論文の概要: AgentLoupe: Kernel-Resident Semantic Causal Labels for AI Agent Observability

• arxiv url: http://arxiv.org/abs/2610.23233v2
• Date: Mon, 19 Oct 2026 01:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.328884
• Title: AgentLoupe: Kernel-Resident Semantic Causal Labels for AI Agent Observability
• Title（参考訳）: AgentLoupe: AIエージェント可観測性のためのカーネル常駐セマンティック因果ラベル
• Abstract要約: AgentLoupeはアプリケーション透過型のeBPFベースの可観測性ツールである。 本稿では,アプリケーション透過型eBPFベースの可観測性ツールであるAgentLoupeを紹介する。
• 参考スコア（独自算出の注目度）: 14.471558061788464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI agents translate user intents into system actions via tool invocations. Accurately attributing these actions to their originating LLM interactions is essential for security auditing, yet existing methods, such as AgentSight, fail for delayed execution and cross-process-lineage behaviors. We present AgentLoupe, an application-transparent eBPF-based observability tool. The core insight of AgentLoupe is to embed causal identity into kernel resources. AgentLoupe employs eBPF to capture TLS plaintext to interpret LLM interactions, and assigns each a kernel-resident semantic label. It maintains labels in eBPF maps, then propagates this label across processes and threads, associates it with kernel resources such as files and sockets. When a persistent resource carries context to an independent process outside the original lineage, this design preserves the delayed causal association. Experiments show that the average observation overhead of AgentLoupe is below 8%, and case studies confirm AgentLoupe traces cross-lineage persistent attacks back to their originating LLM interactions.
• Abstract（参考訳）: AIエージェントは、ユーザの意図をツール呼び出しを通じてシステムアクションに変換する。 しかし、AgentSightのような既存のメソッドは、遅延実行やプロセス横断動作に失敗する。 本稿では,アプリケーション透過型eBPFベースの可観測性ツールであるAgentLoupeを紹介する。 AgentLoupeの中核となる洞察は、カーネルリソースに因果的アイデンティティを埋め込むことである。 AgentLoupeは、TLSプレーンテキストをキャプチャしてLLMインタラクションを解釈するためにeBPFを使用し、それぞれにカーネル常駐セマンティックラベルを割り当てる。 ラベルをeBPFマップに保持し、プロセスやスレッド間でラベルを伝播し、ファイルやソケットなどのカーネルリソースと関連付ける。 永続的なリソースが元の系統外の独立したプロセスにコンテキストを運ぶ場合、この設計は遅延因果関係を保存する。 実験の結果、AgentLoupeの平均観測オーバーヘッドは8%未満であり、ケーススタディではAgentLoupeが起源のLLM相互作用に遡るクロスライン攻撃を追跡できた。

