論文の概要: AgenticVulHunter: Bringing Local Agentic Vulnerability Hunting to Your Terminal
- arxiv url: http://arxiv.org/abs/2610.27383v1
- Date: Mon, 19 Oct 2026 23:16:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.543025
- Title: AgenticVulHunter: Bringing Local Agentic Vulnerability Hunting to Your Terminal
- Title（参考訳）: AgenticVulHunter: ローカルエージェント脆弱性ハンティングを端末に導入
- Abstract要約: AgenticVulHunterはエージェントによるセキュアなコードレビューアプローチとツールで、ローカルにデプロイされたオープンウェイトなLLMで実行できる。
我々は,Qwen3-Coder-30B と DeepSeek V3.1 Terminus を用いて,SCRBench の144件の脆弱性事例に対する AgenticVulHunter の評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Finding vulnerabilities early, before they can affect the production system, is important for reducing the risk of any software attacks. However, detecting vulnerabilities during secure code review is still difficult because the vulnerable code logic may depend on lines found across different repository files. Recent approaches such as AgenticSCR have shown that LLM agents can explore repository files and use security knowledge to improve secure code review. However, these approaches mainly rely on external commercial LLMs and can provide a large amount of security knowledge to the agent at once. This creates an important question of whether agentic secure code review can also be performed effectively using locally deployed open-weight LLMs with more focused and relevant security knowledge. In this paper, we propose AgenticVulHunter, an agentic secure code review approach and tool that can run with a locally deployed open-weight LLM. We evaluate AgenticVulHunter on 144 vulnerability cases from SCRBench using Qwen3-Coder-30B and DeepSeek V3.1 Terminus. We measure what percentage of generated review comments correctly identify the vulnerable location, match the vulnerability type, and provide a relevant security review comment together. AgenticVulHunter achieves an accuracy of 18.4% with Qwen3- Coder-30B and 23.8% with DeepSeek V3.1 Terminus, compared with 11.8% for our AgenticSCR-style reproduction using Qwen3-Coder-30B and 17.5% for AgenticSCR using Claude Sonnet 4.
- Abstract（参考訳）: 脆弱性の早期発見は、運用システムに影響を与える前に、ソフトウェアアタックのリスクを低減するために重要です。
しかしながら、セキュアなコードレビュー中の脆弱性の検出は、脆弱性のあるコードロジックがさまざまなリポジトリファイルにまたがる行に依存する可能性があるため、依然として難しい。
AgenticSCRのような最近のアプローチでは、LLMエージェントはリポジトリファイルを探索し、セキュリティ知識を使用してセキュアなコードレビューを改善することができる。
しかし、これらのアプローチは主に外部の商用LLMに依存しており、エージェントに大量のセキュリティ知識を同時に提供することができる。
このことは、エージェントによるセキュアなコードレビューが、より集中的で関連するセキュリティ知識を持った、ローカルにデプロイされたオープンウェイトなLLMを使用して効果的に実行できるかどうかという重要な疑問を生み出します。
本稿では,AgenticVulHunterを提案する。AgenticVulHunterは,ローカルにデプロイされたオープンウェイトLLMで動作可能なエージェント型セキュアコードレビュー手法とツールである。
我々は,Qwen3-Coder-30B と DeepSeek V3.1 Terminus を用いて,SCRBench の144件の脆弱性事例に対する AgenticVulHunter の評価を行った。
