論文の概要: DITTO: A Context-aware Pickle-based Pre-Trained Model Scanner for Effective Security Audits

• arxiv url: http://arxiv.org/abs/2610.10735v1
• Date: Wed, 07 Oct 2026 18:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.623117
• Title: DITTO: A Context-aware Pickle-based Pre-Trained Model Scanner for Effective Security Audits
• Title（参考訳）: DITTO:効果的なセキュリティ監査のためのコンテキスト対応ピクルスを用いた事前訓練型モデルスキャナ
• Abstract要約: 事前訓練されたモデル(PTM)はシリアライズされたバイナリとして広く配布されているが、その再利用はしばしばデシリアライズ攻撃に対してソフトウェアサプライチェーンを公開する。 DitTOは、PickleベースのPTMのための最初のスタックベースのコンテキスト認識スキャナである。
• 参考スコア（独自算出の注目度）: 7.423392327423294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pre-trained models (PTMs) are widely distributed as serialized binaries, but their reuse often exposes software supply chains to deserialization attacks. Despite the emergence of safer serialization formats, the unsafe Pickle format remains prevalent: our analysis of over 10,000 popular Hugging Face repositories reveals that 9.3% rely on Pickle. While many defense mechanisms have been proposed, state-of-the-art model scanners suffer from a coverage-precision gap, missing security-sensitive behaviors and generating excessive false alerts. In this paper, we introduce DITTO, the first stack-based, context-aware scanner for Pickle-based PTMs. DITTO faithfully tracks Pickle virtual machine state transitions and performs context-aware semantic analysis to infer model intentions. We also present PickleBench, a benchmark of 959 benign and 92 malicious real-world models, including extension registry attacks previously missed by existing tools. Across multiple evaluations, DITTO achieves 100% scanning coverage, a 0% false-negative rate, and a 0.7% false-positive rate, yielding an F1 score of 0.966, significantly outperforming state-of-the-art scanners. By minimizing false alerts while preserving detection accuracy, DITTO generates actionable security reports with contextual evidence, enabling safe PTM reuse and strengthening software supply chain integrity.
• Abstract（参考訳）: 事前訓練されたモデル(PTM)はシリアライズされたバイナリとして広く配布されているが、その再利用はしばしばデシリアライズ攻撃に対してソフトウェアサプライチェーンを公開する。 安全なシリアライズフォーマットの出現にもかかわらず、安全でないピックルフォーマットは依然として一般的であり、人気のある1万以上のHugging Faceリポジトリの分析によると、9.3%がピックルに依存している。 多くの防衛機構が提案されているが、最先端のモデルスキャナーは、カバー精度のギャップ、セキュリティに敏感な振る舞いの欠如、過度な誤警報を引き起こす。 本稿では,PickleベースのPTMのための最初のスタックベースコンテキスト認識スキャナであるDITTOを紹介する。 DITTOはピクルの仮想マシン状態遷移を忠実に追跡し、コンテキスト対応の意味分析を行い、モデルの意図を推測する。 また、959の良心と92の悪質な現実世界モデルのベンチマークであるPickleBenchを紹介します。 複数の評価において、DITTOは100%のスキャンカバレッジ、0%の偽陰性率、0.7%の偽陽性率を達成し、F1スコアは0.966となり、最先端スキャナーよりも大幅に向上した。 検出精度を維持しながら誤警報を最小限に抑えることで、DITTOはコンテキスト証拠を持つ実行可能なセキュリティレポートを生成し、安全なPTM再利用を可能にし、ソフトウェアサプライチェーンの整合性を強化する。

