論文の概要: LanG 2.0: Energy-Efficient Agentic AI for Semi-Automated Security Operations at Scale
- arxiv url: http://arxiv.org/abs/2610.41072v1
- Date: Thu, 29 Oct 2026 23:37:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.553668
- Title: LanG 2.0: Energy-Efficient Agentic AI for Semi-Automated Security Operations at Scale
- Title（参考訳）: LanG 2.0: 大規模半自動セキュリティ運用のためのエネルギー効率の良いエージェントAI
- Abstract要約: LanG 2.0は脅威を検出し、証拠を相関させ、規則を書くエージェントシステムである。
これは、エンティティ・アンコレッドの相関、ルール変更の人間による承認、およびタンパー・エビデント・台帳を含んでいる。
- 参考スコア（独自算出の注目度）: 2.1142550386295853
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Security operations centers (SOCs) need to turn terabytes of alerts, logs and flows into trusted, affordable decisions to unveil hidden threats. We present LanG 2.0, an agentic system that detects threats, correlates evidence and writes rules, investigating whether small local models can replace frontier models affordably and safely when structural safeguards, not model accuracy, provide the guarantees. It incorporates entity-anchored correlation, human approval of rule changes and a tamper-evident ledger. Tests span eight flow datasets from five networks, real XDR alerts and multistage campaigns. Against its predecessor, campaign correlation precision rises from 18.75% to 51.81%, and rule acceptance from at most 60.00% to 98.33%. Against Claude Opus 5.5, scoring flows against each network's normal traffic detects attacks on unseen networks at 73.42% F1 without false positives, versus 58.10% with 49.00% false positives, for at least 650 times less energy. Finetuned models statistically match it on alert classification and rule writing for 5.6 to 59 times less energy. The work demonstrates LanG's practical scalability, processing 3.33 million records in 6.4 minutes, over 30 million hourly, and its safeguards resisted prompt injection, label poisoning and ledger tampering, so small local models can carry most SOC detection affordably and safely.
- Abstract（参考訳）: セキュリティ運用センター(SOC)は、テラバイト単位のアラート、ログ、フローを、隠れた脅威を明らかにするための信頼性の高い安価な決定に変換する必要がある。
本稿では,脅威を検知し,証拠を相関させ,ルールを記述するエージェントシステムであるLanG 2.0を提案する。
これは、エンティティ・アンコレッドの相関、ルール変更の人間による承認、およびタンパー・エビデント・台帳を含んでいる。
テストは5つのネットワークからの8つのフローデータセット、実際のXDRアラート、マルチステージキャンペーンにまたがる。
前者に対して、キャンペーン相関の精度は18.75%から51.81%に上昇し、ルールの受け入れ率は60.00%から98.33%に増加した。
Claude Opus 5.5に対して、各ネットワークの通常のトラフィックに対するスコアリングフローは、偽陽性のない73.42%のF1ネットワークに対する攻撃を検知するが、58.10%は偽陽性で49.00%はエネルギーの少なくとも650倍は少ない。
微調整されたモデルは5.6から59倍のエネルギーで警告分類と規則書に統計的に一致する。
この研究はLanGの実用的スケーラビリティを示し、6.4分で3.33万レコードを処理し、そのセーフガードは即時注射、ラベル中毒、台帳の改ざんに抵抗し、小さなローカルモデルはほとんどのSOC検出を安価かつ安全に行うことができる。
関連論文リスト
- Evaluating and Improving the Robustness of Large Language Models to Input Sequence Variations [0.0]
この論文は、逆入力シーケンスの変動に対するロバスト性の評価と改善のためのモデル、方法、アルゴリズムを開発する。
