論文の概要: JANUS: Synthesizing Cross-Layer Defenses Against Web Deserialization Attacks
- arxiv url: http://arxiv.org/abs/2610.35532v2
- Date: Tue, 27 Oct 2026 07:25:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.361743
- Title: JANUS: Synthesizing Cross-Layer Defenses Against Web Deserialization Attacks
- Title（参考訳）: JANUS:Webデシリアライズ攻撃に対するクロスレイア・ディフェンスの合成
- Abstract要約: 自動層間防衛合成のための赤青逆転フレームワークであるJANUSを提案する。
Janusは、分離されたオフライン環境で、デプロイメント固有のポリシーを反復的に洗練する。
ベースラインが18.8-55.0%、13の16のデプロイメントが完全に緩和され、98.4%の良質な機能テストが6.9%のP95の遅延増加で維持されている。
- 参考スコア（独自算出の注目度）: 19.37464165372306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsafe deserialization turns untrusted data into attacker-controlled execution, and a single vulnerability can admit diverse exploit variants that evade defenses tailored to a known exploit. Existing defenses typically operate at a single enforcement point with limited visibility into the full attack. Combining controls across layers offers complementary protection, but coordinating them to preserve legitimate functionality and adapting them to new variants requires substantial expert effort. We propose JANUS, a red-blue adversarial framework for automated cross-layer defense synthesis. Starting from a known exploit, \sys iteratively refines deployment-specific policies in an isolated offline environment. A black-box attacker probes the current policy for exploit variants using only externally observable feedback. The defender summarizes each verified variant into its security-relevant effects, uses counterfactual replay to separate complementary coverage from redundant enforcement, and jointly selects and scopes controls across layers. Each candidate policy is validated against accumulated exploits and benign workflows. We evaluate JANUS on sixteen vulnerability deployments across six Java and PHP applications against gateway, application, system, and cross-layer defenses. JANUS reduces held-out attack success to 6.2%, compared with 18.8-55.0% for the baselines, fully mitigates 13 of 16 deployments, and preserves 98.4% of benign functionality tests at a 6.9% targeted P95 latency increase.
- Abstract（参考訳）: 安全でないデシリアライゼーションは、信頼できないデータをアタッカーがコントロールする実行に変えます。
既存の防御は、通常、全攻撃の可視性に制限のある単一の実行ポイントで運用される。
レイヤ間でコントロールを組み合わせることで、補完的な保護を提供するが、正当な機能を維持し、新しいバリエーションに適応させるために調整するには、相当な専門家の努力が必要だ。
自動層間防衛合成のための赤青逆転フレームワークであるJANUSを提案する。
既知のエクスプロイトから始めて、Shasysは、独立したオフライン環境でデプロイメント固有のポリシーを反復的に洗練する。
ブラックボックス攻撃者は、外部から観測可能なフィードバックのみを使用して、変種を悪用するための現在のポリシーを探索する。
ディフェンダーは、検証された各バリエーションをセキュリティ関連エフェクトに要約し、反ファクトリプレイを使用して、冗長な強制から補完的なカバレッジを分離し、レイヤをまたいだコントロールを共同で選択およびスコープする。
各候補ポリシーは、蓄積されたエクスプロイトと良心的なワークフローに対して検証される。
JANUSを6つのJavaおよびPHPアプリケーションにまたがる16の脆弱性デプロイに対して、ゲートウェイ、アプリケーション、システム、および層間防御に対して評価する。
JANUSは、ベースラインの18.8-55.0%に対してホールドアウト攻撃の成功を6.2%に減らし、16のデプロイメントのうち13を完全に軽減し、9.4%の良質な機能テストを6.9%のターゲットP95レイテンシで維持する。
関連論文リスト
- One Attack to Fool Them All: Highly Transferable Black-Box Adversarial Attacks on Frontier MLLMs [68.32863223021475]
敵対的攻撃は長い間、機械学習システムに根本的な脅威をもたらしてきた。
我々は高度に転送可能なブラックボックス攻撃フレームワークであるO-Attackを提案する。
