xOffense: An Autonomous Multi-Agent Framework for Penetration Testing with Domain-Adapted Large Language Models
本論文は、ドメイン適応された Qwen3-32B 大規模言語モデルを駆動する自律型マルチエージェントフレームワークである xOffense を紹介し、これによりペネトレーションテストワークフローを自動化し、VulnBot や PentestGPT などの既存システムを厳格なベンチマークにおいて凌駕する性能を実現するものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
高セキュリティの建物の施錠をテストするために、その建物への侵入を試みていると想像してください。過去には、ドアを通過し、施錠を解き、弱点を見つけるために、人間の専門家（ペネトレーションテスター）のチームが必要でした。しかし、建数が多すぎ、施錠が多すぎ、専門家が不足しています。
そこで登場するのがxOffenseです。xOffense を単一のロボットではなく、セキュリティの穴を発見し悪用するために連携して動作する小さく、高度に特化したデジタル SWAT チームとして考えてください。
以下は、この論文がそのシステムを簡潔に説明する内容です。
1. 課題：「巨大な頭脳」対「専門家」
この自動化を試みた以前の取り組みは、主に 2 つのアプローチを用いていました。
- 「規則書」ロボット：これらは厳格なチェックリストに従うロボットのようなものでした。リストに載っていないドアがあれば、開けることができませんでした。彼らは硬直しており、予期せぬ事態に対処できませんでした。
- 「巨大な頭脳」AI：これらは GPT-4 のような巨大で高価な AI モデルを使用していました。賢いものの、彼らは掃除人の仕事をするために天才教授を雇うようなものでした。コストがかかりすぎ、時折気が散ったり（幻覚）、長くて多段階のミッションの詳細を記憶するのが困難でした。
2. 解決策：「特化型部隊」
著者らは、ハッキングのために特別に訓練された中規模 AI（天才ではなく「専門家」）を使用するxOffenseを構築しました。
- チーム構成：すべてを 1 つの AI が行うのではなく、xOffense は作業を 3 つの専門的な「エージェント」（チームメンバー）に分割します。
- 偵察員：開いているドアや窓を探す（偵察）。
- 分析官：そのドアの施錠が弱いか、壊れているかを確認する（脆弱性スキャン）。
- 破壊者：実際に施錠を解いたり、窓を割ったりして内部へ侵入する（悪用）。
- 指揮者：中央の「タスクオーケストレーター」が指揮者のように機能し、偵察員にいつ停止し、分析官にいつ開始するかを指示します。これにより、互いに話し合いを妨げたり、前のステップで何が起こったかを忘れたりすることを防ぎます。
3. 秘密の武器：「グレーボックス」訓練
この論文は、このチームをこれほど効果的にする 2 つの重要な工夫を強調しています。
- 「訓練マニュアル」（ファインチューニング）：彼らが使用した AI モデル（Qwen3-32B）は、賢い学生のようなものです。研究者は単に一般的な教科書を与えたのではなく、システムへの侵入方法に関する数千の現実世界の事例が詰まった特定の「ハッカーの訓練マニュアル」を与えました。彼らは、推測するだけでなく、問題に対して論理的に思考するよう、段階的に考える方法（Chain-of-Thought）を教えました。
- 「グレーボックス」ヒントシステム：地図全体を見ることが許されていない（ブラックボックス）ビデオゲームをプレイしていると想像してください。ただし、ゲームは「北の壁にドアがある」や「施錠は錆びている」といったいくつかの役立つヒントを与えてくれます。これをグレーボックスプロンプティングと呼びます。xOffense は、AI エージェントに答えの鍵を与えることなく、前のステップからの十分な文脈を提供し、彼らを軌道に乗せます。これにより、迷子になったり、以前に見つけたものを忘れたりすることを防ぎます。
4. 検証方法
チームは xOffense を、学生が 2 つの異なる試験を受けるように、2 つの方法でテストしました。
- 模擬試験（AutoPenBench）：Log4Shell などの現実的な有名なセキュリティ脆弱性を含む、易しいものから難しいものまでの 33 の事前作成された課題のセット。
- 現実世界のシミュレーション（AI-Pentest-Benchmark）：現実の複雑なコンピュータネットワークを模倣する 13 の仮想マシンのセット。
5. 結果：下馬評を覆す勝利
結果は驚くべきものでした。研究者らは、彼らの小さく特化されたチーム（xOffense）が、実際には巨人たちに勝ったことを発見しました。
- 全タスクの**72.72%**を解決し、巨大な GPT-4o や他の巨大な AI モデルを凌駕しました。
- 個々のサブタスク（特定のポートの発見やパスワードのクラッキングなど）の**79.17%**を正常に完了しました。
- 答えを検索するための巨大な「検索」データベース（RAG）を使用しなくても、より大きなモデルを使用するシステムよりも優れたパフォーマンスを発揮しました。データベースを追加した場合は、さらに性能が向上し、最大の AI でさえ苦労した困難な現実世界のマシンを解決しました。
6. 結論
この論文は、システムを効果的にハッキングするために、数十億ドル規模の巨大な AI が必要ではないと結論付けています。代わりに、ハッキングタスクに特別に訓練され、協調チームとして組織化された小さく、安価なオープンソース AIの方が、より良く、速く、そしてより確実に作業を遂行できます。
重要な注意点：著者らは非常に明確に、このツールは管理された環境（ラボや模擬試験など）における承認されたセキュリティテスト、研究、教育のためだけに設計されていると述べています。許可なく実際のシステムを侵入するために使用することは違法であり、非倫理的であると強調しています。目標は、悪意のある者たちが穴を見つける前に、防御者がそれらを見つけるのを支援することです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。