論文の概要: AutoSec-RAN: Specification-Grounded LLM Fine-Tuning for Automated Security Analysis of O-RAN
- arxiv url: http://arxiv.org/abs/2610.15995v1
- Date: Sun, 11 Oct 2026 23:54:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.282011
- Title: AutoSec-RAN: Specification-Grounded LLM Fine-Tuning for Automated Security Analysis of O-RAN
- Title（参考訳）: AutoSec-RAN:O-RANの自動セキュリティ解析のための仕様付きLDMファインチューニング
- Abstract要約: 本稿では,Open Radio Access Network (O-RAN) テストの自動セキュリティトリアージのための,仕様付き大規模言語モデル(LLM)フレームワークを提案する。
AutoSec-RAN Fine-tunes Mistral-7B-Instruct through two Low-Rank Adaptation (LoRA) stage on a curated corpus。
AutoSec-RANは、5G/O-RANテストベッドで、ラベル付きフロントホールで分散されたサービスリプレイのシナリオで検証される。
- 参考スコア（独自算出の注目度）: 2.560738504535991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents AutoSec-RAN, a specification-grounded large language model (LLM) framework for automated security triage of Open Radio Access Network (O-RAN) testing. Unlike approaches relying on static rule sets or privileged access to raw packet captures, AutoSec-RAN fine-tunes Mistral-7B-Instruct through two Low-Rank Adaptation (LoRA) stages over a curated corpus of 69 O-RAN, 3GPP, and adjacent standards documents, then selectively augments inference with retrieval-augmented generation (RAG) over the same specification index. At inference, the model receives only an investigator-style question and a scenario metadata block, simulating an automated analyst operating without raw packet evidence. AutoSec-RAN is validated on a purpose-built 5G/O-RAN testbed across labeled fronthaul distributed denial of service replay scenarios. A Gemma-4-31B judge LLM scores each candidate's answer on faithfulness, correctness, and actionability relative to a reference authored from full packet capture and log evidence. AutoSec-RAN achieves a mean judge overall score of 0.713 across all 313 evaluation items (0.755 restricted to the five supervised taxonomy classes), clearing the 0.70 reporting threshold, and a blended score of 0.778 (0.808 supervised-only) when cosine similarity over Beijing Academy of Artificial Intelligence (BAAI) General Embedding (BGE) is incorporated as a secondary semantic signal. The framework performs strongest on mitigation and threat-model reasoning (with a mean overall of 0.849 and 0.848, respectively) and identifies a measurable gap on the held-out attack-direction class (0.515), a controlled result that exposes a specific training data requirement. These results establish specification-grounded LoRA fine-tuning combined with RAG retrieval as a viable foundation for automated security validation of AI-native O-RAN.
- Abstract（参考訳）: 本稿では,Open Radio Access Network (O-RAN) テストの自動セキュリティトリアージのための仕様付き大規模言語モデル(LLM)フレームワークであるAutoSec-RANを提案する。
静的なルールセットや生のパケットキャプチャへの特権的アクセスに依存するアプローチとは異なり、AutoSec-RANファイントゥイン Mistral-7B-Instruct は、69 O-RAN、3GPP、および隣接する標準文書のキュレートされたコーパス上の2つのローランド適応 (LoRA) ステージを経由し、同じ仕様インデックス上で検索拡張生成 (RAG) による推論を選択的に増強する。
推測において、モデルは調査者スタイルの質問とシナリオメタデータブロックのみを受け取り、生のパケットエビデンスなしで動作する自動アナリストをシミュレートする。
