Fugu-MT 論文翻訳(概要): An Evaluation of the Semantic Understanding Capabilities of Large Language Models for Web Attack Payloads

論文の概要: An Evaluation of the Semantic Understanding Capabilities of Large Language Models for Web Attack Payloads

arxiv url: http://arxiv.org/abs/2610.06507v1
Date: Mon, 05 Oct 2026 15:25:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-09 07:56:36.596087
Title: An Evaluation of the Semantic Understanding Capabilities of Large Language Models for Web Attack Payloads
Title（参考訳）: Web攻撃負荷に対する大規模言語モデルの意味的理解能力の評価
Abstract要約: PayloadSemBenchは、Web攻撃ペイロードの意味的理解のためのセマンティック評価ベンチマークである。その根拠は2ラウンドのアンカーキャリブレーションによって確立され、第4の独立した専門家によって再検証された。タイプ識別と意図理解は一般的に強く,重度評価が主な弱点であった。
参考スコア（独自算出の注目度）: 5.41531730877356
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Computer vision services delivered through Web interfaces and APIs process textual requests for image-resource acquisition, inference-task configuration, and result management, making Web attack-payload analysis relevant to their deployment security. Large language models (LLMs) can identify payload types and explain attack intent. However, existing studies generally treat payload analysis as a single-layer classification task and lack both a systematic assessment of how deeply LLMs understand payloads and an evaluation benchmark dedicated to the depth of semantic understanding of Web attack payloads. We construct PayloadSemBench, a four-layer semantic evaluation benchmark that operationalizes payload understanding across measurable tasks and comprises 240 payloads. Its ground truth was established through two rounds of anchor calibration and re-verified by a fourth independent expert. Two experiments, a semantic-understanding benchmark and an analysis mapping semantic understanding to detection performance, yielded three main findings: (1) type identification and intent understanding were generally strong, whereas severity assessment was the principal weakness; (2) the effects of obfuscation varied across models and layers, with intent explanation and reconstruction of specific obfuscation techniques more susceptible to degradation, while performance did not degrade synchronously across all layers; and (3) semantic understanding and detection decisions were partially decoupled, with only 12.5% to 50% of missed detections attributable to semantic-understanding failures. External re-evaluation on an independent 180-record dataset comprising production WAF alert streams and real application requests reproduced the non-uniform four-layer capability profile and the layer-specific differences on obfuscated payloads.
Abstract（参考訳）: WebインターフェースとAPIを通じて提供されるコンピュータビジョンサービスは、イメージリソース取得、推論タスク設定、結果管理のためのテキスト要求を処理する。大型言語モデル(LLM)はペイロードタイプを特定し、攻撃意図を説明する。しかし、従来の研究では、ペイロード分析を単一層分類タスクとして扱うことが多く、LLMがペイロードを深く理解しているかの体系的な評価と、Web攻撃ペイロードのセマンティック理解の深さに関する評価ベンチマークの両方が欠落している。 We construct PayloadSemBench, a four-layer semantic evaluation benchmark that operations payload understanding across measurable tasks and includes 240 payloads。その根拠は2ラウンドのアンカーキャリブレーションによって確立され、第4の独立した専門家によって再検証された。 2つの実験、つまり、意味理解ベンチマークと分析マッピングによる検出性能に関するセマンティック理解は、一般的には強いが、重大度評価は、モデルや層によって異なる難読化の効果、特定の難読化テクニックの意図的説明と再構築は、すべての層で同期的に劣化しない一方、性能は、意味理解と検出決定は部分的に分離され、そのわずか12.5%から50%のミス検出は、意味理解の失敗に起因する。プロダクションWAFアラートストリームと実際のアプリケーション要求を含む独立した180レコードデータセットに対する外部再評価は、一様でない4層機能プロファイルと、難読化ペイロードの層固有の違いを再現した。

関連論文リスト

DREA: Decoupled Reasoning and Exploration Agents for Repository-Level Vulnerability Detection [16.007199928732614]
DREAはリポジトリレベルの脆弱性検出のための仮説駆動型フレームワークである。ゴール指向コンテキスト取得は、この設計における検出改善の主な原因である。 RepoPairBenchは,実世界のプロジェクトから検証済みのPython脆弱性修正ペアの,リポジトリを基盤としたベンチマークである。
論文参考訳（メタデータ） (2026-07-15T04:49:05Z)
Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks [0.0]
産業用IoT(Industrial Internet of Things)ネットワークにおける侵入検出のために、軽量機械学習モデルがますます提案されている。報告されたほとんどの結果は、これらのモデルをトレーニングネットワーク内でのみ評価し、未確認のネットワーク上での挙動を検証しないままにしている。この研究は、1つのIIoTデータセット上に4つの軽量アーキテクチャをトレーニングし、2つの構造的に異なるIIoTデータセット上に再トレーニングすることなく、それらを評価する。
論文参考訳（メタデータ） (2026-07-01T07:43:26Z)
A Comparison of SSL-Based Feature Extractors and Back-End Classifiers for Spoofing Detection: A Multi-Corpus Training and Cross-Linguistic Analysis [7.166778372225167]
本稿では、ResNetの階層的局所特徴抽出と、アテンションとグラフベースのバックエンドのグローバルシーケンスとリレーショナルモデリングを比較した。 ASVspoof 5データセット内のドメインバイアスを公開し、単純なデータのスケーリングがパフォーマンスを積極的に低下させることを示す。言語横断分析により、ターゲット言語データのわずか8時間による微調整により、検出の堅牢性が向上することが明らかとなった。
論文参考訳（メタデータ） (2026-06-07T15:20:38Z)
From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation [0.7136933021609079]
本稿では,脅威検出と行動応答のギャップを埋める統一的なエンドツーエンドフレームワークを提案する。まず、独立に訓練された3つのバイナリディープニューラルネットワーク(DNN)のアンサンブルで、ネットワークトラフィックフローをBenign, Denial of Service(DoS)またはDistributed Denial of Service(DDoS)に分類する。第2に、Retrieval-Augmented Generation (RAG)パイプラインは、トップ5の異常な機能から説明対応プロンプトを構築する。
論文参考訳（メタデータ） (2026-05-18T07:17:55Z)
DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。 DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。 SLIMはセマンティックリークに特化した最初のデータセットである。
論文参考訳（メタデータ） (2025-10-16T17:39:21Z)
RHINO: Guided Reasoning for Mapping Network Logs to Adversarial Tactics and Techniques with Large Language Models [9.065322387043546]
人間の推論を反映した3つの解釈可能なフェーズに大言語モデルを分解するフレームワークであるRHINOを紹介する。 RHINOは、構造的推論による出力信頼性を改善しながら、低レベルの観測と反対方向のセマンティックギャップを橋渡しする。以上の結果から,RHINOは脅威解析の解釈可能性やスケーラビリティを著しく向上させ,LLMを運用上のセキュリティ設定にデプロイするための青写真を提供することが示された。
論文参考訳（メタデータ） (2025-10-16T02:25:46Z)
Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
論文参考訳（メタデータ） (2025-10-11T14:09:24Z)
Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
論文参考訳（メタデータ） (2025-10-01T07:59:03Z)
VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
論文参考訳（メタデータ） (2025-09-15T02:25:38Z)
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)

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。