論文の概要: HydraPoT: A Configurable Multi-Agent Framework for Cost-Aware LLM-Assisted Honeypots

• arxiv url: http://arxiv.org/abs/2610.27722v1
• Date: Tue, 20 Oct 2026 06:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.676134
• Title: HydraPoT: A Configurable Multi-Agent Framework for Cost-Aware LLM-Assisted Honeypots
• Title（参考訳）: HydraPoT: コスト対応型LCM支援ハニーポットのための構成可能なマルチエージェントフレームワーク
• Abstract要約: 大規模言語モデル(LLM)は、動的でコンテキスト対応の応答を生成することで、ハニーポットリアリズムを改善することができる。 しかし、強力なクラウドモデルには相当なコストとレイテンシが伴います。 我々は,従来のエミュレーション,軽量LLM,強力なクラウドLLMを統合したマルチエージェントハニーポットフレームワークであるHydraPoTを紹介する。
• 参考スコア（独自算出の注目度）: 3.552368449344917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) can improve honeypot realism by generating dynamic, context-aware responses, but powerful cloud models incur substantial cost and latency, while lightweight models may provide weaker deception. This forces practitioners to choose between operational efficiency and interaction fidelity. In this work, we present HydraPoT, a configurable multi-agent honeypot framework that integrates traditional emulation, lightweight LLMs, and powerful cloud LLMs. HydraPoT routes each attacker command to an appropriate agent according to a configurable complexity-based policy, while maintaining shared session state to preserve consistency across agent transitions. We evaluate HydraPoT through an architectural-overhead analysis, a cross-agent context-preservation benchmark, and a three-agent case study. HydraPoT introduces less than 5% runtime overhead, preserves context across heterogeneous agents, and achieves fidelity close to a cloud-LLM-only honeypot. Under our case-study policy, it reduces cloud-processed tokens by 72.6% and operational cost by 3.7x. These results demonstrate that configurable multi-agent routing can make realistic LLM-assisted honeypots more practical under limited operational budgets.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、動的でコンテキスト対応の応答を生成することで、ハニーポットリアリズムを改善することができるが、強力なクラウドモデルは相当なコストとレイテンシをもたらす。 これにより、実践者は運用効率と相互作用の忠実度を選択せざるを得ない。 本稿では,従来のエミュレーション,軽量LLM,強力なクラウドLLMを統合した,構成可能なマルチエージェントハニーポットフレームワークであるHydraPoTを紹介する。 HydraPoTは、設定可能な複雑性ベースのポリシーに従って、各アタッカーコマンドを適切なエージェントにルーティングすると同時に、エージェント遷移間の一貫性を維持するために共有セッション状態を維持する。 我々は,HydraPoTをアーキテクチャオーバヘッド分析,クロスエージェントコンテキスト保存ベンチマーク,および3エージェントケーススタディにより評価した。 HydraPoTは、5%未満のランタイムオーバーヘッドを導入し、異種エージェント間のコンテキストを保持し、クラウドLLMのみのハニーポットに近い忠実性を実現する。 当社のケーススタディポリシでは、クラウド処理トークンを72.6%削減し、運用コストを3.7倍に削減しています。 これらの結果は, 構成可能なマルチエージェントルーティングにより, 限られた運用予算下で現実的なLCM支援ミツバチをより実用的にできることを示した。

関連論文リスト

• Engineering Sustainable Agents: A Systematic Comparison of Agentic LLMs for Developer Workflows [4.7488486196706985]
  大規模言語モデル(LLM)は、複数のエージェントを協調するエージェントシステムを含むソフトウェア工学において、ますます使われている。 本稿では,5つのソフトウェアエンジニアリングタスクを対象としたエージェントLLMシステムの総合的な実証的研究について述べる。
  論文  参考訳（メタデータ） (2026-10-02T08:41:46Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• $α^3$-Bench: A Unified Benchmark of Safety, Robustness, and Efficiency for LLM-Based UAV Agents over 6G Networks [3.099103925863002]
  3ドルベンチは無人航空機の自律性を評価するためのベンチマークである。 各ミッションは、LLMベースのUAVエージェントと人間のオペレータ間の言語経由の制御ループとして定式化される。 UAVBenchシナリオに基づく113kの会話型UAVエピソードの大規模コーパスを構築した。 本稿では,タスクアウトカム,安全ポリシ,ツール一貫性,インタラクション品質,ネットワークロバストネス,通信コストの6つの柱を統合した3ドルの複合指標を提案する。
  論文  参考訳（メタデータ） (2026-01-01T12:07:06Z)
• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• Difficulty-Aware Agentic Orchestration for Query-Specific Multi-Agent Workflows [5.376980683850103]
  本稿では,予測困難により誘導されるクエリ固有多エージェントを生成するDifficulty-Aware Agentic Orchestration (DAAO)を提案する。 DAAOは、精度と推論効率の両方において、従来のマルチエージェントシステムを上回る。
  論文  参考訳（メタデータ） (2025-09-14T03:57:43Z)
• SLIM: Let LLM Learn More and Forget Less with Soft LoRA and Identity Mixture [7.543093479330315]
  下流タスクのためのモデル全体のトレーニングは費用がかかるため、破滅的な忘れ忘れをしがちです。 我々は,Soft LoRA と Identity Mixture (SLIM) をベースとした,新たな専門家(MoE) フレームワークを提案する。 SLIMはLoRAアダプタとスキップ接続間の動的ルーティングを可能にし、忘れの抑制を可能にする。
  論文  参考訳（メタデータ） (2024-10-10T09:16:05Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)

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。