論文の概要: Scan Before You Install: Detecting and Mitigating Local and Composite Vulnerabilities in Skills
- arxiv url: http://arxiv.org/abs/2610.37901v1
- Date: Tue, 27 Oct 2026 19:43:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:09.90944
- Title: Scan Before You Install: Detecting and Mitigating Local and Composite Vulnerabilities in Skills
- Title（参考訳）: インストール前のスキャン: スキルの局所的および複合的脆弱性の検出と緩和
- Abstract要約: 既存のスキャナは主に、公開リポジトリの意図しない脆弱性ではなく、悪意のあるスキルをターゲットにしている。
本研究では,コンテンツ抽出,局所解析,複合解析,検証,報告,緩和という6つのモジュールスキャナを開発した。
95.90%のリコールを4.22%の偽陽性率で達成し、MalSkillBenchの1000のスキルのバランスの取れたサンプルでは、F1は0.947であり、他のスキャナよりも優れていた。
- 参考スコア（独自算出の注目度）: 20.817336331051752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An agent skill packages natural-language instructions, scripts, and reference files that an LLM-based agent loads for a task. Skills may access the file system, shell, and network under user-authorized permissions; weaknesses can lead to unsafe execution. Existing scanners primarily target malicious skills, not unintended vulnerabilities in public repositories, and analyze skills in isolation, overlooking multi-skill interactions. To address these gaps, we developed a six-module scanner: Content Extraction, Local Analysis, Composite Analysis, Validation, Reporting, and Mitigation. Local Analysis detects unintended vulnerabilities in benign skills. On a 556-case leaderboard subset of SkillTrustBench, it achieved 95.90% recall with a 4.22% false positive rate; on a balanced sample of 1,000 MalSkillBench skills, its F1 was 0.947, outperforming Cisco's Skill Scanner, NVIDIA's SkillSpector, AgentSkillsScanner, and SkillSieve. In 1,587 skills from the 75 most-starred GitHub repositories, three analysts confirmed 53 of 59 findings (89.8% precision) across 23 repositories. We developed proof-of-concept (PoC) attacks for each vulnerability, disclosed 10 medium- and high-severity cases to maintainers, and tested mitigations on the remaining cases. Composite Analysis models dependencies among skills through shared resources, invocations, and instruction-mediated interactions. On SCR-Bench, its F1 score was 0.991 (98.7% precision, 99.6% recall), versus 0.816-0.858 for three SkillsGuard configurations released with CompoSkill. It identified two composite findings on GitHub, validated by PoC attacks. The Mitigation module recommends skill substitution, patches, and configuration changes. For 47 of 55 GitHub findings, mitigations prevented PoC attacks in all trials while preserving tested legitimate functionality.
- Abstract（参考訳）: エージェントスキルは、LLMベースのエージェントがタスクにロードする自然言語命令、スクリプト、参照ファイルをパッケージする。
スキルはファイルシステム、シェル、ネットワークにユーザー権限でアクセスでき、弱点は安全でない実行につながる可能性がある。
既存のスキャナは主に、公開リポジトリの意図しない脆弱性ではなく、悪意のあるスキルをターゲットにしており、複数のスキルの相互作用を見渡すために、独立したスキルを分析する。
これらのギャップに対処するため,コンテント抽出,局所解析,複合解析,検証,報告,緩和という6つのモジュールスキャナを開発した。
Local Analysisは、良識の意図しない脆弱性を検出する。
SkillTrustBenchの556ケースのリーダーボードサブセットでは、95.90%のリコールと4.22%の偽陽性率を達成した。MalSkillBenchスキル1,000のバランスの取れたサンプルでは、F1は0.947で、CiscoのSkill Scanner、NVIDIAのSkillSpector、AgentSkillsScanner、SkillSieveを上回った。
75のGitHubリポジトリから1,587のスキルで、3人のアナリストが、23リポジトリにわたる59の発見(89.8%の精度)のうち53つを確認した。
