論文の概要: Autonomous OSS Threat Detection via Taxonomy-Aligned LLMs

• arxiv url: http://arxiv.org/abs/2610.01263v1
• Date: Thu, 01 Oct 2026 07:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.978359
• Title: Autonomous OSS Threat Detection via Taxonomy-Aligned LLMs
• Title（参考訳）: 分類基準付きLDMによる自律OSS脅威検出
• Abstract要約: 本稿では,OSSサプライチェーン脅威の自動検出と分類のための分類整合型大規模言語モデルフレームワークを提案する。 我々は、5つの攻撃カテゴリをカバーする構造化されたAV-xxx脅威分類を導入し、実世界のOSSサプライチェーンインシデントを検証した999のデータセットを構築した。 本フレームワークは,5つの脅威カテゴリで97.0%のクラス分類精度,97.0%のマクロF1スコアを達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open source software (OSS) ecosystems face growing threats from sophisticated supply chain attacks including typosquatting, dependency confusion, Trojan Source obfuscation, malicious build injection, and CI/CD pipeline poisoning. Existing detection approaches rely on signature-based tools and rule-based systems that struggle to generalize across attack variants and emerging threat patterns. In this paper we propose a taxonomy-aligned large language model framework for automated detection and classification of OSS supply chain threats. We introduce a structured AV-xxx threat taxonomy covering five attack categories and construct a curated dataset of 999 verified real-world OSS supply chain incidents sourced from GitHub Security Advisories, CISA alerts, and security research reports spanning 2018 to 2026. Using taxonomy-aligned prompt engineering with GPT-4, our framework achieves 97.0\% multi-class classification accuracy and 97.0\% macro F1 score across all five threat categories. Comparative evaluation against five traditional machine learning baselines, one zero-shot open source LLM, and two fine-tuned neural models reveals a surprising finding: fine-tuned Llama 3.1 8B (70.5%) and SecRoBERTa (77.5%) both underperform simple TF-IDF classifiers (82.3%), while Mistral 7B without taxonomy alignment achieves only 65.7%. These results confirm that taxonomy-aligned prompting rather than model scale, domain pretraining, or fine-tuning is the critical factor enabling high classification accuracy. Our dataset and code are publicly available to support reproducible supply chain security research.
• Abstract（参考訳）: オープンソースのソフトウェア(OSS)エコシステムは、タイポスバッティング、依存性の混乱、Trojanソースの難読化、悪意のあるビルドインジェクション、CI/CDパイプラインの毒など、高度なサプライチェーン攻撃による脅威の増大に直面している。 既存の検出アプローチはシグネチャベースのツールとルールベースのシステムに依存している。 本稿では,OSSサプライチェーン脅威の自動検出と分類のための分類整合型大規模言語モデルフレームワークを提案する。 我々は、5つの攻撃カテゴリをカバーする構造化されたAV-xxx脅威分類を導入し、2018年から2026年にかけてのGitHub Security Advisories、CISAアラート、およびセキュリティ調査レポートから得られた999の検証済みのOSSサプライチェーンインシデントをキュレートしたデータセットを構築した。 GPT-4を用いた分類的対応の即時工学を用いて,5つの脅威カテゴリの97.0\%の分類精度と97.0\%のマクロF1スコアを達成した。 Llama 3.1 8B (70.5%) と SecRoBERTa (77.5%) はいずれも単純なTF-IDF分類器 (82.3%) を過小評価し、Mistral 7B は分類基準を持たないが65.7%しか達成していない。 これらの結果は、モデルスケール、ドメイン事前訓練、あるいは微調整よりも分類整合性の促進が、高い分類精度を実現する重要な要因であることが確認された。 私たちのデータセットとコードは、再現可能なサプライチェーンセキュリティ研究をサポートするために公開されています。