AutoSec-RANは、5G/O-RANテストベッドで、ラベル付きフロントホールで分散されたサービスリプレイのシナリオで検証される。
Gemma-4-31Bの審査員は、全パケットキャプチャとログ証拠から得られた基準に対して、各候補の回答を忠実さ、正確性、および動作性でスコアする。
AutoSec-RANは、北京人工知能アカデミー(BAAI)のジェネラル・エンベディング(BGE)に対するコサイン類似性を二次意味信号として組み込んだ場合、平均判定スコアが0.713点(5つの分類クラスに制限された0.755点)、0.70点(監督のみ)、混合スコアが0.778点(監督のみ)となる。
このフレームワークは、緩和と脅威モデル推論(それぞれ0.849と0.848の平均値)で最強に実行し、特定のトレーニングデータ要求を公開する制御結果であるホールドアウト攻撃指向クラス(0.515)における測定可能なギャップを特定する。
これらの結果から,AIネイティブなO-RANの自動セキュリティ検証の基盤として,仕様基盤のLoRAファインチューニングとRAG検索を併用する。
関連論文リスト
- Jev-Guard: Fast Routing and Auditing Agent Actions over Editable Policy Trees [44.97404411700615]
本稿では安全分類とポリシールーティングのための統一モデルであるJev-Guardを紹介する。
7,033件の評価ケースでは、Jev-Guardは93.72%の安全性、58msの平均遅延、93.10%の階層的ルーティング精度を達成した。
SFT-LLMの審査員は4.80秒から1.33秒に切り替わるが、いずれのガードもポリシー違反は見られない。
論文 参考訳（メタデータ） (2026-10-13T13:03:37Z) - From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳（メタデータ） (2026-09-29T17:49:07Z) - From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。
我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。
このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
論文 参考訳（メタデータ） (2026-09-01T17:39:26Z) - Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection [0.0]
Edge-IIoTsetは、IoTにおける機械学習侵入検出のベンチマークである。
そのパフォーマンスの多くは侵入検出ではないことが示されています。
AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離する列がない。
論文 参考訳（メタデータ） (2026-08-16T14:30:45Z) - SingGuard-NSFA: Extensible Guardrails for Agentic AI via Generative Reasoning and Real-Time Classification [0.0]
nsfaguardは、エージェントAIシステムを運用上の脅威から保護するためのガードレールフレームワークである。
まず,185種のリスク変異をCIA-Triad-grounded 階層に分類するNSFA分類について紹介する。
凍結したバックボーン上の識別的分類ヘッドと解釈可能なオフライン監査のためのSFTに基づく生成推論を組み合わせたデュアルモードアプローチを開発した。
論文 参考訳（メタデータ） (2026-07-13T07:28:45Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Context-Aware Web Attack Detection in Open-Source SIEM Systems via MITRE ATT&CK-Enriched Behavioral Profiling [0.0]
本稿では,オープンソースのWazuh SIEMプラットフォーム用のAIモジュールであるSmart-SIEMを紹介する。
HTTP応答統計分布を符号化した振る舞いコンテキストベクトルを用いる。
2段階のハイブリッドカスケードは、LightGBMをバイナリアタック検出に、XGBoostを6クラスのアタック分類に組み合わせている。
論文 参考訳（メタデータ） (2026-05-13T10:54:36Z) - VERDI: Single-Call Confidence Estimation for Verification-Based LLM Judges via Decomposed Inference [0.0]
VERDI(verification-Decomposed Inference Inference)は、構造化された裁判官から信頼を抽出する手法である。
VERDIは各評価をサブチェックに分解し、3つの構造信号を導出する。
3つの公開ベンチマークで、VERDIはGPT-4.1-miniでAUROC 0.72-0.91、GPT-5.4-miniで0.66-0.80を達成した。
論文 参考訳（メタデータ） (2026-05-11T23:39:19Z) - Beyond Single-Agent Alignment: Preventing Context-Fragmented Violations in Multi-Agent Systems [10.660248467840821]
新たなセキュリティリスクの特定と形式化:CFV(Context-Fragmented Violations)
CFVは、個々のエージェントの行動が局所的に安全かつ合理的に見えるが、全体として組織的方針に反する政策違反の類である。
分散ゼロトラスト適用アーキテクチャである分散センチネルを提案する。
論文 参考訳（メタデータ） (2026-04-24T03:08:52Z) - AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。
テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。
アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
論文 参考訳（メタデータ） (2025-04-29T17:36:05Z)
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。