局所攻撃に対しては、V(h) = 1 - R_class(h) を証明し、ここで R_class(h) は、決定演算子 h がその決定を小さな摂動の下で保持する確率である。
非局所攻撃に対しては経験的モデルを提案する。
論文 参考訳（メタデータ） (2026-10-01T19:57:56Z) - Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。
本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
論文 参考訳（メタデータ） (2026-09-09T01:36:44Z) - EvoSafeHarness: Evolving Model- and Domain-Specific Harnesses for Securing Agents [74.54929751174289]
EvoSafeHarnessは、ターゲットドメイン内の凍結モデルのためのデプロイ可能なハーネスを合成する、安全固有の最適化フレームワークである。
これは平均攻撃成功率を3.3ポイントのユーティリティコストで45.6%から10.0%に下げる。
また、Agent-SafetyBenchでは、すべての犠牲者に対してベストスコアを獲得している。
論文 参考訳（メタデータ） (2026-09-05T05:56:41Z) - Beyond Detection: Evaluating Defensive LLMs Against AI-Generated Social Engineering in Live Turn-by-Turn Interaction [42.06723421277899]
ジェネレーティブAIは、ソーシャルエンジニアリングアタックをより流動的で適応的でスケーラブルにする。
我々は信頼連鎖のローカライゼーションを形式化し、アクターの権限、資産管理、検証効率、トランザクションパスで相互作用が失敗するかどうかを特定する。
我々は,20のシナリオファミリー,正当なケース,4つの構造的故障モード,および3つの表面状態にまたがる制御された300ケースのオンライン住宅コーパスを構築した。
論文 参考訳（メタデータ） (2026-08-10T21:17:03Z) - Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。
以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。
我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
論文 参考訳（メタデータ） (2026-07-30T16:22:13Z) - Blind Spots in the Guard: How Domain-Camouflaged Injection Attacks Evade Detection in Multi-Agent LLM Systems [0.0]
LLMエージェントを保護するために配置された注入検出器は、自分自身をオーバーライドディレクティブとして発表する静的なテンプレートベースのペイロードで校正される。
対象文書のドメイン語彙や権限構造を模倣するペイロードが生成されると、標準検出器はそれをフラグ付けできない。
我々はこれをキャモフラージュ検出ギャップ (CDG) として定式化し, 静的ペイロードとカモフラージュペイロードの注入検出率の差について検討した。
論文 参考訳（メタデータ） (2026-05-21T04:58:11Z) - OpenSOC-AI: Democratizing Security Operations with Parameter Efficient LLM Log Analysis [0.0]
中小企業(中小企業)は、サイバーセキュリティの脅威がエスカレートする状況に直面している。
ほとんどの場合、スタッフの完全なセキュリティ運用センター(SOC)やエンタープライズグレード検出プラットフォームへのリソースを欠いている。
本稿では1.1ビリオンパラメータ言語モデルのパラメータ効率の良い微調整を行う軽量ログ解析フレームワークOpenSOC-AIを提案する。
論文 参考訳（メタデータ） (2026-04-29T01:46:25Z) - LanG -- A Governance-Aware Agentic AI Platform for Unified Security Operations [2.1142550386295853]
本稿では,LLM支援ネットワークガバナンス(LanG)について述べる。
プラットフォームはマルチテナントアイソレーション、ロールベースのアクセス、完全にローカルなデプロイメントをサポートする。
精密な異常検出と脅威検出は、侵入検出ベンチマークでそれぞれ99.0%と91.0%の重み付きF1スコアを達成する。
論文 参考訳（メタデータ） (2026-04-07T05:22:25Z) - Your Agent, Their Asset: A Real-World Safety Analysis of OpenClaw [87.97230960702274]
本稿では,OpenClawの安全性評価について紹介する。
エージェントの永続状態を3次元に統一するCIK分類法を導入する。
評価では、ライブOpenClawインスタンス上の12のアタックシナリオをカバーしています。
論文 参考訳（メタデータ） (2026-04-06T15:27:05Z) - ShieldNet: Network-Level Guardrails against Emerging Supply-Chain Injections in Agentic Systems [56.613157564882925]
悪意のある行動は、一見良心的なツールに埋め込まれ、エージェントの実行を静かにハイジャックしたり、機密データをリークしたり、無許可のアクションをトリガーしたりする。
影響は拡大しているが、このような脅威を評価するための包括的なベンチマークは今のところ存在しない。
実ネットワークの相互作用を観測してサプライチェーン中毒を検出するネットワークレベルのガードレールフレームワークであるShieldNetを提案する。
論文 参考訳（メタデータ） (2026-04-06T05:15:00Z)
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。