論文の概要: DoGNAVY-Exploit: Harnessing Parallel Open-Weight Agents for Stage-Aware Vulnerability Exploitation

• arxiv url: http://arxiv.org/abs/2611.04196v1
• Date: Tue, 03 Nov 2026 02:30:53 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:46:26.15675
• Title: DoGNAVY-Exploit: Harnessing Parallel Open-Weight Agents for Stage-Aware Vulnerability Exploitation
• Title（参考訳）: DoGNAVY-Exploit:Stage-Aware Vulnerability Exploitationのための並列オープンウェイトエージェントのハーネス化
• Abstract要約: DoGNAVY-Exploitは、ロングホライゾン利用を短く、検証可能な能力遷移として再放送する。 共有構造化メモリは、検証済みの事実、アーティファクト、再生ステップ、ブランチ間の障害ルートを集約する。 Cybenchでは97.5%のPass@1、CVE-Benchでは97.5%のゼロデイ、1日100%のPass@1を達成している。
• 参考スコア（独自算出の注目度）: 17.653206234428815
• License:
• Abstract: Frontier LLM agents can turn known vulnerabilities into working exploits, but are costly and often access-restricted due to their potential for malicious use. Open-weight models offer a more accessible alternative, but struggle to maintain progress across long exploitation chains. They also often fail to apply relevant security knowledge at the appropriate stage and in the right context to identify and evaluate promising attack directions. To address these limitations, we propose DoGNAVY-Exploit, a multi-agent harness built around two complementary designs: stage-aware decomposition with progressive expert knowledge disclosure, and hierarchical orchestration with parallel exploration. Specifically, DoGNAVY-Exploit uses configurable milestones to recast long-horizon exploitation as short, verifiable capability transitions and provides only the knowledge relevant to each stage. Within each milestone, a hierarchical architecture separates strategic planning from parallel execution: a planner proposes diverse attack routes, executors test them concurrently, and a controller accepts progress only when supported by runtime evidence. A shared structured memory consolidates verified facts, artifacts, replay steps, and failed routes across branches, allowing agents to build on collective progress and carry validated knowledge into subsequent milestones. In controlled benchmark environments, DoGNAVY-Exploit with GLM-5.2 achieves 97.5% Pass@1 on Cybench, and 97.5% zero-day and 100% one-day Pass@1 on CVE-Bench. On ExploitGym, it solves 79 tasks with GLM-5.2 and 157 with GLM-5.3, while the corresponding public Claude Code baselines solve 39 and 130 tasks, respectively. Ablation results further demonstrate that the stage-aware orchestration, expert knowledge, parallel exploration, and memory designs can substantially improve the exploitation capabilities of open-weight agents.
• Abstract（参考訳）: 最前線のLSMエージェントは、既知の脆弱性をワーキングエクスプロイトに変換することができるが、悪用される可能性があるため、コストがかかり、しばしばアクセス制限される。 オープンウェイトモデルは、よりアクセスしやすい代替手段を提供するが、長いエクスプロイトチェーンの進歩を維持するのに苦労する。 また、適切な段階で適切なセキュリティ知識を適用することができず、適切な状況下で、有望な攻撃方向を特定して評価することもしばしばである。 これらの制約に対処するため,我々は,プログレッシブな知識開示を伴う段階認識分解と並列探索による階層的オーケストレーションという,2つの相補的な設計に基づいて構築されたマルチエージェントハーネスであるDoGNAVY-Exploitを提案する。 具体的には、DoGNAVY-Exploitは、設定可能なマイルストーンを使用して、ロングホライゾン利用を短い検証可能な能力遷移として再放送し、各ステージに関連する知識のみを提供する。 各マイルストーンの中で、階層的なアーキテクチャは戦略的な計画と並列実行を分離する:プランナーは多様な攻撃経路を提案し、実行者はそれらを同時にテストし、コントローラは実行時エビデンスによってサポートされた場合にのみ進捗を受け入れる。 共有構造化メモリは、検証済みの事実、アーティファクト、再生ステップ、失敗したルートを集約し、エージェントが集合的な進捗に基づいて構築し、検証済みの知識をその後のマイルストーンに伝達することを可能にする。 制御されたベンチマーク環境では、GLM-5.2によるDoGNAVY-Exploitは、Cybenchで97.5%のPass@1、CVE-Benchで97.5%のゼロデイと100%のPass@1を達成する。 ExploitGym では GLM-5.2 と 157 のタスクを GLM-5.3 で解決し、対応する公的な Claude Code のベースラインは 39 と 130 のタスクをそれぞれ解決している。 アブレーションの結果は、ステージアウェアなオーケストレーション、専門家の知識、並列探索、メモリ設計により、オープンウェイトエージェントのエクスプロイト能力が大幅に向上することを示した。

