論文の概要: PyCache Trap: The Inspection-Execution Gap in Agent Skill Scanners

• arxiv url: http://arxiv.org/abs/2610.10612v1
• Date: Wed, 07 Oct 2026 07:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.566556
• Title: PyCache Trap: The Inspection-Execution Gap in Agent Skill Scanners
• Title（参考訳）: PyCacheのトラップ: エージェントスキルスキャナーにおける検査実行ギャップ
• Abstract要約: PyCache Trapは、ローダが受け入れた代用キャッシュと良質なソースをペアリングし、タスク関連呼び出しに接続する。 本研究では,検査済みのインストラクション,スクリプト,インポート,実行時のアーティファクトを型付き実行グラフで接続するための実行対応検証(EAV)を提案する。
• 参考スコア（独自算出の注目度）: 58.177252305216314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent skills combine instructions with executable resources, giving third-party packages access to an agent's runtime. Existing skill scanners inspect documentation and visible source, but Python may execute a bundled bytecode cache with different behavior. We study this gap between inspection and execution through PyCache Trap, which pairs benign source with a substituted cache accepted by the loader and connects it to a task-relevant invocation. Scanner-guided rewriting changes the invocation wording while preserving the cache body, separating package admission from recognition of the concealed behavior. Across 100 skills and seven scanners, PyCache Trap achieves 94-100% attack success, with no semantic recognition of the cache-resident behavior. We propose execution-aware validation (EAV) to connect inspected instructions, scripts, imports, and runtime artifacts in a typed execution graph. EAV combines grounded behavioral analysis with trusted reproduction of compiled artifacts. It detects all 100 evaluated source-present cache substitutions and reaches 92.8% Recall at 10.0% FPR across five attack families and 200 benign skills. The results support checking the executable artifacts a runtime can select as part of skill admission, within the supported loaders and code-object normalization. The code is released at https://github.com/leo0481/PyCacheTrap.
• Abstract（参考訳）: エージェントスキルは、命令と実行可能なリソースを組み合わせることで、サードパーティパッケージがエージェントのランタイムにアクセスできるようにする。 既存のスキルスキャナーはドキュメントと可視的ソースを検査するが、Pythonは異なる振る舞いでバンドルされたバイトコードキャッシュを実行することができる。 PyCache Trapは,ローダが受理する代用キャッシュと良性ソースをペアリングし,タスク関連呼び出しに接続する。 スキャンガイドによる書き換えは、キャッシュ本体を保持しながら呼び出し語を変更し、隠された振る舞いの認識からパッケージの入力を分離する。 100のスキルと7つのスキャナで、PyCache Trapは94-100%の攻撃成功を実現している。 本研究では,検査済みのインストラクション,スクリプト,インポート,実行時のアーティファクトを型付き実行グラフで接続するための実行対応検証(EAV)を提案する。 EAVは、基底的な行動分析と、コンパイルされたアーティファクトの信頼性のある再現を組み合わせる。 評価済みの100のキャッシュ置換を検知し、92.8%のリコールを5つの攻撃ファミリーと200の良識で10.0% FPRで検出する。 その結果は、ランタイムがスキルの受け入れの一部として選択できる実行可能なアーティファクトのチェック、サポート対象ローダ内のコードオブジェクトの正規化をサポートする。 コードはhttps://github.com/leo0481/PyCacheTrapで公開されている。

関連論文リスト

• Pretext: Defeating Malicious Skill Detection Frameworks for AI Agents [0.9453554184019107]
  スキルは、コンテキストに命令と情報を注入することでエージェントの機能を拡張する。 以前の調査では、サードパーティのマーケットプレースは悪意のあるスキルをホストしており、攻撃者は被害者のエージェントに直接的な影響力を与える。 このような防御は、検知器を知っている攻撃者によって行われる。
  論文  参考訳（メタデータ） (2026-09-30T12:26:33Z)
• Evaluating Skills, Not Just Agents: Agentic Continuous Evaluation of Skills [9.077159743623076]
  実行可能なエージェントアーティファクトとして、スキルと製品機能パッケージを評価するための、リポジトリネイティブフレームワーク。 ACESは、ターゲットスキルとなしのペアライブトライアルを実行し、6つのデフォルトランタイムメトリクスをグレードし、Skill Liftをレポートする。 この方法論のオープンソース実装はNVIDIA SkillEvaluatorで利用可能だ。
  論文  参考訳（メタデータ） (2026-08-20T23:26:14Z)
• Cloak and Detonate: Scanner Evasion and Dynamic Detection of Agent Skill Malware [15.064889350201511]
  悪意のあるスキルは、認証情報を盗んだり、ソースコードを流出させたり、バックドアをインストールしたりできる。 既存の防御はパターンマッチングやLSM-as-judge分析を用いる。 サンドボックスでスキルを実行する行動中心の監査ツールであるSkillDetonateを提案する。
  論文  参考訳（メタデータ） (2026-07-02T16:00:52Z)
• Understanding and Evaluating Claw-like Agent Security Through a Computer-Systems Lens [65.53494487819053]
  クローのようなAIエージェント(OpenClawなど)は、認証情報、ファイル、ツール、外部サービスへの永続的なアクセスを伴う、常にオンのプロセスである。 我々はClawのようなエージェントをエージェントコンピュータシステムとして扱い、そのゲートウェイランタイムがOSのような仲介の役割を担っている。 我々は、4つの攻撃面にわたる406の敵タスクのベンチマークであるSafeClawArenaを開発した。
  論文  参考訳（メタデータ） (2026-06-29T18:00:45Z)
• Getting Better at Working With You: Compiling User Corrections into Runtime Enforcement for Coding Agents [99.67681154381803]
  Test-time Rule Acquisition and Compiled Enforcement (TRACE)は、コーディングエージェントランタイムのためのスキル層パイプラインである。 開発者が事前に記述した実行時チェックとは異なり、TRACEスキルはユーザのチャット修正に由来する。
  論文  参考訳（メタデータ） (2026-06-11T10:43:40Z)
• COLLEAGUE.SKILL: Automated AI Skill Generation via Expert Knowledge Distillation [58.84646485020439]
  人為的なAIスキルを生成するための自動トレース・ツー・スキル蒸留システムを提案する。 COLLEAGUE.SKILLは、実践、メンタルモデル、意思決定のための能力トラックと、コミュニケーションスタイル、インタラクションルール、修正履歴のための有界な行動トラックの2つのトラックを持つバージョン付きのスキルパッケージを生成する。
  論文  参考訳（メタデータ） (2026-05-29T12:59:08Z)
• vCache: Verified Semantic Prompt Caching [95.16654660556975]
  本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。 オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。 我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
  論文  参考訳（メタデータ） (2025-02-06T04:16:20Z)

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。