本研究は, 各脆弱性に対する概念実証(PoC)攻撃, 中・高重度症例10件をメンテナに開示し, 残りの症例に対する軽減策を検討した。
複合分析は、共有リソース、呼び出し、命令によるインタラクションを通じて、スキル間の依存関係をモデル化する。
SCR-Benchでは、F1スコアは0.991(精度98.7%、リコール99.6%)、CompoSkillでリリースされた3つのSkillsGuard構成では0.816-0.858であった。
GitHubで2つの複合的な発見を特定し、PoC攻撃によって検証した。
Mitigationモジュールは、スキル置換、パッチ、設定の変更を推奨する。
GitHubの55の発見のうち47では、修正により、テスト済みの正当な機能を保持しながら、すべてのトライアルにおけるPoC攻撃が防止された。
関連論文リスト
- Encrypted Skills Can Become New Security Exploits If AI Agents Know How to Decipher [52.39206752229672]
サードパーティのスキルは、LLMエージェントをエンコーディングによって隠された悪意のある命令に公開することができる。
本稿では,Ciphered Skill Injection (CSI)を紹介した。
8種類のモデルと139種類のインジェクション・タスク・ペアで,CaesarおよびLayered variantを評価した。
論文 参考訳（メタデータ） (2026-10-13T12:25:46Z) - SkillAtlas: An Attack Trace Library for Agent Skills [67.18648151130607]
我々は、プライベートエージェントスキルセキュリティレポートバンドルをレビュー、修正、検索可能なパブリックケースに変換する、ホストされた攻撃トレースライブラリであるSkillAtlasを紹介する。
図書館には3,014のケース、6,589のトレース、151,131のステップ、233の影響を受けたスキル、8のリスクカテゴリが含まれている。
論文 参考訳（メタデータ） (2026-09-11T16:44:39Z) - MaliciousSkillBench: A Comprehensive Benchmark for Malicious Agent Skill Detection [24.37473229751569]
MaliciousSkillBenchは、悪意のあるエージェントスキル検出のための包括的なベンチマークである。
我々は13の公開ソースを統合し、そのうち11つはCoreの悪意のあるアーティファクトに貢献し、8,414の生の悪意のあるレコードを7,539の正規化されたユニクティックIDに減らした。
そして、3つの学習されたテキスト検出器と3つの既製のスキルスキャナを評価した。
論文 参考訳（メタデータ） (2026-08-20T11:13:00Z) - Cloak and Detonate: Scanner Evasion and Dynamic Detection of Agent Skill Malware [15.064889350201511]
悪意のあるスキルは、認証情報を盗んだり、ソースコードを流出させたり、バックドアをインストールしたりできる。
既存の防御はパターンマッチングやLSM-as-judge分析を用いる。
サンドボックスでスキルを実行する行動中心の監査ツールであるSkillDetonateを提案する。
論文 参考訳（メタデータ） (2026-07-02T16:00:52Z) - ClawHub Security Signals: When VirusTotal, Static Analysis, and SkillSpector Disagree [0.4464102544889847]
ClawHub Security Signalsは67,453の最新のOpenClawスキルバージョンをサニタイズしたデータセットである。
各行はSKILL.mdコンテンツと、最後のClawScanレジストリの検証と3つのスキャナーファミリからのエビデンスを含む、サニタイズされたバンドルファイルとをペアリングする。
悪質なスキルの有病率を推定するよりも、スキャナの不一致を調査する。
これらの結果は、エージェントスキルのセキュリティは、単一スキャナの許容/ブロック決定ではなく、階層化されたガバナンスを必要とすることを示している。
論文 参考訳（メタデータ） (2026-05-31T23:20:25Z) - Under the Hood of SKILL.md: Semantic Supply-chain Attacks on AI Agent Skill Registry [49.83108591873481]
SKILL.md - エージェントスキルライフサイクルの3つのステージを対象とするアタックのみを調査する。
SKILL.mdは受動的ドキュメントではなく、サードパーティのエージェントが発見し、信頼し、使用する機能を形成する運用テキストであることを示す。
論文 参考訳（メタデータ） (2026-05-12T02:11:54Z) - SkillSieve: A Hierarchical Triage Framework for Detecting Malicious AI Agent Skills [0.0]
SkillSieveは3層検出フレームワークで、必要に応じてより深く分析する。
400スキルのラベル付きベンチマークでは、SkillSieveは0.800 F1を達成し、ClawVetの0.421を上回った。
論文 参考訳（メタデータ） (2026-04-08T00:58:48Z) - Credential Leakage in LLM Agent Skills: A Large-Scale Empirical Study [51.717224133855886]
サードパーティのスキルはLLMエージェントを強力な能力で拡張するが、特権のある環境では機密情報を扱うことが多い。
静的解析,サンドボックステスト,手動検査を用いて17,022のスキル(SkillsMPで170,226からサンプリング)を分析した。
我々は,1,708の課題で520の脆弱なスキルを識別し,10の漏洩パターン(事故4件,反対6件)の分類を導出する。
論文 参考訳（メタデータ） (2026-04-03T14:50:16Z) - Malicious Agent Skills in the Wild: A Large-Scale Security Empirical Study [47.60135753021306]
サードパーティのエージェントスキルは、LLMベースのエージェントを拡張して、命令ファイルとユーザのマシン上で動作する実行可能なコードを生成する。
結果として生じる脅威を特徴づけるために、地中真実のデータセットは存在しない。
我々は,98,380のスキルを行動検証することで,悪質なエージェントスキルのラベル付きデータセットを構築した。
論文 参考訳（メタデータ） (2026-02-06T09:52:27Z) - 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。