関連論文リスト

• ProtoArena: Can AI Agents Discover and Exploit Real-World Cross-Component Protocol Vulnerabilities? [22.21731847347429]
  ProtoArenaは、脆弱性分析のためのブラックボックス、マルチコンポーネント、動的ベンチマークである。 エージェントは、セキュリティ効果の目標を達成するために、スコープ化されたインターフェイスを介して実行中のシステムと対話する。 クロードオプス4.8は観測された成功率が最も高い。
  論文  参考訳（メタデータ） (2026-10-13T06:56:32Z)
• Agensh: Scaling Organizational Intelligence to 1,024 Agents [85.08934183130329]
  Agenshは、中央のオーケストレータを持たないスケーラブルな自己組織化マルチエージェントハーネスである。 GPT-5.6-sol を用いて,最も難しい ProgramBench タスクを5つ評価した。 1から128エージェントへのスケーリングでは、最終テストパス率は19.31%から28.78%に上昇する。 パンドックでは、1から1,024のエージェントが最終テストパスレートを33.89%から55.06%に引き上げる。
  論文  参考訳（メタデータ） (2026-09-22T17:56:25Z)
• BLINDSPOT: A Benchmark for Safety and Refusal Calibration in Long-Horizon Tool-Using Agents [20.217145643468598]
  我々は、長距離ツール使用エージェントの軌道レベルの安全校正のためのベンチマークであるBlindspotを紹介する。 Blindspotは、適応的な対角的相互作用、ステートフルなツールの実行、実行に基づく適応を通じて、完全なユーザ-エージェント-環境トラジェクトリを評価する。 安全でない完成度, 適切な拒絶性, 便宜性, 過度な拒絶性, 繰り返し発生する頑健性, 拒絶後の失敗などをカバーする8つの指標を用いて, 13のプロプライエタリかつオープンウェイトLCMを評価した。
  論文  参考訳（メタデータ） (2026-09-14T20:12:27Z)
• StepGuard: Learning Step-Level Guardrails with Scalable Supervision and Safety-Utility Balancing [80.39644823192113]
  StepGuardは、完了したエージェントの軌跡を監査し、実行前にツールアクションをチェックするステップレベルのガードモデルである。 StepGuardは、GPT-5.4に匹敵するパフォーマンスで、オープンウェイトガードモデルの中で最高の平均精度を達成した。 AgentDojoとAgentDynのエージェントを保護するために使用される場合、StepGuardは平均攻撃成功率を77.3%削減する。
  論文  参考訳（メタデータ） (2026-08-25T16:17:27Z)
• MazeRunner: Nonlinear Task and Clue Orchestration for LLM-driven Black-Box Automated Penetration Testing [40.54981107553332]
  MazeRunnerは,3エージェントのタスク・アンド・キューオーケストレーションフレームワーク上に構築された,自律的な浸透テストシステムである。 MazeRunnerは47.7%の注釈付きサブタスクを完了しており、PentestGPT-V2は36.2%、Claude Codeは34.2%である。
  論文  参考訳（メタデータ） (2026-08-14T11:46:15Z)
• TIER: Trajectory-Invariant Execution Rewards for Multi-Step Tool Composition [62.56752617853322]
  アウトカムベースの報酬はスパースフィードバックのみを提供するが、トラジェクトリによる報酬は注釈付き参照ソリューションに依存している。 本稿では,関数スキーマと実行時実行を直接管理する報奨フレームワークであるtrajectory-Invariant Execution Rewardsを提案する。
  論文  参考訳（メタデータ） (2026-05-16T03:47:26Z)
• ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis [96.92417622318267]
  ATBenchは、エージェント安全性の構造化、多様性、現実的な評価のための軌道レベルのベンチマークである。 リスクソース、障害モード、現実世界の危害の3つの側面に沿ってエージェント的リスクを編成する。 1000個の軌道(安全503個、安全497個)があり、平均9.01ターンと3.95kトークンがあり、2,084個のツールにまたがるプールから1,954個のツールが呼び出されている。
  論文  参考訳（メタデータ） (2026-04-02T13:26:20Z)
• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)

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。