論文の概要: ACE: An AI-Orchestrated Intrusion Detection and Compliance Mapping Engine
- arxiv url: http://arxiv.org/abs/2610.22702v1
- Date: Thu, 15 Oct 2026 22:08:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.68702
- Title: ACE: An AI-Orchestrated Intrusion Detection and Compliance Mapping Engine
- Title（参考訳）: ACE: AIによる侵入検知とコンプライアンスマッピングエンジン
- Abstract要約: 本研究では、侵入検知、規制制御マッピング、自動対策展開をリンクするAIオーケストレーションフレームワークを提案する。
8つのシミュレートされた攻撃シナリオと3つの合法的な交通試験を用いて、この枠組みを2つの仮想機械実験室で評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study proposes the Automated Compliance Engine (ACE), an AI-orchestrated framework that links intrusion detection, regulatory control mapping, and automated countermeasure deployment for security operations environments. ACE integrates Suricata IDS, a LangGraph five-stage workflow, retrieval-augmented generation, NIST SP 800-53 Rev. 5 control retrieval, large language model-based control ranking, and SSH-based Suricata rule deployment. The framework was evaluated in a two-virtual-machine laboratory using eight simulated attack scenarios and three legitimate traffic tests. ACE processed all eight attack alerts, achieved 100% alert detection, 0% false positives across legitimate traffic tests, generated deployable AUTO rules for 37.5% of alerts, verified 100% deployment of generated rules, and achieved an average NIST control-mapping confidence score of 0.87. The DeepEval assessment produced 1.0 scores for answer relevancy and faithfulness, while the hallucination score reflected known LLM-as-judge calibration limitations. The evaluation was conducted in a controlled environment with a limited attack set. Further validation is required using enterprise-scale telemetry, multiple IDS sensors, and an analyst-in-the-loop review. The results demonstrate how AI-assisted security automation can reduce analyst effort in translating IDS alerts into compliance-relevant evidence and defensive actions. ACE contributes an integrated detection-to-compliance-to-response workflow combining IDS telemetry, RAG-based control mapping, and automated rule deployment.
- Abstract（参考訳）: 本研究では、侵入検知、規制制御マッピング、セキュリティ運用環境の自動対策展開をリンクするAIオーケストレーションフレームワークであるAutomated Compliance Engine(ACE)を提案する。
ACEはSuricata IDS、LangGraphの5段階ワークフロー、検索拡張生成、NIST SP 800-53 Rev.5コントロール検索、大規模言語モデルベースのコントロールランキング、SSHベースのSuricataルールデプロイメントを統合している。
8つのシミュレートされた攻撃シナリオと3つの合法的な交通試験を用いて、この枠組みを2つの仮想機械実験室で評価した。
ACEは8つのアタックアラートを全て処理し、100%のアタック検出、100%のアタック検出、0%の偽陽性、37.5%のアタックに対するデプロイ可能なAUTOルールの生成、生成されたルールの100%のデプロイの検証、平均的なNISTコントロールマッピング信頼性スコアの0.87を達成した。
DeepEvalアセスメントは回答の妥当性と忠実度を1.0点、幻覚スコアは既知のLCM-as-judgeキャリブレーションの限界を反映した。
評価は限定的な攻撃セットで制御された環境で行った。
さらなる検証には、エンタープライズ規模のテレメトリ、複数のIDSセンサー、ループ内アナリストによるレビューが必要である。
その結果、AIによるセキュリティ自動化が、IDSアラートをコンプライアンス関連証拠や防衛行動に変換する際のアナリストの努力を減らせることを示す。
ACEは、IDSテレメトリ、RAGベースの制御マッピング、自動ルール展開を組み合わせた、統合されたインテリジェンス・トゥ・コンプライアンス・トゥ・レスポンスワークフローに貢献している。
関連論文リスト
- AutoSec-RAN: Specification-Grounded LLM Fine-Tuning for Automated Security Analysis of O-RAN [2.560738504535991]
