論文の概要: CVE2AP: Automated Generation of PDDL-Encoded Attack Paths via Large Language Models

• arxiv url: http://arxiv.org/abs/2610.03383v1
• Date: Fri, 02 Oct 2026 14:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.424506
• Title: CVE2AP: Automated Generation of PDDL-Encoded Attack Paths via Large Language Models
• Title（参考訳）: CVE2AP:大規模言語モデルによるPDDL符号化攻撃経路の自動生成
• Abstract要約: アタックパス(AP)モデリングは、サイバーセキュリティ分析の基本である。 既存のAPモデリングアプローチは、専門家主導のマニュアル構築に大きく依存している。 PDDLに符号化された攻撃経路を自動的に生成するLLMベースのアプローチである text2AP を提案する。
• 参考スコア（独自算出の注目度）: 3.7441391255062846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attack Path (AP) modeling is fundamental to cybersecurity analysis, where the Planning Domain Definition Language (PDDL) has been widely adopted to encode APs into formal and machine-verifiable representations for automated reasoning about vulnerability exploitation, attack progression, and their potential impacts. However, existing AP modeling approaches largely rely on expert-driven manual construction, limiting their scalability and ability to keep pace with rapidly evolving cyber threats. Large language models (LLMs) are promising candidates, as their extensive pre-trained knowledge and reasoning capabilities enable them to interpret and transform threat intelligence into formal representations. In this paper, we propose \textbf{CVE2AP}, an LLM-based approach for automatically generating PDDL-encoded attack paths from natural language CVE (Common Vulnerability Exposure) descriptions. CVE2AP leverages structured prompting and incorporates an error-feedback mechanism that iteratively refines the generated paths using planner-reported syntactic and solvability errors. We conduct a systematic empirical evaluation across multiple LLMs and generation configurations, assessing generation quality across syntactic, solvability and semantic dimensions, together with token consumption and generation time. The results demonstrate that CVE2AP effectively generates high-quality PDDL-encoded attack paths, achieving up to 86.9\% syntax correctness, 78.6\% solvability, and 93.1\% semantic correctness under LLM-as-expert evaluation, while \texttt{GPT-5.5} offers the best quality-cost trade-off and error feedback yields the most consistent quality improvement.
• Abstract（参考訳）: アタックパス(AP)モデリングはサイバーセキュリティ分析の根底にある。そこではプランニングドメイン定義言語(PDDL)が広く採用され、脆弱性のエクスプロイト、攻撃の進行、およびその潜在的な影響に関する自動推論のための形式的およびマシン検証可能な表現にAPをエンコードしている。 しかし、既存のAPモデリングアプローチは専門家主導のマニュアル構築に大きく依存しており、急速に進化するサイバー脅威に追従するスケーラビリティと能力を制限する。 大規模言語モデル(LLM)は、その広範な事前訓練された知識と推論能力により、脅威の知性を形式的な表現に解釈し、変換することができるため、有望な候補である。 本稿では,自然言語CVE(Common Vulnerability Exposure)記述からPDDLに符号化された攻撃経路を自動的に生成する LLM ベースのアプローチである \textbf{CVE2AP} を提案する。 CVE2APは構造化プロンプトを活用し、プランナーが報告した構文および可解性エラーを使用して生成されたパスを反復的に洗練するエラーフィードバック機構を組み込んでいる。 我々は,複数のLCMおよび生成構成にまたがる系統的経験的評価を行い,トークンの消費と生成時間とともに,統語,可解性,意味的次元にわたる生成品質を評価する。 その結果、CVE2APは高品質PDDL符号化攻撃パスを効果的に生成し、最大86.9\%の構文正当性、78.6\%の可解性、93.1\%のセマンティック正当性をLCM-as-expert評価下で達成し、 \texttt{GPT-5.5} は最高品質のトレードオフを提供し、エラーフィードバックは最も一貫した品質改善をもたらすことを示した。