関連論文リスト

• ShadowPickle: Evading Machine Learning Model Scanners via Stealthy Pickle Deserialization Attacks [0.0]
  モデルホスティングハブは、信頼されたユーザ環境上でリモートコード実行を可能にするサプライチェーン攻撃に対して脆弱である。 攻撃者はしばしばモデルハブを介して悪意ある事前訓練MLモデル(PTM)を配布する。 我々は,SHADOWPICKLEと呼ばれるPTMとモデルハブに対する新たな攻撃を提案する。
  論文  参考訳（メタデータ） (2026-07-20T03:18:15Z)
• ShieldNet: Network-Level Guardrails against Emerging Supply-Chain Injections in Agentic Systems [56.613157564882925]
  悪意のある行動は、一見良心的なツールに埋め込まれ、エージェントの実行を静かにハイジャックしたり、機密データをリークしたり、無許可のアクションをトリガーしたりする。 影響は拡大しているが、このような脅威を評価するための包括的なベンチマークは今のところ存在しない。 実ネットワークの相互作用を観測してサプライチェーン中毒を検出するネットワークレベルのガードレールフレームワークであるShieldNetを提案する。
  論文  参考訳（メタデータ） (2026-04-06T05:15:00Z)
• Understanding NPM Malicious Package Detection: A Benchmark-Driven Empirical Analysis [10.599261033874884]
  NPMエコシステムは、ソフトウェアサプライチェーン攻撃の主要なターゲットとなっている。 ベンチマークによるNPMマルウェア検出の実証分析を行う。 我々は、11の行動カテゴリと8の回避テクニックを付加した、6,420の悪意のある7,288の良性パッケージのデータセットを構築した。
  論文  参考訳（メタデータ） (2026-03-29T07:04:31Z)
• SafePickle: Robust and Generic ML Detection of Malicious Pickle-based ML Models [6.365889364810239]
  Hugging Faceのようなモデルリポジトリは、Pythonのピクルスフォーマットでシリアライズされた機械学習アーティファクトを配布する傾向にある。 PickleBallのような最近の防衛は、複雑なシステムセットアップと検証された良性モデルを必要とするライブラリごとのポリシー合成に依存している。 ポリシー生成やコードインスツルメンテーションなしに悪意のあるPickleベースのファイルを検出する軽量な機械学習ベースのスキャナを提案する。
  論文  参考訳（メタデータ） (2026-02-23T13:19:43Z)
• ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
  本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
  論文  参考訳（メタデータ） (2026-01-15T08:23:38Z)
• OmniSafeBench-MM: A Unified Benchmark and Toolbox for Multimodal Jailbreak Attack-Defense Evaluation [94.61617176929384]
  OmniSafeBench-MMはマルチモーダル・ジェイルブレイク攻撃防御評価のための総合ツールボックスである。 13の代表的な攻撃方法と15の防衛戦略、9つの主要なリスクドメインと50のきめ細かいカテゴリにまたがる多様なデータセットを統合している。 データ、方法論、評価をオープンソースで再現可能なプラットフォームに統合することで、OmniSafeBench-MMは将来の研究のための標準化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-12-06T22:56:29Z)
• Data-Free Hard-Label Robustness Stealing Attack [67.41281050467889]
  本稿では,Data-Free Hard-Label Robustness Stealing(DFHL-RS)攻撃について紹介する。 ターゲットモデルのハードラベルをクエリするだけで、モデル精度とロバスト性の両方を盗むことができる。 本手法は,AutoAttackに対して77.86%,頑健な39.51%の精度を実現する。
  論文  参考訳（メタデータ） (2023-12-10T16:14:02Z)
• DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified Robustness [58.23214712926585]
  我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。 具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。 私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
  論文  参考訳（メタデータ） (2023-03-20T17:25:22Z)
• RS-Del: Edit Distance Robustness Certificates for Sequence Classifiers via Randomized Deletion [23.309600117618025]
  離散列分類器のランダム化スムーシングを適用して、編集距離境界の敵に対して確固たるロバスト性を提供する。 私たちの証明は、確立されたNeyman-Pearsonアプローチから逸脱したものです。 一般的なMalConvマルウェア検出モデルに適用すると、スムーシング機構RS-Delは128バイトの編集距離半径で91%の精度を達成できる。
  論文  参考訳（メタデータ） (2023-01-31T01:40:26Z)
• Leveraging Uncertainty for Improved Static Malware Detection Under Extreme False Positive Constraints [21.241478970181912]
  本研究では,静的マルウェア検出のための機械学習手法のアンサンブル処理とベイズ処理により,モデル誤りの同定精度が向上することを示す。 特に,本研究では,従来手法で期待されていた0.69から0.80まで,実際に実現された1e-5のFPRにおける真の正の率(TPR)を,Sophos業界スケールデータセット上で最高のモデルクラスで改善する。
  論文  参考訳（メタデータ） (2021-08-09T14:30:23Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)

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。