論文の概要: Your Token Is Gone: A Token-Consumption Countermeasure for Disrupting LLM-Based Scam Systems

• arxiv url: http://arxiv.org/abs/2610.30666v1
• Date: Thu, 22 Oct 2026 03:31:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.200495
• Title: Your Token Is Gone: A Token-Consumption Countermeasure for Disrupting LLM-Based Scam Systems
• Title（参考訳）: LLMをベースとしたカメラシステムにおけるToken-Consumption(トーケン消費対策)
• Abstract要約: TokenTrapは、認証情報、支払い、その他の悪用可能な情報を保持しながら、疑わしい詐欺システムを良質で低価値にリダイレクトするリソース指向の防衛システムである。 50ラウンドのトレースで、トークン消費を2487.0times$、1616.0times$、および567.8times$で増幅する。
• 参考スコア（独自算出の注目度）: 1.098405954480779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based scam systems increasingly combine adaptive dialogue, persistent context, external tools, and multi-agent coordination to automate personalized fraud. These capabilities also create a resource dependency: every reasoning step, model call, and coordination round incurs inference cost. We present TokenTrap, a resource-oriented defense that redirects suspected scam systems toward benign, low-value computation while withholding credentials, payments, and other exploitable information. TokenTrap combines three components: an architecture-specific token-task library, a router that selects among single-agent, hierarchical, and flat multi-agent workflows, and a bounded anti-guardrail strategy that varies task presentation while enforcing token, round, time, and safety limits. Across 50-round traces, TokenTrap amplifies token consumption by $2{,}487.0\times$, $1{,}616.0\times$, and $567.8\times$ relative to a no-token-task baseline for the three workflows. Its router achieves 85.67% accuracy on 300 architecture-labeled prompts. These results demonstrate that short, non-sensitive requests can impose substantial context-processing and coordination costs, motivating resource-aware defense as a complement to scam detection.
• Abstract（参考訳）: LLMベースの詐欺システムは、パーソナライズされた詐欺を自動化するために、適応的対話、永続的コンテキスト、外部ツール、マルチエージェント調整を次第に組み合わせている。 これらの機能は、すべての推論ステップ、モデル呼び出し、調整ラウンドの推論コストといったリソース依存性も生成します。 TokenTrapは、疑わしい詐欺システムを、認証情報、支払い情報、その他の悪用可能な情報を保持しながら、良質で低価値な計算にリダイレクトするリソース指向のディフェンスである。 TokenTrapには、アーキテクチャ固有のトークンタスクライブラリ、単一エージェント、階層的、フラットなマルチエージェントワークフローを選択するルータ、トークン、ラウンド、タイム、安全性の制限を課しながらタスクの表示を変える境界付きアンチガードレール戦略の3つのコンポーネントが組み合わされている。 50ラウンドのトレースで、TokenTrapはトークン消費を$2{,}487.0\times$, $1{,}616.0\times$, and 5,67.8\times$で増幅する。 ルータは300のアーキテクチャラベルのプロンプトに対して85.67%の精度を実現している。 これらの結果から,ショートかつ非センシティブな要求は,コンテキスト処理とコーディネーションにかなりのコストを要し,詐欺検出の補完として資源認識防御を動機付けることが示唆された。

