論文の概要: Set an Exploit to Catch an Exploit: Compiling Public Proofs of Concept into Threat Hunting Rules

• arxiv url: http://arxiv.org/abs/2610.37872v1
• Date: Tue, 27 Oct 2026 19:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:21:46.737603
• Title: Set an Exploit to Catch an Exploit: Compiling Public Proofs of Concept into Threat Hunting Rules
• Title（参考訳）: 公開の証明を危険追尾ルールにコンパイルするエクスプロイトの設定
• Abstract要約: 提案するEncoreは,Pythonの公開概念証明をCVE固有の狩猟ルールにコンパイルする。 ライブラリ呼び出しからそれが引き起こす操作へのマップでギャップを埋めます。 45のうち12のルールでは、Encoreのルールはエクスプロイト自身のペイロードフラグメントまたはホスト操作を記述している。
• 参考スコア（独自算出の注目度）: 41.603154909606936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public exploit code for a newly disclosed vulnerability usually appears before any published rule that detects its exploitation. Of the 45 CVEs we evaluate, 37 ever received a Sigma, Elastic or Splunk rule; in 33 the exploit came first, by a median of 22 days. Analysts still write every rule by hand. We present Encore, which compiles a public Python proof-of-concept exploit (PoC) into CVE-specific hunting rules over a web service's existing logs, without running it. Encore rests on the PoC Behavior Alignment Principle: a PoC performs the exploit, so its code already provides a rule's HTTP requests, payloads and host operations. That is hard to act on: a PoC is written against libraries and runs on the attacker's machine, while the target's web-server, proxy and host logs record only what arrived and what it did. Encore closes the gap with a map from library calls to the operations they cause, built once per library, keeping only the operations visible on the target. For 12 of the 45, Encore's rule states the exploit's own payload fragment or host operation, which is evidence of the exploit itself, and not of traffic to its endpoint. On matched controls it separates that exploit from the same request with a harmless value, and it raises no alerts across 27,081 legitimate and crawl requests. We never compile the exploit that produced the logs. Most are Splunk's public attack data, recorded by a third party. Without reading a single log, Encore's rules find 43 of the 45. Splunk's log-tested rules cover 30 of the 45, and Encore finds 28 of those, plus all 10 CVEs without an ESCU rule. Where Splunk's rules alert on 20 wrong CVE pairs, Encore's alert on only 2. Hunting can start as soon as a PoC is public, and rules can raise an alert when it provides a payload or host operation.
• Abstract（参考訳）: 新たに公開された脆弱性に対する公開エクスプロイトコードは、通常、そのエクスプロイトを検出する公開ルールの前に現れる。 評価した45個のCVEのうち37個はSigma、Elastic、Splunkのルールを受け取りました。 アナリストは依然としてあらゆるルールを手書きする。 提案するEncoreは,公開Pythonの概念実証(PoC)を,Webサービスの既存のログ上のCVE固有の狩猟ルールにコンパイルする。 PoCはエクスプロイトを実行するので、コードはすでにルールのHTTPリクエスト、ペイロード、ホスト操作を提供しています。 PoCはライブラリに対して書かれてアタッカーのマシンで実行されるのに対して、ターゲットのWebサーバ、プロキシ、ホストログは、到着したものと何をしたかのみを記録する。 Encoreはライブラリコールからライブラリ毎に1度構築された操作へのマップとのギャップを埋め、ターゲットに表示される操作のみを保持する。 45のうち12では、Encoreのルールではエクスプロイトのペイロードフラグメントやホスト操作が記述されており、これはエクスプロイト自体の証拠であり、エンドポイントへのトラフィックではない。 マッチしたコントロールでは、同じリクエストからのエクスプロイトを無害な値で分離する。 ログを生成するエクスプロイトをコンパイルすることはありません。 ほとんどが第三者が記録したSplunkの公開攻撃データである。 1つのログを読まなければ、Encoreのルールは45のうち43である。 Splunkのログテストされたルールは45のうち30をカバーし、Encoreは28のルールとESCUルールのない10のCVEを検索する。 Splunkのルールは、20の間違ったCVEペアに対して警告するが、Encoreの警告は2.5%に過ぎなかった。 PoCが公開されると、ハンティングはすぐに開始でき、ペイロードやホスト操作を提供すると、ルールが警告を発生させることができる。

