Fugu-MT 論文翻訳(概要): CT0: Cybersecurity Transformer

論文の概要: CT0: Cybersecurity Transformer

arxiv url: http://arxiv.org/abs/2610.16550v2
Date: Thu, 15 Oct 2026 04:01:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-20 00:56:07.527699
Title: CT0: Cybersecurity Transformer
Title（参考訳）: CT0:サイバーセキュリティトランスフォーマー
Abstract要約: 汎用フロンティアモデルは大型で、運用に費用がかかる。我々は,サイバーセキュリティトランスフォーマーアーキテクチャであるCT0と,その最初の実装であるCT0-Microを紹介する。
参考スコア（独自算出の注目度）: 0.5958112901546286
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: General-purpose frontier models are large, expensive to run, and increasingly reluctant to engage with authorised defensive- and offensive-security work. We ask the opposite question: how small can a cybersecurity-specialist transformer be while remaining genuinely useful to a security practitioner? We introduce CT0, a Cybersecurity Transformer architecture, and CT0-Micro, its first incarnation: a compact (~4B-parameter) model built on the open base model, whose backbone is specialised by two-phase on-policy distillation on our Cybersecurity AI (CAI) dataset. CT0 serves two modes from one set of weights: System 1 answers typed security decisions (is this file suspicious, is this request an attack, did the model just refuse) in a single forward pass without generating a token, System 2 is the usual tool-using agent, and a confidence gate spends generation only where the fast path is unsure. Specialisation lifts the agentic path: CT0-Micro solves 21.1% of cybench-subtask against 7.6% for its base, above every open model of comparable footprint and the densest cybersecurity capability per parameter we measured. The fast path is what the architecture buys: CT0-Micro screens eighty files per second for indicators of compromise, catches its own refusals at 96.5% accuracy in 47 ms where the model judging itself reaches 76.5% in 254 ms and misses half of them, flags jailbreak requests at AUROC 0.966 in 8 ms, and, generating only for the facts it is unsure about, extracts vulnerability facts more accurately than either mode alone at a fifth of the generative cost. All of it is built in about 314 RTX PRO 6000 GPU-hours and served from one workstation GPU, with no policy layer between operator and target. Across eighteen benchmarks and use cases run with one checkpoint and head, we report where the design helps, where it does not, and what it still lacks.
Abstract（参考訳）: 汎用フロンティアモデルは大型で、運用に費用がかかる。サイバーセキュリティ専門のトランスフォーマーは、セキュリティ実践者にとって本当に役に立つまま、どの程度小さくできるのか? オープンベースモデル上に構築されたコンパクト(〜4Bパラメータ)モデルで、バックボーンはサイバーセキュリティAI(CAI)データセット上の2段階のオンライン蒸留によって特殊化されています。 CT0は1つの重みから2つのモードを提供する: System 1はタイプされたセキュリティ決定に答える(このファイルは不審であり、この要求は攻撃であり、モデルは拒否された)。 CT0-Microは21.1%のサイベンチ・サブタスクを、基準の7.6%に対して解決する。 CT0-Microは妥協の指標として毎秒80ファイルのファイルを取得し、47msで96.5%の精度で自身の拒絶をキャッチし、モデル自体が76.5%の254msに達し、半分を逃し、8msでAUROC 0.966でジェイルブレイク要求をフラグ付けし、不確実な事実だけを生成し、生成コストの5分の1でどちらのモードよりも正確な脆弱性事実を抽出する。すべては約314 RTX PRO 6000 GPU-hoursで構築され、1つのワークステーションGPUから提供される。 18のベンチマークとユースケースは1つのチェックポイントとヘッドで実行される。