生成されたレビューコメントの比率を測定し、脆弱性のある場所を正しく識別し、脆弱性タイプにマッチし、関連するセキュリティレビューコメントを一緒に提供します。
AgenticVulHunterは、Qwen3-Coder-30Bで18.4%、DeepSeek V3.1 Terminusで23.8%の精度を達成している。
関連論文リスト
- SEEK: Agentic Knowledge Graph Retrieval for Secure Code Generation [52.549964800555124]
大きな言語モデル(LLM)は、悪用可能なセキュリティ脆弱性を導入しながら、機能的に正しいコードを生成することができる。
本稿では,セキュリティ知識グラフを構成するセキュアコード生成のためのエージェントグラフRAGフレームワークであるSEEKを提案する。
我々は、C、C++、PythonにまたがるCodeGuard+とCyberSecEvalの配布外設定でSEEKを評価した。
論文 参考訳（メタデータ） (2026-10-10T14:37:22Z) - MobileCybench: Evaluating Agent Vulnerability Discovery via Executable Probes [79.56668124357292]
本稿では,プローブを用いた脆弱性レポート評価フレームワークを提案する。
報告されたエクスプロイトは、アプリケーションに対してそれを再生し、プローブを実行することで評価される。
プローブが既知の脆弱性ではなくセキュリティプロパティをエンコードしているため、プローブがいつ書かれたか分からない脆弱性を検出することができる。
論文 参考訳（メタデータ） (2026-09-21T01:21:06Z) - Vulnerability Localization Benchmark: Measuring Agentic Security Analysis at Repository Scale [54.83971397981572]
言語モデルエージェントは、ソフトウェアリポジトリ全体を通してますます運用される。
サイバーセキュリティ評価は、関連するコードを見つけることよりも、脆弱性を検出、再生、または修復できるかどうかを測定する。
脆弱性のローカライゼーションについて検討する。弱点クラスと不慣れなリポジトリが与えられた場合、その弱点に関連する実装ファイルを特定する。
論文 参考訳（メタデータ） (2026-09-14T17:44:51Z) - VulnGym: Benchmarking Coding Agents for Repository-Level Vulnerability Detection [21.17887601940535]
VulnGymは、コーディングエージェントによる脆弱性検出を評価するためのリポジトリレベルのベンチマークである。
その中には、23リポジトリにまたがる184のアドバイザリと408の脆弱性エントリが含まれており、各エントリには、ラインレベルのエントリポイント、クリティカルオペレーション、脆弱性トレースが注釈付けされている。
VulnGymは、この微粒な基底真理を用いて、コードローカライゼーションとエビデンス構築の限界を共同で評価する、エンドツーエンド検出タスクと3つのオラクルベースのサブタスクを定義している。
論文 参考訳（メタデータ） (2026-08-03T10:03:29Z) - Code-Augur: Agentic Vulnerability Detection via Specification Inference [8.217845898392293]
自律的なLLMエージェントによる監査が、ソフトウェアの重大な脆弱性を明らかにしている。
本稿では,エージェントの暗黙的な仮定をセキュリティ仕様として明示的に公開する,セキュリティ仕様優先のパラダイムを提案する。
エージェント脆弱性検出のための新しいハーネスであるCode-Augurにおける我々のアプローチを実現する。
論文 参考訳（メタデータ） (2026-06-17T02:32:45Z) - SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。
しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。
我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
論文 参考訳（メタデータ） (2026-04-04T04:29:11Z) - AgenticSCR: An Autonomous Agentic Secure Code Review for Immature Vulnerabilities Detection [8.909533914802669]
我々は、エージェントAIであるAgenticSCRを導入し、コミット前の段階で未熟な脆弱性を検出する。
我々は,未熟な脆弱性の局所化,検出,説明を行うAgenicSCRの精度を実証的に評価した。
論文 参考訳（メタデータ） (2026-01-27T03:10:12Z) - 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) - SecureAgentBench: Benchmarking Secure Code Generation under Realistic Vulnerability Scenarios [17.276786247873613]
SecureAgentBenchは、セキュアなコード生成において、コードエージェントの機能を厳格に評価するために設計された105のコーディングタスクのベンチマークである。
その結果、(i)現在のエージェントがセキュアなコードを生成するのに苦労していることが示され、最高のパフォーマンスのエージェントであるDeepSeek-V3.1がサポートしているSWE-agentも15.2%の正安のソリューションしか達成していない。
論文 参考訳（メタデータ） (2025-09-26T09:18:57Z) - 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)
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。