関連論文リスト

• A Deterministic Security Runtime for LLM Agents on MPI and Batch-Scheduled HPC Systems: Consensus-Governed, Hardware-Rooted Supervision of Every Rank [0.0]
  大規模言語モデルエージェントは、高性能コンピューティングシステム上でシミュレーションを起動する。 誰もランニングジョブを監督せず、コントロールホストが妥協されたとしても、誰も保持しない。 この作業により、並列HPCとエージェントswarmの分散ランタイムになる。
  論文  参考訳（メタデータ） (2026-10-23T21:43:20Z)
• Tracekit: Tamper-Evident Intent-Reasoning-Action Auditing for Autonomous Coding Agents [0.0]
  Tracekitは、各エージェントセッションの3つのチャンネルをキャプチャする。人間の質問(インテント)、推論のモデルが何を言ったか(自己報告)、実際に実行されたか(アクション)。 Claude Codeのライフサイクルイベントにフックし、マルチエージェント階層の再構築、事前実行ポリシによるゲートツールコール、SDKまたはHTTP API経由で他のエージェントからのイベントの受け入れ、ブラウザ内の台帳を再検証するライブオブザーバのレンダリングを行う。
  論文  参考訳（メタデータ） (2026-09-28T17:22:04Z)
• Reward Hacking Challenges Oversight of Autonomous Research Agents [104.38175629103235]
  自律的な研究エージェントは実験を設計し、結果を評価し、レポートを書き、科学的結果とそれを支持する証拠の両方を制御できる。 これは、意図した目標を達成することなく、報酬基準を満たす、報酬ハックのリスクを生み出す。 そこで本研究では,ハッキングが許可された場合,その方法がいかに効果的かつ検出可能か,LCMレビューパネルが意思決定と理由を返却した場合にどのように適応するか,などについて検討する。
  論文  参考訳（メタデータ） (2026-09-23T17:54:01Z)
• Evaluating Coding Agents on Kernel Exploit Generation [6.300827546155721]
  KEX-benchは,実オペレーティングシステムカーネルに対するプリミティブ生成を利用したコーディングエージェントの評価ベンチマークである。 KEX-benchには、40のLinuxおよびWindows CVEにまたがる45のタスクインスタンスが含まれており、カーネルアドレスのリーク、命令-ポインタ制御、ヒープ読み込み、ヒープ書き込み、任意のアドレス書き込みをカバーしている。 我々は,固定ツールコール予算の下で,フロンティアモデルとオープンウェイトモデルを組み合わせた最先端のコーディングエージェントの評価を行った。
  論文  参考訳（メタデータ） (2026-09-22T02:35:27Z)
• MobileCybench: Evaluating Agent Vulnerability Discovery via Executable Probes [79.56668124357292]
  本稿では,プローブを用いた脆弱性レポート評価フレームワークを提案する。 報告されたエクスプロイトは、アプリケーションに対してそれを再生し、プローブを実行することで評価される。 プローブが既知の脆弱性ではなくセキュリティプロパティをエンコードしているため、プローブがいつ書かれたか分からない脆弱性を検出することができる。
  論文  参考訳（メタデータ） (2026-09-21T01:21:06Z)
• SIR: Self-improving Red-teaming for Compute Use Agents [71.71987044117371]
  コンピュータ・ユース・エージェント(CUA、Computer use agent)は、マウス、キーボード、端末を通じて画面を認識し、実際のオペレーティングシステムに作用する視覚言語モデルである。 操作中に信頼できないコンテンツに晒されるため、間接的プロンプトインジェクション(IPI)に弱い。 SIRは,平易な言語で記述された再利用原則の小さなライブラリからステルスインジェクションを構成するブラックボックスIPIアタックである。
  論文  参考訳（メタデータ） (2026-08-31T03:39:43Z)
• Local LLM Agents as Vulnerable Runtimes:A Source-Code Audit of the Agent Runtime Layer [19.371045551006304]
  OpenClawやNanobotといったローカルLLMエージェントはエンドユーザマシン上で動作し、ホストリソースで動作します。 CLAWAUDITは、ローカルエージェントランタイムにおける脆弱性の暴露を測定するための静的監査フレームワークである。 事前のライブコード監査では、これらのリコール指向のルールは手作業によるトリアージを必要とし、本番デプロイメント前にセマンティックフィルタリングを動機付けている。
  論文  参考訳（メタデータ） (2026-06-19T03:40:00Z)
• From Prompt Injection to Persistent Control: Defending Agentic Harness Against Trojan Backdoors [89.92617739143846]
  ローカルエージェントハーネスにおけるマルチステップトロイの木馬攻撃を識別するベンチマークであるClawTrojanを紹介する。 そこで我々は,DASGuardを提案する。DASGuardは,コントロールライクなテキストをセンシティブなローカルファイルでスキャンし,その起源を辿り,信頼されたソースから派生しないコントロールコンテンツを除去する。 この結果から, DASGuardは, 実行時の攻撃ブロックと作業空間への衛生的コミットを組み合わせることで, 強力な動的防御を実現することがわかった。
  論文  参考訳（メタデータ） (2026-05-29T09:19:07Z)
• BountyBench: Dollar Impact of AI Agent Attackers and Defenders on Real-World Cybersecurity Systems [62.17474934536671]
  我々は、現実世界のシステムを進化させる際に、攻撃的かつ防御的なサイバー能力を捕獲する最初の枠組みを紹介する。 脆弱性ライフサイクルを捉えるために、3つのタスクタイプを定義します。検出(新たな脆弱性の検出)、エクスプロイト(特定の脆弱性の探索)、パッチ(特定の脆弱性のパッチ)。 Claude Code,OpenAI Codex CLI with o3-high and o4-mini,カスタムエージェント with o3-high, GPT-4.1, Gemini 2.5 Pro Preview, Claude 3.7 Sonnet Thinking, DeepSeek-R1。
  論文  参考訳（メタデータ） (2025-05-21T07:44:52Z)

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。