論文の概要: Decoding What iOS Location Services Send to Apple: An LLM Is an Unreliable Analyst but a Useful Toolmaker

• arxiv url: http://arxiv.org/abs/2610.21597v1
• Date: Thu, 15 Oct 2026 09:43:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.309153
• Title: Decoding What iOS Location Services Send to Apple: An LLM Is an Unreliable Analyst but a Useful Toolmaker
• Title（参考訳）: iOSの位置情報サービスがAppleに送ったものをデコードする:LDMは信頼性の低いアナリストだが便利なツールメーカー
• Abstract要約: われわれはiPhoneがAppleの位置情報サービスに送信するプロトバフメッセージを再構築する。 われわれは、Appleバイナリからprotobufスキーマを確実に復元するPythonツール、Extractorを書いている。 既知の回答を持つスキーマからコンパイルされたバイナリに対して検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reverse engineering the data formats used by mobile software is skilled and slow, and using AI to assist with it is attractive. We evaluate this for the protobuf messages that an iPhone sends to Apple's location services. Working from Apple's binaries, we use two frontier models (Claude Opus 4.8, Codex GPT Sol 5.6) to reconstruct the schemas of protobufs observed in network traffic. The great majority of the schemas contain substantial errors, and these are hard to detect because the schemas are internally consistent. Direct AI use is therefore unsuitable for forensic and privacy analysis. AI can, however, write reliable analysis tools when their output can be validated. We use Claude to write a Python tool, Extractor, that reliably recovers protobuf schemas from Apple binaries. We validate it against binaries compiled from schemas with known answers, previously published schemas, and network measurements. We demonstrate the use of Extractor to decode and analyse the location services network traffic of a jailbroken iPhone 8 (iOS 16.7.11).
• Abstract（参考訳）: リバースエンジニアリング モバイルソフトウェアで使用されるデータフォーマットは熟練していて遅く、AIを使ってそれを支援するのは魅力的です。 私たちは、iPhoneがAppleの位置情報サービスに送信するプロトバフメッセージについて、これを評価します。 Appleのバイナリから、ネットワークトラフィックで観測されたプロトバフのスキーマを再構築するために、2つのフロンティアモデル(Claude Opus 4.8、Codex GPT Sol 5.6)を使用します。 スキーマの大部分は重大なエラーを含んでおり、スキーマは内部的に一貫性があるため、検出は困難である。 したがって、直接AIの使用は法医学とプライバシー分析には適さない。 しかし、AIは、アウトプットが検証可能であれば、信頼できる分析ツールを書くことができる。 我々はClaudeを使用して、Appleバイナリからprotobufスキーマを確実に復元するPythonツールであるExtractorを記述しています。 我々は、既知の回答を持つスキーマからコンパイルされたバイナリ、以前に公開されたスキーマ、ネットワーク計測に対して検証する。 ジェイルブレイクしたiPhone 8(iOS 16.7.11)の位置情報ネットワークトラフィックのデコードと解析にExtractorを使うことを実証する。

関連論文リスト

• PairCoder++: Pair Programming as a Universal Paradigm for Verified Code-Driven Multimodal and Structured-Artifact Generation [51.92442051257354]
  PairCoderは、実行のみではなく、完全な公式メトリックスイート上で、アーティファクトが検証可能なすべてのベンチマークを本質的に改善する。 TikZのコンパイルレートは、各モデルで10から30ポイント、シングルモデルの2.9から9.2倍である。
  論文  参考訳（メタデータ） (2026-07-02T08:36:02Z)
• Rise From The Ashes: LLM-based Static Analysis for Deep Learning Framework Bugs [29.26041624588595]
  ディープラーニング(DL)フレームワークは、重大なセキュリティ上の影響でバグを隠蔽する重要なAIインフラストラクチャである。 静的分析は、実行せずにバグを検出でき、高速でスケーラブルなテストを提供するため、自然な補完である。 Phoenix は LLM をベースとした DL フレームワークの静的解析技術である。
  論文  参考訳（メタデータ） (2026-07-01T07:44:25Z)
• Is Agentic AI Ready for Real-World Hardware Engineering? A Deep Dive with Phoenix-bench [33.69401287706814]
  我々は、ソフトウェアエンジニアリングを現実的なハードウェアエンジニアリングに移行するために構築されたエージェントAIシステムについて尋ねる。 textbfPhoenix-benchは、114のGitHubリポジトリから511の検証済みのVerilatorインスタンスの同期コーパスです。 Phoenix-benchを用いて、4つの商用エージェントと8つのオープンソースエージェント構造を均一に評価する。
  論文  参考訳（メタデータ） (2026-05-13T14:14:54Z)
• ARIstoteles -- Dissecting Apple's Baseband Interface [8.84250777643946]
  私たちは、iOSのApple Remote Invocation (ARI)インターフェースをリバースエンジニアリングし、ファズテストします。 我々のGhidraスクリプトは、クローズドソースのiOSライブラリを解析することで、ARIstotelesと呼ばれるWiresharkディスセクタを自動的に生成します。 ARIstotelesをオープンソースにすることで、私たちは将来同様の研究を促進することを目指しています。
  論文  参考訳（メタデータ） (2026-04-25T22:11:50Z)
• VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents [42.56489784841984]
  実装の変更が生成され、エージェントが提案する差分として適用される。 アーキテクチャを説明し、システムの生成と検証に使用するワークフローを要約し、アーティファクトを評価する。
  論文  参考訳（メタデータ） (2026-01-21T19:29:00Z)
• Exposing Hidden Interfaces: LLM-Guided Type Inference for Reverse Engineering macOS Private Frameworks [7.370020034607549]
  MOTIFは、ツール拡張分析とObjective-C型推論に特化した大きな言語モデルを統合するエージェントフレームワークである。 バイナリを解析可能なインターフェースに変換することで、MOTIFはランタイム内部の体系的な監査のためのスケーラブルな基盤を確立する。
  論文  参考訳（メタデータ） (2026-01-04T21:44:55Z)
• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• Weak-to-Strong Jailbreaking on Large Language Models [92.52448762164926]
  大規模言語モデル(LLM)は、ジェイルブレイク攻撃に対して脆弱である。 既存のジェイルブレイク法は計算コストがかかる。 我々は、弱々しく強固な脱獄攻撃を提案する。
  論文  参考訳（メタデータ） (2024-01-30T18:48:37Z)
• D2A: A Dataset Built for AI-Based Vulnerability Detection Methods Using Differential Analysis [55.15995704119158]
  静的解析ツールによって報告されたラベル問題に対する差分解析に基づくアプローチであるD2Aを提案する。 D2Aを使用して大きなラベル付きデータセットを生成し、脆弱性識別のためのモデルをトレーニングします。
  論文  参考訳（メタデータ） (2021-02-16T07:46:53Z)
• Mind the GAP: Security & Privacy Risks of Contact Tracing Apps [75.7995398006171]
  GoogleとAppleは共同で,Bluetooth Low Energyを使用した分散型コントラクトトレースアプリを実装するための公開通知APIを提供している。 実世界のシナリオでは、GAP設計は(i)プロファイリングに脆弱で、(ii)偽の連絡先を生成できるリレーベースのワームホール攻撃に弱いことを実証する。
  論文  参考訳（メタデータ） (2020-06-10T16:05:05Z)

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。