関連論文リスト

• Agent-Warden: eBPF-Based Kernel-Native Process-File Provenance Tracking for LLM Agents [12.041078432998376]
  Agent-Wardenはプロセス生成、ファイルアクセス、プロセス終了をまたいだタスクと通常のファイル状態を追跡するためのプロファイランスモニタである。 プロトタイプは、評価された設定のオーバーヘッドを測定したカーネルレベルの可視性を提供します。
  論文  参考訳（メタデータ） (2026-09-29T06:48:01Z)
• Symbolic Temporal Supervision of LLM Agents Using Contracts [1.7188280334580195]
  本稿では,大規模言語モデル(LLM)エージェントのシンボリック時間監視のための契約ベースのフレームワークであるContrAgentを紹介する。 ContrAgentは、エージェントの振舞いを一連のツールコールとして捉え、それを固定されたチェック可能な述語セット上のトレースとしてフォーマル化する。 その後、有限トレース上の線形時間論理における仮定保証契約(sum-guarantee contract)を用いて必要な振る舞いを特定する。
  論文  参考訳（メタデータ） (2026-09-16T05:05:35Z)
• Securing LLM Agents Need Intent-to-Execution Integrity [49.490963596514185]
  我々は, LLMエージェントの確保には, エージェントの実行がユーザの意図を忠実に反映した場合に規定するエンドツーエンドの正当性を定義する必要があると主張している。 LLMエージェントはコンパイラと構造的に類似しており、セキュリティ違反はユーザ意図を保存しない誤った実行に対応する。 emphTool整合性、emph命令整合性、emphJudgment整合性、emphData整合性。
  論文  参考訳（メタデータ） (2026-05-16T12:53:31Z)
• Ghost in the Agent: Redefining Information Flow Tracking for LLM Agents [9.294569080311442]
  本稿では,自律型大規模言語モデル(LLM)エージェントに適した,初の総合的なテナント追跡フレームワークであるNeuroTaintを紹介する。 我々の重要な洞察は、LLMエージェントにおけるテント伝播は、明示的なコンテンツ転送だけでなく、意味変換、決定への因果的影響、メモリを介した断続的永続性として理解されなければならないということである。 NeuroTaintは実行トレースをオフラインにして、信頼できないソースからセマンティックエビデンス、因果推論、永続的なコンテキストトラッキングを使用して特権的なシンクまで、実績を再構築する。
  論文  参考訳（メタデータ） (2026-04-25T16:39:16Z)
• AgentSys: Secure and Dynamic LLM Agents Through Explicit Hierarchical Memory Management [47.49917373646469]
  既存の防御は肥大した記憶を与えられたまま扱い、回復力を維持することに集中する。 我々は、明示的なメモリ管理を通じて間接的なインジェクションを防御するフレームワークであるAgentSysを紹介する。
  論文  参考訳（メタデータ） (2026-02-07T06:28:51Z)
• The Bitter Lesson of Diffusion Language Models for Agentic Workflows: A Comprehensive Reality Check [54.08619694620588]
  本稿では,2つの異なるエージェントパラダイムであるEmbodied AgentsとTool-Calling AgentsにまたがるdLLMの包括的評価を行う。 Agentboard と BFCL では,現在の dLLM が信頼できるエージェントバックボーンとして機能しないという,"ビットレッスン" が報告されている。
  論文  参考訳（メタデータ） (2026-01-19T11:45:39Z)
• AgentSight: System-Level Observability for AI Agents Using eBPF [10.37440633887049]
  既存のツールは、エージェントの高レベルな意図(LSMプロンプトを介して)または低レベルな行動(例えば、システムコール)を観察するが、これら2つのビューを関連付けることはできない。 AgentOpsはハイブリッドアプローチを使用して,このセマンティックギャップをブリッジする,AgentOpsオブザーバビリティフレームワークです。 AgentSightはTLS暗号化されたLLMトラフィックをインターセプトしてセマンティックインテントを抽出し、カーネルイベントを監視してシステム全体の効果を観察し、これら2つのストリームをプロセス境界を越えて因果的に関連付ける。
  論文  参考訳（メタデータ） (2025-08-02T01:43:39Z)
• GuardAgent: Safeguard LLM Agents by a Guard Agent via Knowledge-Enabled Reasoning [79.07152553060601]
  安全ガード要求を満たすか否かを動的に確認し,目標エージェントを保護する最初のガードレールエージェントであるガードアジェントを提案する。 特にGuardAgentは、まず安全ガードの要求を分析してタスクプランを生成し、それからその計画をガードレールコードにマップして実行します。 GuardAgentは、それぞれ98%と83%のガードレール精度を持つ2つのベンチマークにおいて、異なる種類のエージェントに対する違反行為を効果的に抑制することを示した。
  論文  参考訳（メタデータ） (2024-06-13T14:49:26Z)
• Watch Out for Your Agents! Investigating Backdoor Threats to LLM-Based Agents [47.219047422240145]
  我々は、LSMベースのエージェントに対して、典型的な安全脅威であるバックドアアタックの1つを調査する第一歩を踏み出した。 具体的には、ユーザ入力とモデル出力のみを操作できる従来のLDMに対するバックドア攻撃と比較して、エージェントバックドア攻撃はより多様で隠蔽的な形式を示す。
  論文  参考訳（メタデータ） (2024-02-17T06:48:45Z)

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。