論文の概要: Repairing Broken Access Control in Web Applications with LLMs: An Empirical Benchmark Study

• arxiv url: http://arxiv.org/abs/2610.34290v1
• Date: Sun, 25 Oct 2026 13:45:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.573868
• Title: Repairing Broken Access Control in Web Applications with LLMs: An Empirical Benchmark Study
• Title（参考訳）: LLMを用いたWebアプリケーションにおけるBroken Access Controlの修復:実証ベンチマークによる検討
• Abstract要約: Broken Access Control (BAC) は、最も深刻なWebアプリケーション脆弱性クラスに分類されるが、その修復は明らかにされていない。 大きな言語モデル(LLM)はこの問題に対して有望な道を開くが、BACの脆弱性の修復方法を研究するための標準ベンチマークは存在しない。 BAC-BenchはBAC修復のための最初のベンチマークであり、6つの広く使われているWebアプリケーションから引き出された46の現実世界のBAC脆弱性で構成されている。
• 参考スコア（独自算出の注目度）: 25.16361544100336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Broken access control (BAC) ranks among the most severe web-application vulnerability classes, yet its automated repair remains largely unexplored. Unlike memory-safety vulnerabilities, BAC is a logic vulnerability whose repair demands a deep understanding of an application's access-control model and business semantics, which traditional automated vulnerability repair techniques handle poorly. Large language models (LLMs) open a promising avenue for this problem, but no standard benchmark exists for studying how well they repair BAC vulnerabilities. We construct BAC-Bench, the first benchmark for BAC repair, consisting of 46 real-world BAC vulnerabilities drawn from six widely used web applications spanning four programming languages. Each vulnerability is equipped with a sandboxed runtime environment, a PoC validation program and a functional test program. We further propose a BAC repair-strategy framework that characterizes any BAC patch along four dimensions, Position, Coverage, Mechanism, and Content. Evaluating eight base LLMs and two commercial LLM agents on BAC-Bench, we find that single-turn base LLMs repair 37.68% of the vulnerabilities on average, while two minimal scaffolds, Apply-Feedback and Navigate-and-Locate, raise this average to 66.03%, with the best base LLM reaching 75.36%, close to the 78.99% of the best agent. Notably, some LLM-generated patches surpass the official patches, and one incidentally closed a zero-day vulnerability that had lain dormant for three years. Our findings delineate the current capability boundary of LLM-based BAC repair and offer guidance toward its practical adoption.
• Abstract（参考訳）: Broken Access Control (BAC) は、最も深刻なWebアプリケーション脆弱性クラスに分類されるが、その自動修復はほとんど未解決のままである。 BACは、メモリ安全性の脆弱性とは異なり、アプリケーションのアクセス制御モデルとビジネスセマンティクスの深い理解を必要とするロジック脆弱性である。 大きな言語モデル(LLM)はこの問題に対して有望な道を開くが、BACの脆弱性の修復方法を研究するための標準ベンチマークは存在しない。 BAC-BenchはBAC修復のための最初のベンチマークであり、4つのプログラミング言語にまたがる6つの広く使われているWebアプリケーションから引き出された46の現実世界のBAC脆弱性からなる。 各脆弱性には、サンドボックス化されたランタイム環境、PoCバリデーションプログラム、機能テストプログラムが備わっている。 さらに, 位置, 被覆, 機構, 内容の4次元に沿ってBACパッチを特徴付けるBAC修復戦略フレームワークを提案する。 8基のLLMと2基の市販のLLMエージェントをBAC-Bench上で評価したところ、シングルターンのLLMが平均37.68%の脆弱性を修復し、Apply-FeedbackとNavigate-and-Locateの2つの最小の足場が平均66.03%まで上昇し、最高のLLMは75.36%に達し、78.99%に近かった。 注目すべきは、LSMが生成したいくつかのパッチが公式パッチを越え、3年間休眠状態にあったゼロデイ脆弱性を偶然にクローズしたことだ。 本研究は, LLMをベースとしたBAC修復の現在の機能境界を概説し, 実用化に向けてのガイダンスを提供する。