O-AttackはGPT-5.4(29.1%から77.2%)、Claude-4.6(42.8%から81.6%)、Gemini-3.1(38.2%から80.9%)で攻撃成功率を上げる
論文 参考訳（メタデータ） (2026-09-27T18:33:38Z) - AlcaTRAz - Anchored Tree-Rule Defense Against Jailbreaks [0.08699280339422538]
大規模言語モデル(LLM)は、慎重に構築されたプロンプトを通じて安全アライメントをバイパスするジェイルブレイク攻撃に対して脆弱である。
本稿では,AlcaTRAzを提案する。AlcaTRAzは,入力テキストのみで動作するルールツリーに基づく,プロンプトレベルの防御手法である。
提案手法は,33のオープンウェイトモデル,22のジェイルブレイク攻撃タイプ,および短い単ターンベニグナーのベンチマークで評価した。
論文 参考訳（メタデータ） (2026-09-03T11:30:08Z) - Defending against Adaptive Prompt Injection Attacks via Reasoning-enabled Task Alignment [25.752599132396437]
間接的なプロンプトインジェクションは、エージェントがタスク実行中に検索するサードパーティデータに悪意のある命令を埋め込むことによって、LLMベースのエージェントをハイジャックする。
既存のディフェンスでは、静的なベンチマークでほぼゼロの攻撃成功率を報告しているが、最近のアダプティブ評価では、攻撃者がデプロイされたディフェンスに対して最適化を許せば、これらの結果は崩壊する。
本稿では,攻撃者が制御するデータではなく,ユーザタスクに対する防衛判断を基礎としたトレーニングベースのRETAを提案する。
論文 参考訳（メタデータ） (2026-06-13T19:15:44Z) - Decoupling Reentrancy Protection from Smart Contract Implementation Logic [0.0]
永続性攻撃は、分散アプリケーション(DApps)に対する永続的な脅威である
本稿では,Reentrancyの脆弱性を型に依存しない方法で軽減する,プロキシベースの新しいアプローチであるSentinelを紹介する。
主な機能は、ガス最適化内部ガードと高セキュリティ外部ロックレジストリの両方を提供するデュアルモードオペレーティングシステムである。
論文 参考訳（メタデータ） (2026-05-24T18:11:59Z) - The Cognitive Firewall:Securing Browser Based AI Agents Against Indirect Prompt Injection Via Hybrid Edge Cloud Defense [0.0]
Cognitive Firewallは3段階の分割計算アーキテクチャで、クライアントとクラウドにセキュリティチェックを分散する。
システムは、ローカルビジュアルセンチネル、クラウドベースのDeep Planner、実行時ポリシーを強制する決定論的ガードで構成される。
論文 参考訳（メタデータ） (2026-03-24T23:49:15Z) - AI Evasion and Impersonation Attacks on Facial Re-Identification with Activation Map Explanations [13.564481603680838]
本稿では,回避攻撃と偽装攻撃の両方が可能な敵パッチを生成するための新しい枠組みを提案する。
我々は,条件付きエンコーダ・デコーダネットワークを用いて,ソース画像とターゲット画像からのマルチスケール特徴を導出して,逆パッチを1つのフォワードパスで合成する。
我々のフレームワークはCelebA-HQで27%の成功率を獲得し、他のパッチベースの手法と競合する。
論文 参考訳（メタデータ） (2026-03-16T15:12:41Z) - TrapSuffix: Proactive Defense Against Adversarial Suffixes in Jailbreaking [52.72486831074384]
サフィックスベースのジェイルブレイク攻撃は、敵のサフィックス、すなわち短いトークンシーケンスを付加し、LLMを安全でない出力にステアリングする。
提案するTrapSuffixは,推論パイプラインを変更することなく,トラップアラインな動作をベースモデルに注入する,軽量な微調整手法である。
様々なサフィックスベースのジェイルブレイク設定で、TrapSuffixは平均攻撃成功率を0.01%以下に下げ、平均追跡成功率87.9%を達成する。
論文 参考訳（メタデータ） (2026-02-06T11:43:56Z) - ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。
ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
論文 参考訳（メタデータ） (2026-01-15T08:23:38Z) - AI Security Beyond Core Domains: Resume Screening as a Case Study of Adversarial Vulnerabilities in Specialized LLM Applications [71.27518152526686]
大きな言語モデル(LLM)はテキストの理解と生成に優れており、コードレビューやコンテンツモデレーションといった自動タスクに最適である。
LLMは履歴書やコードなどの入力データに隠された「逆命令」で操作でき、意図したタスクから逸脱する。
本稿では,特定の攻撃タイプに対して80%以上の攻撃成功率を示すとともに,この脆弱性を再開スクリーニングで評価するためのベンチマークを提案する。
論文 参考訳（メタデータ） (2025-12-23T08:42:09Z) - ELBA-Bench: An Efficient Learning Backdoor Attacks Benchmark for Large Language Models [55.93380086403591]
生成可能な大規模言語モデルは、バックドアアタックに対して脆弱である。
$textitELBA-Bench$は、パラメータを効率的に微調整することで攻撃者がバックドアを注入できるようにする。
$textitELBA-Bench$は1300以上の実験を提供する。
論文 参考訳（メタデータ） (2025-02-22T12:55:28Z) - A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。
本稿では,入力空間における自己教師型対向学習機構を提案する。
これは、反逆攻撃に対する強力な堅牢性を提供する。
論文 参考訳（メタデータ） (2020-06-08T20:42:39Z)
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。