論文の概要: NameTrap: Steering AI Coding Agents Toward Security Vulnerabilities via Variable Names

• arxiv url: http://arxiv.org/abs/2610.34253v1
• Date: Sun, 25 Oct 2026 12:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.567509
• Title: NameTrap: Steering AI Coding Agents Toward Security Vulnerabilities via Variable Names
• Title（参考訳）: NameTrap: 可変名によるセキュリティ脆弱性に対するAIコーディングエージェントのステアリング
• Abstract要約: NameTrapは、サードパーティのPythonファイル内の識別子のみをリネームするソースコード中毒攻撃である。 我々は、AIコーディングエージェント6つ、基礎となる言語モデル10つ、脆弱性カテゴリ4つでNameTrapを評価した。
• 参考スコア（独自算出の注目度）: 10.046649697824508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI coding agents routinely clone repositories, install packages, and read source code obtained from the Web, so publicly hosted code becomes part of the context that shapes the code they write. We show that this Web-borne context can be weaponized without any explicit instruction. We present NameTrap, a source-code poisoning attack that only renames identifiers in third-party Python files to steer AI coding agents toward attacker-targeted Common Weakness Enumeration (CWE) vulnerabilities. An attacker-side coding agent iteratively aligns identifiers with a CWE-specific naming convention and confirms through local probe completions that the renamed file elicits the target weakness, while the released bait contains neither instructions nor vulnerable statements. We evaluate NameTrap across six AI coding agents, ten underlying language models, and four vulnerability categories: CWE-78, CWE-79, CWE-327, and CWE-502. Starting from files whose clean versions never yield the targeted CWE, identifier-level manipulation achieves overall attack success rates of 22.5\% to 56.0\% across the six agents, reaching 75.0\% for certain agent--model configurations, and substantially outperforms random renaming, neutral renaming, and the prior identifier-poisoning attack XOXO. The attack remains effective under Traditional Chinese prompts and transfers across models, while a security-reminder defense fails to consistently prevent vulnerability introduction. Moreover, three AI-based security analyzers and four static analyzers report none of the targeted weaknesses in the poisoned files. These findings expose an overlooked attack surface of agents that consume Web content: seemingly harmless variable names in untrusted, Web-hosted code can compromise the security of downstream software.
• Abstract（参考訳）: AIコーディングエージェントは、Webから取得したリポジトリを日常的にクローンし、パッケージをインストールし、ソースコードを読み取る。 我々は,この Web を前提としたコンテキストを,明示的な指示なしに武器化可能であることを示す。 我々は、攻撃対象のCommon Weakness Enumeration(CWE)脆弱性に対してAIコーディングエージェントを操るために、サードパーティのPythonファイルの識別子のみをリネームするソースコード中毒攻撃であるNameTrapを紹介する。 攻撃側コーディングエージェントは、識別子をCWE固有の命名規則と反復的に整列し、ローカルプローブの完了によって、改名されたファイルがターゲットの弱点を誘発し、解放された餌には命令も脆弱な文も含まれないことを確認した。 我々は、AIコーディングエージェント6つ、基礎言語モデル10つ、脆弱性カテゴリ4つ、CWE-78、CWE-79、CWE-327、CWE-502を評価する。 クリーンバージョンがターゲットのCWEを決して生成しないファイルから始めると、識別子レベルの操作は6つのエージェントに対して22.5\%から56.0\%の攻撃成功率を実現し、特定のエージェントモデル構成に対して75.0\%に達し、ランダムなリネーム、中立的なリネーム、および以前の識別子中毒攻撃のXOXOよりも大幅に向上する。 従来の中国のプロンプトとモデル間の転送では、この攻撃は有効であり、セキュリティ・リマインダーの防御は、常に脆弱性の導入を防げない。 さらに、3つのAIベースのセキュリティアナライザと4つの静的アナライザは、有毒ファイルのターゲットとなる弱点を報告していない。 これらの発見は、Webコンテンツを消費するエージェントの見過ごされた攻撃面を露呈している。信頼できない、Webホストされたコードで、一見無害な変数名によって、下流ソフトウェアのセキュリティを損なう可能性がある。

