論文の概要: ANT: A Multi-Granularity Network Traffic Dataset and Benchmark for Agents Behavior Auditing
- arxiv url: http://arxiv.org/abs/2610.06514v1
- Date: Mon, 05 Oct 2026 15:30:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 07:51:57.46418
- Title: ANT: A Multi-Granularity Network Traffic Dataset and Benchmark for Agents Behavior Auditing
- Title（参考訳）: ANT: エージェントの行動監査のためのマルチグラニュラリティネットワークトラフィックデータセットとベンチマーク
- Abstract要約: ANT(Agent Network Traffic)は、エージェントの行動情報を提供するデータセットである。
エージェントリスク識別,シナリオ認識,行動プリミティブ分類のためのベンチマークを13の代表的なトラフィック分析ベースラインを用いて構築する。
- 参考スコア（独自算出の注目度）: 21.257355782919984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growing adoption of large language model (LLM) agents creates a need for network administrators and security teams to audit agent behavior within organizational networks without inspecting private user content. Network traffic offers an observable source of evidence, but how much it reveals about agent tasks and operations remains unclear. Existing traffic datasets lack the joint task and stage annotations needed to evaluate this question. We introduce ANT (Agent Network Traffic), a dataset providing agent behavior information at risk, scenario, and behavior primitive granularities alongside network traffic. ANT contains 3,114 execution episodes across 20 tasks and five scenarios, comprising 276,417 bidirectional flows and 40,049 behavior primitive segments organized into 47 macro groups. We establish a benchmark for agent risk identification, scenario recognition, and behavior primitive classification using 13 representative traffic analysis baselines. The results show that existing methods recover useful but uneven behavioral signals. They struggle to identify risk when malicious workflows resemble benign tasks and to distinguish scenarios with similar traffic patterns. Primitive classification is more reliable for frequent macro groups and those with distinctive traffic patterns than for rare or semantically similar groups. ANT provides a common basis for developing more precise auditing and forensic analysis of agent behavior from network traffic. Our data and code are available at https://anonymous.4open.science/r/ant-main-suite-7BC0/.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントの採用が増加し、ネットワーク管理者やセキュリティチームが、プライベートユーザコンテンツを検査することなく、組織ネットワーク内のエージェントの動作を監査する必要性が高まっている。
ネットワークトラフィックは、観測可能な証拠源を提供するが、それがエージェントのタスクや操作についてどの程度明らかにしているかは、まだ不明である。
既存のトラフィックデータセットには、この質問を評価するのに必要な共同タスクとステージアノテーションが欠けている。
本稿では、エージェントの行動情報をリスク、シナリオ、行動プリミティブな粒度のデータセットであるANT(Agent Network Traffic)を紹介する。
ANTには、20のタスクと5つのシナリオにわたる3,114の実行エピソードが含まれており、276,417の双方向フローと47のマクログループに編成された40,049の振る舞いプリミティブセグメントで構成されている。
エージェントリスク識別,シナリオ認識,行動プリミティブ分類のためのベンチマークを13の代表的なトラフィック分析ベースラインを用いて構築する。
その結果,既存の手法は有用だが不均一な行動信号を回復することがわかった。
悪質なワークフローが良質なタスクに似ている場合のリスクを特定し、同様のトラフィックパターンのシナリオを区別するのに苦労する。
原始分類は希少群や意味的に類似した群よりも、頻繁なマクロ群や独特のトラフィックパターンを持つ群の方が信頼性が高い。
ANTは、ネットワークトラフィックからエージェントの振る舞いをより正確に監査し、法医学的な分析を行うための共通の基盤を提供する。
私たちのデータとコードはhttps://anonymous.4open.science/r/ant-main-suite-7BC0/で公開されています。
関連論文リスト
- A Large-Scale Benchmark and Risk Assessment of Traffic Analysis Attacks on Cloud LLM Services [3.8957143647621515]
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。
論文 参考訳（メタデータ） (2026-09-25T18:13:58Z) - Detecting Data Exfiltration through I2P Anonymity Networks: A Two-Phase Machine Learning Approach [0.0]
Invisible Internet Project (I2P)は、ニンニクルーティングと分散ネットワークアーキテクチャを通じて強力な匿名性を提供する。
現在のネットワークセキュリティ対策は、しばしばI2Pトラフィックの検出に失敗する。
本稿では,SafeSurf Darknet 2025データセットを用いた2段階のI2Pトラフィック解析モデルを提案する。
論文 参考訳（メタデータ） (2026-05-19T22:46:22Z) - Known By Their Actions: Fingerprinting LLM Browser Agents via UI Traces [5.370915507935483]
エージェントのアクションとインタラクションのタイミングは、受動的JavaScriptトラッカーによってキャプチャされ、F1が最大96%の基盤モデルを特定するのに十分であることを示す。
私たちはハーネスとラベル付きエージェントトレースのコーパスをリリースします。
論文 参考訳（メタデータ） (2026-05-14T12:55:19Z) - How to Interpret Agent Behavior [56.59836196946289]
本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。
共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
論文 参考訳（メタデータ） (2026-05-13T14:52:40Z) - AJ-Bench: Benchmarking Agent-as-a-Judge for Environment-Aware Evaluation [71.49152943451328]
我々は,AJ-Benchベンチマークを導入し,ドメイン検索,データシステム,グラフィカルユーザインタフェースの3つの領域にまたがるエージェント・アズ・ア・Judgeを評価する。
実験ではLLM-as-a-Judgeベースラインよりも一貫したパフォーマンス向上を示し、エージェントベースの検証においてかなりオープンな課題を明らかにした。
論文 参考訳（メタデータ） (2026-04-20T13:23:38Z) - The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。
本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。
標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
論文 参考訳（メタデータ） (2026-01-21T15:22:21Z) - 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) - AgentSight: System-Level Observability for AI Agents Using eBPF [10.37440633887049]
既存のツールは、エージェントの高レベルな意図(LSMプロンプトを介して)または低レベルな行動(例えば、システムコール)を観察するが、これら2つのビューを関連付けることはできない。
AgentOpsはハイブリッドアプローチを使用して,このセマンティックギャップをブリッジする,AgentOpsオブザーバビリティフレームワークです。
AgentSightはTLS暗号化されたLLMトラフィックをインターセプトしてセマンティックインテントを抽出し、カーネルイベントを監視してシステム全体の効果を観察し、これら2つのストリームをプロセス境界を越えて因果的に関連付ける。
論文 参考訳（メタデータ） (2025-08-02T01:43:39Z) - NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳（メタデータ） (2024-12-30T00:47:49Z) - 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。