関連論文リスト

• Which LLM is Best for Translating Natural Language Goals to PDDL [0.0]
  本稿では,現在の大規模言語モデルが,自然言語テスト目標を適切にPDDL目標に翻訳できるかどうかを実証的に評価する。 本稿では,反復実験から得られた知見を,精度と応答コヒーレンスの両方を最大化することを目的とした,慎重に設計されたプロンプトテンプレートを提案する。 すべてのモデルは92%を超える高い正確さを示し、Gemini 2.5 Flashは96%、偽陽性率は最低であり、GPT-4.1は応答速度をリードする。
  論文  参考訳（メタデータ） (2026-09-16T14:29:57Z)
• Diffusion Language Models for Mobile Edge Agentic AI: Foundations, Applications, and Challenges [58.887152635127165]
  拡散言語モデル(DLM)は、モバイルエッジエージェント人工知能(AI)の非自己回帰的な代替手段を提供する DLMは複数の不確実なトークンを並列に更新し、生成プロセスを通して双方向のコンテキストを利用することができる。 この調査は、DLMの基礎をレビューし、レイテンシ、メモリ、エネルギ、帯域幅、プライバシ、信頼性制約の下でのエッジ設定に対する適合性を分析します。
  論文  参考訳（メタデータ） (2026-09-04T06:16:49Z)
• Uncovering Linguistic Fragility in Vision-Language-Action Models via Diversity-Aware Red Teaming [64.48633529149579]
  本稿では,VLA(Vision-Language-Action)モデルの言語的変異に対する脆弱性を明らかにするための新しいフレームワークを提案する。 本手法は, ストレス試験用VLAエージェントへのスケーラブルなアプローチを示すため, 平均作業成功率を93.33%から5.85%に下げる。
  論文  参考訳（メタデータ） (2026-04-07T08:43:36Z)
• 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)
• Scaling LLM Planning: NL2FLOW for Parametric Problem Generation and Rigorous Evaluation [0.913755431537592]
  この作業では、ワークフロー計画問題の生成と評価のための完全に自動化されたパイプラインであるNL2Flowが導入されている。 NL2Flowは、構造化中間表現においてパラメトリックに問題を発生させ、それらを自然言語と形式PDDLの両方に翻訳する。 NL2Flowが生成した2296個の低微分問題に基づいて,オープンソースのインストラクション付きLLMを評価した。
  論文  参考訳（メタデータ） (2025-07-03T03:02:49Z)
• Generating consistent PDDL domains with Large Language Models [4.8551773468225745]
  LLM(Large Language Models)は、自然言語のドメイン記述をPDDLマークアップに変換する能力を持つ。 生成プロセス中に自動整合性チェックを行うことにより,LCM生成のPDDLモデルの品質を大幅に向上させる新しい概念を提案する。 提案した整合性チェック戦略は、生成したモデルの絶対的正当性を保証することはできないが、ループ内の人間から期待される補正努力の量を減らす貴重なフィードバック源として機能することができる。
  論文  参考訳（メタデータ） (2024-04-11T13:48:48Z)
• DPP-Based Adversarial Prompt Searching for Lanugage Models [56.73828162194457]
  Auto-Regressive Selective Replacement Ascent (ASRA)は、決定点プロセス(DPP)と品質と類似性の両方に基づいてプロンプトを選択する離散最適化アルゴリズムである。 6種類の事前学習言語モデルに対する実験結果から,ASRAによる有害成分の抽出の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-01T05:28:06Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)
• L-AutoDA: Leveraging Large Language Models for Automated Decision-based Adversarial Attacks [16.457528502745415]
  L-AutoDAは、Large Language Models (LLM) の生成能力を活用して、敵攻撃の設計を自動化する新しいアプローチである。 L-AutoDAは、進化的なフレームワークでLLMと反復的に対話することにより、人間の努力を伴わずに、競合する攻撃アルゴリズムを効率的に設計する。 CIFAR-10データセットに対するL-AutoDAの有効性を実証し、成功率と計算効率の両面でベースライン法よりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2024-01-27T07:57:20Z)

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。