関連論文リスト

• On Understanding, Identifying, and Mitigating Vulnerabilities in Agentic Large Language Models [2.8528615301556997]
  大規模言語モデル(LLM)は、ステートレスな会話インターフェースから自律的なエージェントへとシフトしてきた。 妥協された推論ステップは、不正なデータアクセス、不可逆的な状態変更、障害のカスケードを引き起こす可能性がある。 本研究では,PRISMA 2020ガイドラインに基づく体系的な文献レビューを行った。
  論文  参考訳（メタデータ） (2026-08-11T06:11:26Z)
• IssueTrojanBench: Benchmarking AI Coding Agents Against Malicious Issue Requests [6.180456551480933]
  本稿では、最先端AI符号化エージェントに対する悪意ある問題要求の体系的評価について述べる。 我々の結果は、非デプロイの現代のコーディングエージェントの重大な脆弱性を明らかにします。 我々の発見は、AIコーディングエージェントを保護するために、より強力なエージェントとモデルレベルの安全メカニズムが緊急に必要であることを示している。
  論文  参考訳（メタデータ） (2026-07-22T22:20:02Z)
• Understanding and Evaluating Claw-like Agent Security Through a Computer-Systems Lens [65.53494487819053]
  クローのようなAIエージェント(OpenClawなど)は、認証情報、ファイル、ツール、外部サービスへの永続的なアクセスを伴う、常にオンのプロセスである。 我々はClawのようなエージェントをエージェントコンピュータシステムとして扱い、そのゲートウェイランタイムがOSのような仲介の役割を担っている。 我々は、4つの攻撃面にわたる406の敵タスクのベンチマークであるSafeClawArenaを開発した。
  論文  参考訳（メタデータ） (2026-06-29T18:00:45Z)
• PhantomSkill: Malicious Code Injection in Agent Skill Ecosystems [8.017582494003564]
  PhantomSkillは、悪意のある振る舞いをスキルの補助リソースに隠蔽する攻撃フレームワークである。 VulMaskは悪意のあるスクリプトを、攻撃者が制御するトリガー条件下でのみ悪意のある振る舞いが起動される脆弱性型の実装に書き換える。 我々の結果は、スキルエコシステムはリソースレベルの検証、実行時の封じ込め、およびエージェントスキルの悪用可能な脆弱性を潜在的に悪意のあるペイロードとして扱うセキュリティポリシーを必要としていることを示している。
  論文  参考訳（メタデータ） (2026-06-17T15:33:41Z)
• Malice in Agentland: Down the Rabbit Hole of Backdoors in the AI Supply Chain [82.98626829232899]
  自分自身のインタラクションからのデータに対する微調整のAIエージェントは、AIサプライチェーン内の重要なセキュリティ脆弱性を導入している。 敵は容易にデータ収集パイプラインに毒を盛り、検出しにくいバックドアを埋め込むことができる。
  論文  参考訳（メタデータ） (2025-10-03T12:47:21Z)
• RedCodeAgent: Automatic Red-teaming Agent against Diverse Code Agents [70.24175620901538]
  コードエージェントは、強力なコード生成機能とコードインタプリタとの統合により、広く採用されている。 現在の静的安全性ベンチマークとレッドチームツールは、出現する現実世界のリスクシナリオを特定するのに不十分である。 我々はRedCodeAgentを提案する。RedCodeAgentは、多様なコードエージェントの脆弱性を体系的に発見するように設計された、最初の自動リピートエージェントである。
  論文  参考訳（メタデータ） (2025-10-02T22:59:06Z)
• Cuckoo Attack: Stealthy and Persistent Attacks Against AI-IDE [64.47951172662745]
  Cuckoo Attackは、悪意のあるペイロードを構成ファイルに埋め込むことで、ステルス性と永続的なコマンド実行を実現する新しい攻撃である。 攻撃パラダイムを初期感染と持続性という2つの段階に分類する。 当社は、ベンダーが製品のセキュリティを評価するために、実行可能な7つのチェックポイントを提供しています。
  論文  参考訳（メタデータ） (2025-09-19T04:10:52Z)
• 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)
• Double Backdoored: Converting Code Large Language Model Backdoors to Traditional Malware via Adversarial Instruction Tuning Attacks [15.531860128240385]
  本研究では、バックドアをAI/MLドメインから従来のコンピュータマルウェアに移行するための新しいテクニックについて検討する。 命令チューニングされたコードLLMのサイバーセキュリティ脆弱性を評価するためのフレームワークであるMalInstructCoderを提案する。 我々は,3つの最先端の Code LLM を含むコード固有命令チューニングプロセスの活用性について,包括的調査を行う。
  論文  参考訳（メタデータ） (2024-04-29T10:14:58Z)

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。