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。
論文 参考訳（メタデータ） (2026-10-11T23:54:13Z) - TraceDance: An Automated System for Building Agent Behavior Benchmarks from Real-World Agent Deployment Traces [49.561879967469714]
TraceDanceは、ユーザが指定した望ましくない振る舞いのデプロイメントトレースからターゲットベンチマークを構築するエージェントシステムである。
効率的な構築のために、Anchor-and-Confirmはプログラム可能な検索と、Flash大言語モデルによる候補レベルの確認を組み合わせる。
コーディングと一般的なツールの実験では、252,557のセッションで描画され、ビルドターゲット要求の95.3%を満たす4,125のインスタンスで107のベンチマークを生成する。
論文 参考訳（メタデータ） (2026-09-27T06:58:39Z) - CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity [22.68559728326395]
CyberLLMは、脆弱性を自律的に検出し、正式なランタイム安全ガードの下で修正を実行するフレームワークである。
決定エージェントは発見を集約し、人間中心のアセット分類でタグ付けし、タイレッド応答を選択する。
対称攻撃パイプラインはエクスプロイトを生成し再生し、両方のサイドを同じシナリオで実行することができる。
論文 参考訳（メタデータ） (2026-08-06T23:39:13Z) - An AI Security Agent for University ACMIS: Multi-Vector Threat Detection and Automated Response [0.0]
本稿ではACMISのためのAIベースのセキュリティエージェントを提案する。
エージェントは認証、認可、金融取引、ユーザの振る舞い、システムの健全性の5つの運用層を監視する。
147,922セッションのACMISイベントログデータセットのシミュレーション実験は、平均0.966の脅威検出マクロF1を示す。
論文 参考訳（メタデータ） (2026-06-06T17:33:31Z) - GenTI: Benchmarking LLMs for Autonomous IDPS Rule Generation for Unseen Attacks [1.7816843507516946]
Generative Thread Intelligence (GenTI) は、見えない攻撃をターゲットとしたIDPSルールの自動生成のためのベンチマークである。
GTIは、Snort、Suricata、Emerging Threats、50k YARAから150k以上の検出および防止ルールを集約し、それぞれにプロトコル動作、ペイロードシグネチャ、コンテキスト関係、CTI(Cyber Threat Intelligence)へのマッピングを注釈付けしている。
我々のGenTIインスタンス化は、複合ルール品質スコア89.4%、CTIカバレッジ94.8%、未確認攻撃検出45%から87.4%の改善、偽陽性率8.5%の削減を実現している。
論文 参考訳（メタデータ） (2026-06-04T08:19:52Z) - LanG -- A Governance-Aware Agentic AI Platform for Unified Security Operations [2.1142550386295853]
本稿では,LLM支援ネットワークガバナンス(LanG)について述べる。
プラットフォームはマルチテナントアイソレーション、ロールベースのアクセス、完全にローカルなデプロイメントをサポートする。
精密な異常検出と脅威検出は、侵入検出ベンチマークでそれぞれ99.0%と91.0%の重み付きF1スコアを達成する。
論文 参考訳（メタデータ） (2026-04-07T05:22:25Z) - 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) - VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。
セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。
平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
論文 参考訳（メタデータ） (2025-09-15T02:25:38Z) - OpenAgentSafety: A Comprehensive Framework for Evaluating Real-World AI Agent Safety [58.201189860217724]
OpenAgentSafetyは,8つの危機リスクカテゴリにまたがるエージェントの動作を評価する包括的なフレームワークである。
従来の作業とは異なり、我々のフレームワークは、Webブラウザ、コード実行環境、ファイルシステム、bashシェル、メッセージングプラットフォームなど、実際のツールと対話するエージェントを評価します。
ルールベースの分析とLSM-as-judgeアセスメントを組み合わせることで、過度な行動と微妙な不安全行動の両方を検出する。
論文 参考訳（メタデータ） (2025-07-08T16:18:54Z) - CANTXSec: A Deterministic Intrusion Detection and Prevention System for CAN Bus Monitoring ECU Activations [53.036288487863786]
物理ECUアクティベーションに基づく最初の決定論的侵入検知・防止システムであるCANTXSecを提案する。
CANバスの古典的な攻撃を検知・防止し、文献では調査されていない高度な攻撃を検知する。
物理テストベッド上での解法の有効性を実証し,攻撃の両クラスにおいて100%検出精度を達成し,100%のFIAを防止した。
論文 参考訳（メタデータ） (2025-05-14T13:37:07Z) - Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。
InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
論文 参考訳（メタデータ） (2025-05-08T13:04:45Z)
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。