関連論文リスト

• An Executable Benchmark for LLM-Based HLS Repair:Design Complexity and Repair Underconstraint [0.8450904497835263]
  大規模言語モデル(LLM)を用いた高レベル合成(HLS)設計の自動修復の総合的評価について述べる。 我々は,APRスタイルのHLS修復ベンチマークを,スイート固有の機能オラクルを用いて構築する。 修復率は、複雑な暗号カーネルの6-45%から、コンパクトなアルゴリズムカーネルの81-93%まで様々である。
  論文  参考訳（メタデータ） (2026-10-02T19:28:05Z)
• 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)
• RAVEN: Agentic RAG for Automated Vulnerability Repair [48.8954115363348]
  自動脆弱性修復のためのスケーラブルで効率的で自律的なフレームワークであるRAVENを提案する。 RAVENは、エージェント検索拡張生成(RAG)パイプラインと、制御された反復的な修復を統一されたフレームワークに統合する。 RAVENは全体の修復成功率83.13%を達成し、既存のすべての修復フレームワークを上回っている。
  論文  参考訳（メタデータ） (2026-06-21T19:18:06Z)
• 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)
• Internal Safety Collapse in Frontier Large Language Models [65.00730294617382]
  この研究は、フロンティア大言語モデル(LLM)における重要な障害モードを特定する。 特定のタスク条件下では、モデルは有害なコンテンツを連続的に生成し、そうでなければ良質なタスクを実行する状態に入る。 有害なコンテンツを生成することが唯一有効な完了であるドメインタスクを通じてISCをトリガーするフレームワークであるTVDを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T12:55:34Z)
• Unforgotten Safety: Preserving Safety Alignment of Large Language Models with Continual Learning [79.45860948246742]
  我々は、大きな言語モデルを新しいタスクに適応させることで生じる安全性の低下について研究する。 ユーザがデータをサービスプロバイダにアップロードして,ユーザの選択したタスクを排他的に最適化したモデルを取得する,詳細なチューニング・アズ・ア・サービス設定について検討する。 文献からいくつかのCLアプローチを適用し,安全性の低下を緩和する能力を体系的に評価する。
  論文  参考訳（メタデータ） (2025-12-10T23:16:47Z)
• OmniSafeBench-MM: A Unified Benchmark and Toolbox for Multimodal Jailbreak Attack-Defense Evaluation [94.61617176929384]
  OmniSafeBench-MMはマルチモーダル・ジェイルブレイク攻撃防御評価のための総合ツールボックスである。 13の代表的な攻撃方法と15の防衛戦略、9つの主要なリスクドメインと50のきめ細かいカテゴリにまたがる多様なデータセットを統合している。 データ、方法論、評価をオープンソースで再現可能なプラットフォームに統合することで、OmniSafeBench-MMは将来の研究のための標準化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-12-06T22:56:29Z)
• SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
  SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。 提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。 我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
  論文  参考訳（メタデータ） (2025-03-11T17:53:02Z)
• LLM4CVE: Enabling Iterative Automated Vulnerability Repair with Large Language Models [9.946058168276744]
  大規模言語モデル(LLM)は、多くのソフトウェア欠陥が自動的にパッチを当てられる可能性を開放した。 実世界のコードで脆弱な関数を高い精度で堅牢に修正する反復パイプラインを提案する。 また,Llama 370Bでは,人間の検証による品質スコアが8.51/10,Llama 370Bでは20%に向上した。
  論文  参考訳（メタデータ） (2025-01-07T00:21:42Z)
• There are More Fish in the Sea: Automated Vulnerability Repair via Binary Templates [4.907610470063863]
  本稿では,Javaバイナリに対するテンプレートベースの自動脆弱性修復手法を提案する。 Vul4Jデータセットの実験では、TemVURが11の脆弱性の修正に成功した。 TemVURの一般化性を評価するため、MaryVuls4Jデータセットをキュレートする。
  論文  参考訳（メタデータ） (2024-11-27T06:59:45Z)
• APPATCH: Automated Adaptive Prompting Large Language Models for Real-World Software Vulnerability Patching [24.958856670970366]
  本稿では,事前学習言語モデル(LLM)のパワーとメリットを活用し,脆弱性の自動パッチングを実現する。 脆弱なコードの振る舞いを効果的に推論するために,LLMを応用するために,脆弱性セマンティックス推論と適応的プロンプトを導入する。 97のゼロデイ脆弱性と20の既存脆弱性に対するAPの評価は、既存の手法と最先端の非LLM技術の両方に優れた性能を示している。
  論文  参考訳（メタデータ） (2024-08-24T14:51:50Z)

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。