関連論文リスト

• SingGuard-NSFA: Extensible Guardrails for Agentic AI via Generative Reasoning and Real-Time Classification [0.0]
  nsfaguardは、エージェントAIシステムを運用上の脅威から保護するためのガードレールフレームワークである。 まず,185種のリスク変異をCIA-Triad-grounded 階層に分類するNSFA分類について紹介する。 凍結したバックボーン上の識別的分類ヘッドと解釈可能なオフライン監査のためのSFTに基づく生成推論を組み合わせたデュアルモードアプローチを開発した。
  論文  参考訳（メタデータ） (2026-07-13T07:28:45Z)
• GenTI: Benchmarking LLMs for Autonomous IDPS Rule Generation for Unseen Attacks [1.7816843507516946]
  Generative Thread Intelligence (GenTI) は、見えない攻撃をターゲットとしたIDPSルールの自動生成のためのベンチマークである。 GTIは、Snort、Suricata、Emerging Threats、50k YARAから150k以上の検出および防止ルールを集約し、それぞれにプロトコル動作、ペイロードシグネチャ、コンテキスト関係、CTI(Cyber Threat Intelligence)へのマッピングを注釈付けしている。 我々のGenTIインスタンス化は、複合ルール品質スコア89.4%、CTIカバレッジ94.8%、未確認攻撃検出45%から87.4%の改善、偽陽性率8.5%の削減を実現している。
  論文  参考訳（メタデータ） (2026-06-04T08:19:52Z)
• OpenSOC-AI: Democratizing Security Operations with Parameter Efficient LLM Log Analysis [0.0]
  中小企業(中小企業)は、サイバーセキュリティの脅威がエスカレートする状況に直面している。 ほとんどの場合、スタッフの完全なセキュリティ運用センター(SOC)やエンタープライズグレード検出プラットフォームへのリソースを欠いている。 本稿では1.1ビリオンパラメータ言語モデルのパラメータ効率の良い微調整を行う軽量ログ解析フレームワークOpenSOC-AIを提案する。
  論文  参考訳（メタデータ） (2026-04-29T01:46:25Z)
• AnomalyGen: Enhancing Log-Based Anomaly Detection with Code-Guided Data Augmentation [42.87177529900358]
  AnomalyGenは、ラベル付きログシーケンスをソースコードから合成することによってトレーニングデータを増強する新しいフレームワークである。 12のさまざまな異常検出モデルに対するHDFSとZookeeperの評価は、AnomalyGenが一貫してパフォーマンスを改善していることを示している。
  論文  参考訳（メタデータ） (2026-04-13T07:24:43Z)
• CLASP: Defending Hybrid Large Language Models Against Hidden State Poisoning Attacks [48.54598003197356]
  Mambaのような状態空間モデル(SSM)はトランスフォーマーの効率的な代替品として大きな注目を集めている。 HiSPAsは、最近発見された脆弱性で、敵対する文字列を通じてSSMメモリを破損させる。 この脅威に対して防御するためのCLASPモデルを紹介します。
  論文  参考訳（メタデータ） (2026-03-12T17:29:55Z)
• MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks [47.386868423451595]
  MI$2$DASは、異常に基づく階層的なトラフィックプーリングとオープンセット認識を統合する多層侵入検知フレームワークである。 Edge-IIoTsetデータセットで実施された実験は、すべてのレイヤで強力なパフォーマンスを示している。 これらの結果は、IIoTセキュリティを強化するための効果的でスケーラブルで適応的なフレームワークとして、MI$2$DASを示している。
  論文  参考訳（メタデータ） (2026-02-27T09:37:05Z)
• SeBERTis: A Framework for Producing Classifiers of Security-Related Issue Reports [8.545800179148442]
  SEBERTISは、Deep Neural Networks(DNN)を語彙的キューに依存しない分類器として訓練するフレームワークである。 当社のフレームワークは,1万件のGitHubイシューレポートをキュレートしたコーパスのセキュリティ関連問題を検出する上で,0.9880のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-12-17T01:23:11Z)
• CyberRAG: An Agentic RAG cyber attack classification and reporting tool [0.3914676152740142]
  CyberRAGはモジュール型のエージェントベースのRAGフレームワークで、サイバー攻撃のリアルタイム分類、説明、構造化レポートを提供する。 従来のRAGとは異なり、CyberRAGは動的制御フローと適応推論を可能にするエージェント設計を採用している。
  論文  参考訳（メタデータ） (2025-07-03T08:32:19Z)
• Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
  PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。 これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。 本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T16:35:45Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)

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。