア -- Subagent-Management Score (SMS) -- は、タスクの正しさを最小限のプライマリとモダリティのルーティング因子によって乗算する。
  論文  参考訳（メタデータ） (2026-06-30T06:06:08Z)
• Many Hands Make Light Work: An LLM-based Multi-Agent System for Detecting Malicious PyPI Packages [3.7667883869699597]
  PyPIのようなオープンソースリポジトリの悪意のあるコードは、ソフトウェアサプライチェーンに対する脅威が増大している。 本稿では,悪質なPyPIパッケージを検出するために協調言語モデルを用いたマルチエージェントシステムであるLAMPSを提案する。
  論文  参考訳（メタデータ） (2026-01-17T19:43:22Z)
• RSAgent: Learning to Reason and Act for Text-Guided Segmentation via Multi-Turn Tool Invocations [52.752467948588816]
  エージェント型マルチモーダル大規模言語モデル(MLLM)であるRSAgentを提案する。 RSAgentはセグメンテーション・ツールボックスをクエリし、視覚的フィードバックを観察し、歴史的観測を用いて空間仮説を改訂し、ターゲットを再ローカライズし、反復的にマスクを洗練させる。 RSAgentはReasonSegテストで66.5% gIoUのゼロショット性能を達成し、Seg-Zero-7Bを9%改善し、RefCOCOgで81.5% cIoUに達した。
  論文  参考訳（メタデータ） (2025-12-30T06:50:11Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• SentinelAgent: Graph-based Anomaly Detection in Multi-Agent Systems [11.497269773189254]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)に適したシステムレベルの異常検出フレームワークを提案する。 本稿では,エージェント間相互作用を動的実行グラフとしてモデル化し,ノード,エッジ,パスレベルでの意味的異常検出を可能にするグラフベースのフレームワークを提案する。 第2に,セキュリティポリシとコンテキスト推論に基づくMAS実行の監視,解析,介入を行うLLMによる監視エージェントである,プラグイン可能なSentinelAgentを導入する。
  論文  参考訳（メタデータ） (2025-05-30T04:25:19Z)
• MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
  トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。 トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-19T12:52:53Z)

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。