関連論文リスト

• TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents [55.689621132509394]
  TokenEconomizerは環境固有のトークンコストをタスク列で削減するコントローラである。 Claude Code、Codex、GitHub Copilot CLIとフロンティアモデルを組み合わせることで、TokenEconomizerは平均トークンコストを18.4～30.9%削減し、タスクの成功に匹敵する。
  論文  参考訳（メタデータ） (2026-10-15T23:06:57Z)
• Total Cost of Agency: Exact Attribution of Memory Injection Cost in Multi-Agent LLM Workflows [0.8770825039504507]
  マルチエージェントワークフローのコストをプロンプト、推論、メモリインジェクション、ミスペナルティ、コンテキスト蓄積コンポーネントに分解する。 ワードカウントプロキシからトークンを推定するのではなく、直接トークンを注入する。
  論文  参考訳（メタデータ） (2026-09-20T18:23:47Z)
• Ordered Action Tokens for Visuomotor Policy Learning [47.37773778249323]
  アクショントークン化は、連続したロボットアクションチャンクを離散トークンにマッピングする。 本稿では,高圧縮,全復調性,順序付きトークン空間を満足する,学習されたアクショントークン化ツールであるOrdered Action Tokenization(OAT)を紹介する。 OATは一貫して強力なポリシー性能を提供し、推論時に大幅な柔軟性を提供します。
  論文  参考訳（メタデータ） (2026-07-23T07:04:51Z)
• GoAT-X: A Graph of Auditing Thoughts for Securing Token Transactions in Cross-Chain Contracts [52.51342355102833]
  マルチチェーンエコシステムの重要な基盤であるクロスチェーンブリッジは、攻撃者にとって主要なターゲットとなっている。 バイトコードレベルの静的解析のような既存の防御は、チェーン間の相互作用のセマンティックな複雑さを扱うには不十分である。 パターンマッチングから体系的な第一原理検証へ自動的なクロスチェーンスマートコントラクト監査を移行するフレームワークであるGoAT-Xを提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:34:21Z)
• AGNT2: Autonomous Agent Economies on Interaction-Optimized Layer 2 Infrastructure [2.173754130697989]
  AGNT2はエージェントとマイクロサービスの協調のために構築された3層スタックである。 AGNT2はエージェントとマイクロサービスの協調のために構築された3層スタックである。
  論文  参考訳（メタデータ） (2026-04-22T22:33:59Z)
• AVDA: Autonomous Vibe Detection Authoring for Cybersecurity [0.1633272850273525]
  AVDAは、モデルコンテキストプロトコル(MCP)を活用して、組織コンテキストをAI支援コード生成に統合することで検出を自動化するフレームワークである。 我々は,多種多様な生産検出コーパスと最先端LCMの3つのオーサリング戦略 – Baseline, Sequential, Agentic – を評価した。 その結果,エージェント品質の87%をトークンコストの40倍以下で達成できた。
  論文  参考訳（メタデータ） (2026-03-26T21:52:33Z)
• RiskTagger: An LLM-based Agent for Automatic Annotation of Web3 Crypto Money Laundering Behaviors [65.80108147440863]
  RiskTaggerは、Web3における暗号洗浄行動の自動アノテーションのための、大言語モデルベースのエージェントである。 RiskTaggerは、複雑な構造化されていないレポートからヒントを抽出し、マルチチェーントランザクションパスを推論し、監査者フレンドリな説明を生成する、という3つの重要な課題に対処することによって、人間のアノテータを置き換えたり、補完するように設計されている。
  論文  参考訳（メタデータ） (2025-10-12T08:54:28Z)
• RCR-Router: Efficient Role-Aware Context Routing for Multi-Agent LLM Systems with Structured Memory [57.449129198822476]
  RCRは、マルチエージェント大言語モデル(LLM)システムのためのロールアウェアコンテキストルーティングフレームワークである。 役割とタスクステージに基づいて、各エージェントに対して意味的に関連するメモリサブセットを動的に選択する。 軽量スコアリングポリシは、メモリ選択をガイドし、エージェント出力を共有メモリストアに統合する。
  論文  参考訳（メタデータ） (2025-08-06T21:59:34Z)
• R-Stitch: Dynamic Trajectory Stitching for Efficient Reasoning [80.104336426172]
  CoT(Chain-of- Thought)は、大規模言語モデルの問題解決能力を高める。 CoTは長い自己回帰軌道のためにかなりの推論コストを発生させる。 トレーニング不要なハイブリッドデコーディングフレームワークであるR-Stitchを紹介する。
  論文  参考訳（メタデータ） (2025-07-23T08:14:36Z)

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。