関連論文リスト

BALLAST: Physics-Aware Moving Target Defense for Industrial Control Systems Using a Digital Twin Safety Oracle [0.0]
BALLASTは、セキュリティポリシーとプラントの間の学習されたデジタルツインを、安全の神託として配置する。明示的なシールドは、予測された軌道が安全な操作エンベロープを離れるであろうアクションを拒絶する。 SWaT水処理試験台では、バラーストは敵の偵察の成功率を85%削減した。
論文参考訳（メタデータ） (2026-10-13T12:53:45Z)
GAUGE: A Formal Framework for Measuring Cryptographic Security under Heterogeneous Adversary Cost Models [0.0]
標準機関は暗号セキュリティを単一ビットとして報告する。異なるコンベンションは、暗号化スキームの異なるランキングを生成する。 GAUGEは、競合するコストモデルの下で暗号セキュリティを報告するための明示的で監査可能なフレームワークを提供する。
論文参考訳（メタデータ） (2026-09-15T14:55:29Z)
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)
Are Frontier LLMs Ready for Cybersecurity? Evidence for Vertical Foundation Models from Dual-Mode Vulnerability Benchmarks [0.3303672705634661]
デュアルモードベンチマークにより,フロンティアLSMがサイバーセキュリティの準備ができているかを評価する。我々は6つのフロンティアモデル(GPT-5.4、Codex5.3、Claude Opus4.6、Sonnet4.6、Gemini3.1Pro、Gemini3Flash)と4つのテストパラダイムにまたがる2つのドメイン特化モデルをテストする。
論文参考訳（メタデータ） (2026-05-22T05:24:43Z)
Your Agent, Their Asset: A Real-World Safety Analysis of OpenClaw [87.97230960702274]
本稿では,OpenClawの安全性評価について紹介する。エージェントの永続状態を3次元に統一するCIK分類法を導入する。評価では、ライブOpenClawインスタンス上の12のアタックシナリオをカバーしています。
論文参考訳（メタデータ） (2026-04-06T15:27:05Z)
CLASP: Defending Hybrid Large Language Models Against Hidden State Poisoning Attacks [48.54598003197356]
Mambaのような状態空間モデル(SSM)はトランスフォーマーの効率的な代替品として大きな注目を集めている。 HiSPAsは、最近発見された脆弱性で、敵対する文字列を通じてSSMメモリを破損させる。この脅威に対して防御するためのCLASPモデルを紹介します。
論文参考訳（メタデータ） (2026-03-12T17:29:55Z)
Cyberattack Detection in Virtualized Microgrids Using LightGBM and Knowledge-Distilled Classifiers [0.0]
完全な仮想マイクログリッドはMG/Simulinkで設計、実装された。 MGLibを用いて、二次制御経路に敵の信号を注入する構造化サイバーアタックフレームワークを開発した。その結果、軽量な機械学習による侵入検知手法は、高速で正確で効率的なサイバー攻撃検出を可能にすることが確認された。
論文参考訳（メタデータ） (2026-01-07T01:23:13Z)
Assimilation Matters: Model-level Backdoor Detection in Vision-Language Pretrained Models [71.44858461725893]
信頼できない第三者によって微調整されたモデルを考えると、モデルがバックドアで注入されたかどうかが重要で難しい問題である。既存の検出方法は通常、トレーニングデータセット、バックドアトリガー、ターゲットの事前知識に依存する。このような事前知識を伴わずに動作する新しいモデルレベルの検出フレームワークであるAssimilation Matters in DETection (AMDET)を紹介する。
論文参考訳（メタデータ） (2025-11-29T06:20:00Z)
Toward Cybersecurity-Expert Small Language Models [3.155658695525581]
サイバーセキュリティに精通した小型言語モデル(SLM)のファミリーであるCyberPal 2.0を4B-20Bパラメータから紹介する。私たちは、データ強化とフォーマッティングパイプライン、SecKnowledge 2.0で構築された、豊富なチェーンのサイバーセキュリティインストラクションデータセットを生成します。多様なサイバーセキュリティベンチマークを通じて、CyberPal 2.0はベースラインを一貫して上回り、さまざまなオープンソースおよびクローズドソースフロンティアモデルを上回っている。
論文参考訳（メタデータ） (2025-10-15T21:34:58Z)
OS-Harm: A Benchmark for Measuring Safety of Computer Use Agents [60.78202583483591]
コンピュータ使用エージェントの安全性を計測する新しいベンチマークであるOS-Harmを紹介する。 OS-HarmはOSWorld環境上に構築されており、故意のユーザ誤用、インジェクション攻撃、モデル誤動作の3つのカテゴリでモデルをテストすることを目指している。我々は、フロンティアモデルに基づいてコンピュータ利用エージェントを評価し、その安全性に関する洞察を提供する。
論文参考訳（メタデータ） (2025-06-17T17:59:31Z)
Publishing Efficient On-device Models Increases Adversarial Vulnerability [58.6975494957865]
本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
論文参考訳（メタデータ） (2022-12-28T05:05:58Z)

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。