論文の概要: InferD: A Honeypot Framework for AI Inference Infrastructure
- arxiv url: http://arxiv.org/abs/2610.39807v1
- Date: Thu, 29 Oct 2026 10:50:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:10.07778
- Title: InferD: A Honeypot Framework for AI Inference Infrastructure
- Title（参考訳）: AI推論インフラストラクチャのためのHoneypotフレームワークInferD
- Abstract要約: InferDは、推論なしで偽造(deception)と呼ぶ単一の原則に基づいて構成された、低相互作用のハニーポットフレームワークである。
敵が監視できるすべての要求は、静的応答プールから応答され、敵が提出した要求は実行されない。
- 参考スコア（独自算出の注目度）: 1.7904458681854372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model serving stacks, commercial inference APIs, vector databases, and agent orchestration gateways are now ex- posed on the public internet and indexed by commodity scanners within hours of deployment. The threat characteristics of this sur- face are only beginning to be measured, and the honeypot frame- works that could measure it were designed for conventional net- work services rather than for AI infrastructure. In fact, emulating an AI service is a distinct deception problem: the observable behavior of the service, including model inventories, token formats, tool-call protocols, and authorization flows, must be reproduced faithfully, while the underlying computation, model inference and tool ex- ecution, must never occur. We present InferD, a low-interaction honeypot framework organized around a single principle we call deception without inference: every request an adversary can observe is answered from static response pools, and nothing an adversary submits is ever executed. InferD decomposes the emulation into four deception planes, transport, service protocol, vulnerability surface, and agentic session, adds a provenance plane that links a planted credential to evidence of downstream model-mediated processing.
- Abstract（参考訳）: スタック、商用推論API、ベクタデータベース、エージェントオーケストレーションゲートウェイなどの大規模言語モデルは、公開インターネット上に公開され、数時間以内にコモディティスキャナによってインデックス付けされる。
このサーフェイスの脅威特性は測定され始めており、測定可能なハニーポットフレームは、AIインフラではなく、従来のネットワークサービスのために設計されている。
モデルインベントリ、トークンフォーマット、ツールコールプロトコル、承認フローを含む、サービスの観測可能な振る舞いは忠実に再現されなければならない。
InferDは、1つの原則に基づいて構成された低相互作用のハニーポットフレームワークで、推論なしで偽造(deception)と呼ぶ: 相手が監視できるすべての要求は静的応答プールから応答され、相手が提出した要求は何も実行されない。
InferDはエミュレーションを4つの詐欺面、トランスポート、サービスプロトコル、脆弱性表面、エージェントセッションに分解し、植込みされたクレデンシャルと下流モデルによる処理の証拠を結びつける証明プレーンを追加する。
関連論文リスト
- AID: A Framework for AI Infrastructure Dynamics [0.10152838128195464]
AI推論インフラストラクチャの有用なモデルでは、システム状態、オブザーバに利用可能な情報、モデルがサポートする決定を指定する必要がある。
本稿では,この学習問題を物理,計算,ネットワーク,サービスプロセスにまたがって記述するフレームワークであるAIDを紹介する。
論文 参考訳（メタデータ） (2026-10-03T23:01:48Z) - A Safety-Bounded SDC-to-MCP Gateway for Medical AI Agents [0.18907108368038217]
医療環境では、デバイスの状態とアクションの余裕を露呈するには、影響の可能性を決定論的に制限する必要がある。
我々は、メトリクス、アラーム、コンテキスト参照、セマンティックメタデータを読み取り専用リソースとして公開するIEEE 11073 Service-Oriented Device Connectivity (SDC)-to-MCPゲートウェイを提案する。
論文 参考訳（メタデータ） (2026-09-25T14:54:21Z) - Formal Verification of Agentic Systems over Operational Data [59.98246281888422]
大規模言語モデル(LLM)によって駆動されるエージェントシステムは、永続的な運用データを扱う現実世界にますます展開されている。
既存のアプローチはそのようなシステムレベルの保証を提供していません。
本稿では, 1 つの LLM とツールオーケストレーションハーネスからなるエージェントシステムのリレーショナル操作データに対する検証について述べる。
論文 参考訳（メタデータ） (2026-08-04T13:01:30Z) - PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - Authorization Propagation in Multi-Agent AI Systems: Identity Governance as Infrastructure [0.0]
我々はこの問題を認可伝搬と呼ぶ。
RBAC、ABAC、ReBACのような古典的なアクセス制御モデルでは、完全には対処できない。
この論文は、認可伝達をワークフローレベルのプロパティとして形式化し、3つのサブプロブレムを特定し、マルチエージェントAIシステムにおける認可アーキテクチャの7つの構造的要件を導出する。
論文 参考訳（メタデータ） (2026-05-06T20:56:17Z) - WebAgentGuard: A Reasoning-Driven Guard Model for Detecting Prompt Injection Attacks in Web Agents [117.65855863464863]
Webエージェントはインジェクション攻撃に対して非常に脆弱である。
システム・プロンプト・ディフェンス(英語版)やエージェントの直接微調整を含む既存の防御は、効果が限られている。
本稿では,WebAgentGuardを導入し,インジェクション検出のためのマルチモーダルガードモデルを提案する。
論文 参考訳（メタデータ） (2026-04-14T04:50:35Z) - A Trace-Based Assurance Framework for Agentic AI Orchestration: Contracts, Testing, and Governance [0.22940141855172028]
本稿では,Large Language Models (LLM) を用いたエージェントAIシステムの保証フレームワークを提案する。
実行は、明示的なステップとトレースコントラクトを備えたメッセージ・アクション・トレース(MAT)として実装される。
このフレームワークは、有界摂動に対する予算付き反例探索として定式化されたストレステストを含む。
論文 参考訳（メタデータ） (2026-03-18T10:23:48Z) - CREDIT: Certified Ownership Verification of Deep Neural Networks Against Model Extraction Attacks [54.04030169323115]
我々は、モデル抽出攻撃(MEA)に対する認証された所有権検証であるCREDITを紹介する。
DNNモデル間の類似性を定量化し、実用的な検証しきい値を提案し、このしきい値に基づいてオーナシップ検証を行うための厳密な理論的保証を提供する。
我々は、さまざまなドメインやタスクにまたがるいくつかの主流データセットに対するアプローチを広範囲に評価し、最先端のパフォーマンスを実現した。
論文 参考訳（メタデータ） (2026-02-23T23:36:25Z) - Adaptive Attacks on Trusted Monitors Subvert AI Control Protocols [80.68060125494645]
プロトコルとモニタモデルを知っている信頼できないモデルによるアダプティブアタックについて検討する。
我々は、攻撃者がモデル出力に公知またはゼロショットプロンプトインジェクションを埋め込む単純な適応攻撃ベクトルをインスタンス化する。
論文 参考訳（メタデータ） (2025-10-10T15:12:44Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z)
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。