論文の概要: Fetch Me If You Can: A Comprehensive Analysis of Fetch Metadata

• arxiv url: http://arxiv.org/abs/2610.15541v1
• Date: Sun, 11 Oct 2026 11:32:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 18:03:45.532501
• Title: Fetch Me If You Can: A Comprehensive Analysis of Fetch Metadata
• Title（参考訳）: Fetch Me if you can: Aprehensive Analysis of Fetch Metadata
• Abstract要約: 本研究は,Fetch Metadata導入に関する大規模研究である。 Trancoの上位100万のWebサイトを分析して、Fetch Metadataアイソレーションポリシのデプロイメントを検出します。 次に、これらのポリシーがどのようにクロスサイト脅威に対処し、セキュリティカバレッジを評価するかを検討する。
• 参考スコア（独自算出の注目度）: 9.513750461200972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective server-side defenses against cross-site attacks depend on understanding the context in which browser requests are generated. However, servers often lack the information needed to distinguish legitimate requests from potentially malicious cross-site interactions. Fetch Metadata, a security mechanism introduced in 2019, addresses this limitation by adding a set of HTTP headers to outgoing browser requests. These headers provide servers with information about a request's context and provenance, enabling them to enforce request isolation policies accordingly. However, the extent of Fetch Metadata's real-world adoption and its interaction with existing security mechanisms remain largely unexplored. In this paper, we present the first large-scale measurement study of Fetch Metadata adoption. We analyze the top 1M websites in the Tranco list to detect deployments of Fetch Metadata isolation policies and identify custom policies used in the wild. We then examine how these policies address cross-site threats and assess their security coverage. Finally, we provide the first systematic comparison of Fetch Metadata with existing client-side security mechanisms, revealing security gaps that arise from differences between client-side and server-side enforcement.
• Abstract（参考訳）: クロスサイト攻撃に対する効果的なサーバ側の防御は、ブラウザ要求が生成されるコンテキストを理解することに依存する。 しかしサーバは、正当性のあるリクエストと潜在的に悪意のあるクロスサイトインタラクションを区別するために必要な情報を欠いていることが多い。 2019年に導入されたセキュリティメカニズムであるFetch Metadataは、ブラウザからのリクエストにHTTPヘッダセットを追加することで、この制限に対処する。 これらのヘッダーは、リクエストのコンテキストと証明に関する情報をサーバに提供し、それに応じてリクエスト分離ポリシーを強制することができる。 しかし、Fetch Metadataの実際の採用範囲と既存のセキュリティメカニズムとの相互作用は、まだ明らかにされていない。 本稿では,Fetch Metadata導入の大規模評価について紹介する。 Trancoリストのトップ100万のWebサイトを分析して、Fetch Metadataアイソレーションポリシのデプロイを検出し、野生で使用されるカスタムポリシを特定します。 次に、これらのポリシーがどのようにクロスサイト脅威に対処し、セキュリティカバレッジを評価するかを検討する。 最後に、Fetch Metadataと既存のクライアントサイドのセキュリティメカニズムを初めて体系的に比較し、クライアントサイドとサーバサイドの執行方法の違いから生じるセキュリティのギャップを明らかにする。

関連論文リスト

• Breadcrumbing Search Agents [118.20284823674382]
  LLMベースの検索エージェントは情報検索タスクに広く利用されているが、外部ツールへの依存度は重大なセキュリティリスクをもたらす。 検索およびページ観察を行うチャネルは脆弱なセキュリティ境界であることを示す。 制約付きツール仲介脅威モデルの下では、クエリ毎に1つのコントロールされた結果のみを追加することで、攻撃の成功を大幅に増加させることができる。
  論文  参考訳（メタデータ） (2026-08-05T07:57:27Z)
• Searching for Privacy Risks in LLM Agents via Simulation [61.229785851581504]
  本稿では,プライバシクリティカルなエージェントインタラクションのシミュレーションを通じて,攻撃と防御戦略の改善を交互に行う検索ベースのフレームワークを提案する。 攻撃戦略は、直接の要求から、不正行為や同意偽造といった高度な戦術へとエスカレートする。 発見された攻撃と防御は、さまざまなシナリオやバックボーンモデルにまたがって伝達され、プライバシーに配慮したエージェントを構築するための強力な実用性を示している。
  論文  参考訳（メタデータ） (2025-08-14T17:49:09Z)
• Streamlining HTTP Flooding Attack Detection through Incremental Feature Selection [0.3277163122167433]
  本稿では,そのような攻撃を検知する手法を提案する。 INFS-MICCは、非常に関連性が高く独立した機能サブセットのサブセットを特定するのに役立つ。
  論文  参考訳（メタデータ） (2025-05-20T06:19:03Z)
• WAFFLED: Exploiting Parsing Discrepancies to Bypass Web Application Firewalls [4.490124817524261]
  Webアプリケーションファイアウォール(WAF)の運用は防御を損なう可能性がある。 我々は、相違点を明らかにすることによって、WAFをバイパスする革新的なアプローチを提案する。 我々は,5つの有名なWAFの1207バイパスを同定し,確認した。
  論文  参考訳（メタデータ） (2025-03-13T19:56:29Z)
• Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
  フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。 以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-03-26T15:07:58Z)
• FedDefender: Client-Side Attack-Tolerant Federated Learning [60.576073964874]
  フェデレーション学習は、プライバシを損なうことなく、分散化されたデータソースからの学習を可能にする。 悪意のあるクライアントがトレーニングプロセスに干渉する、毒殺攻撃のモデル化には脆弱である。 我々はFedDefenderと呼ばれるクライアントサイドに焦点を当てた新しい防御機構を提案し、クライアントの堅牢なローカルモデルのトレーニングを支援する。
  論文  参考訳（メタデータ） (2023-07-18T08:00:41Z)
• Preserving Privacy and Security in Federated Learning [21.241705771577116]
  ユーザに対するプライバシ保証と,それらによる毒殺攻撃の検出の両方を提供する,原則的フレームワークを開発する。 我々のフレームワークは、セキュアなアグリゲーションのプライバシー保証に違反することなく、中央サーバが有毒なモデル更新を識別することを可能にする。
  論文  参考訳（メタデータ） (2022-02-07T18:40:38Z)

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。