PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.24036v1cs.AI

신뢰할 수 있는 LLM 생성 접근 제어 정책을 위한 구조화된 분해

Structured Decomposition for Reliable LLM-Generated Access Control Policies

본 논문은 자연어 접근 제어 정책(NLACP)을 Open Policy Agent(OPA)용 실행 가능한 Rego 코드로 변환하는 LLM 기반 시스템을 제시한다. 정책 탐지, 구성 요소 추출, 스키마 검증, 린팅, 컴파일, 자동화된 테스트 생성 및 실행을 포함하는 모듈형 end-to-end 파이프라인을 제공한다. 이 시스템은 사람이 읽을 수 있는 접근 요구사항과 기계적으로 집행 가능한 policy-as-code(PaC) 사이의 간극을 메우도록 설계되었으며, 배포 신뢰성과 보안 정확성에 초점을 둔다. 구조화된 분해와 스키마 인식 검증의 기여를 분리하기 위해, subject·action·resource 주석이 비어 있지 않은 372개의 ACRE-complete 접근 제어 문장에 대해 단일 프롬프트 LLM 기준선과 비교하여 시스템을 평가한다. 시스템은 end-to-end 정책 정확도 50.3%를 달성했으며, 기준선 15.3% 대비 3.3배 개선이다. 정책은 컴파일, 린팅, 양성·음성 테스트를 모두 만족할 때만 올바른 것으로 집계하므로, 이는 배포 가능한 정확성에 대한 엄격한 척도이다. 보안에 중요한 패턴에서, 시스템은 deny 정책의 87.5%에 대해 올바른 deny 의미론을 생성했고(기준선: 37.5%), 소유권 조건이 붙은 정책 100%에 대해 소유권 조건을(기준선: 40%), 상태 한정 조건이 붙은 정책 100%에 대해 상태 한정 조건을(기준선: 55.6%) 생성했다. 이 결과는 구조화된 분해와 스키마 인식 검증이 LLM 생성 인가 정책의 신뢰성 향상에 핵심적인 역할을 함을 시사한다.

arXiv:2606.26649v1cs.AI

에이전트 지시사항의 Policy-as-Code 자동 형식화

Autoformalization of Agent Instructions into Policy-as-Code

고위험 도메인 에이전트 안전을 위해 LLM 기반 생성자-비평가(generator-critic) 루프로 에이전트 프롬프트, MCP 도구 설명, 자연어 정책 문서를 Cedar Policy Language로 작성된 형식 검증 정책으로 변환하는 자동 형식화(autoformalization) 파이프라인을 제안한다. MedAgentBench 벤치마크에서 선행 연구의 수작업 기호적 집행보다 원본 자연어 명세를 더 넓게 포괄하는 정책을 생성한다.