arXiv:2610.03383v1 cs.AI

CVE2AP: 대규모 언어 모델을 통한 PDDL 인코딩 공격 경로 자동 생성

CVE2AP: Automated Generation of PDDL-Encoded Attack Paths via Large Language Models

Lin Cui, Vincenzo Scotti, Raffaela Mirandola

제출 2026-10-02

한국어 초록

공격 경로(Attack Path, AP) 모델링은 사이버 보안 분석의 핵심으로, 취약점 활용(exploitation), 공격 진행 과정 및 잠재적 영향에 대한 자동화된 추론을 위해 AP를 정형화되고 기계 검증 가능한 표현으로 인코딩하는 데 기획 도메인 정의 언어(PDDL)가 널리 채택되어 왔습니다. 그러나 기존의 AP 모델링 방식은 주로 전문가 주도의 수동 구축에 의존하여 확장성이 제한되고 빠르게 진화하는 사이버 위협의 속도를 따라잡는 데 한계가 있습니다. 대규모 언어 모델(LLM)은 방대한 사전학습 지식과 추론 능력을 바탕으로 위협 인텔리전스를 해석하고 정형 표현으로 변환할 수 있어 유망한 대안으로 꼽힙니다. 본 논문에서는 자연어 CVE(Common Vulnerability Exposure) 설명으로부터 PDDL 인코딩 공격 경로를 자동 생성하는 LLM 기반 접근 방식인 CVE2AP를 제안합니다. CVE2AP는 구조화된 프롬프팅을 활용하며, 플래너(planner)가 보고한 구문 및 해결 가능성 오류를 사용해 생성된 경로를 반복적으로 개선하는 오류 피드백 메커니즘을 통합합니다. 다양한 LLM과 생성 구성을 대상으로 체계적인 실증 평가를 수행하여 토큰(token) 소비량 및 생성 시간과 함께 구문적, 해결 가능성, 의미론적 차원에 걸친 생성 품질을 평가했습니다. 실험 결과, CVE2AP는 고품질의 PDDL 인코딩 공격 경로를 효과적으로 생성하여 LLM-as-expert 평가 기준 최대 86.9%의 구문 정확도, 78.6%의 해결 가능성, 93.1%의 의미론적 정확도를 달성함을 보여줍니다. 또한 GPT-5.5가 최적의 품질-비용 절충안을 제공하며 오류 피드백이 가장 일관된 품질 향상을 이끌어냄을 확인했습니다.

원문 초록

Attack Path (AP) modeling is fundamental to cybersecurity analysis, where the Planning Domain Definition Language (PDDL) has been widely adopted to encode APs into formal and machine-verifiable representations for automated reasoning about vulnerability exploitation, attack progression, and their potential impacts. However, existing AP modeling approaches largely rely on expert-driven manual construction, limiting their scalability and ability to keep pace with rapidly evolving cyber threats. Large language models (LLMs) are promising candidates, as their extensive pre-trained knowledge and reasoning capabilities enable them to interpret and transform threat intelligence into formal representations. In this paper, we propose \textbf{CVE2AP}, an LLM-based approach for automatically generating PDDL-encoded attack paths from natural language CVE (Common Vulnerability Exposure) descriptions. CVE2AP leverages structured prompting and incorporates an error-feedback mechanism that iteratively refines the generated paths using planner-reported syntactic and solvability errors. We conduct a systematic empirical evaluation across multiple LLMs and generation configurations, assessing generation quality across syntactic, solvability and semantic dimensions, together with token consumption and generation time. The results demonstrate that CVE2AP effectively generates high-quality PDDL-encoded attack paths, achieving up to 86.9\% syntax correctness, 78.6\% solvability, and 93.1\% semantic correctness under LLM-as-expert evaluation, while \texttt{GPT-5.5} offers the best quality-cost trade-off and error feedback yields the most consistent quality improvement.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.03383v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.13085v1cs.CR공통 태그 Code Generation, cybersecurity

아키텍처보다 먼저 기준선: 자율 침투 테스트를 위한 코딩 에이전트 평가

Baselines Before Architecture: Evaluating Coding Agents for Autonomous Penetration Testing

최근 자율 침투 테스트 논문들은 최첨단 LLM 주변에 다중 구성요소 보안 하네스(harness)를 추가하면서 높은 벤치마크 점수를 보고하고 있다. 이러한 시스템은 종종 아키텍처와 백본 모델을 모두 바꾸기 때문에, 성능이 기저 모델에서 오는 것인지 하네스에서 오는 것인지 구분하기 어렵다. 본 논문은 기본 코딩 CLI 에이전트를 plain-agent 기준선으로 사용하여 104개 태스크 XBOW 벤치마크에 대한 통제된 연구를 제시한다. 먼저 Codex, OpenCode, Pi를 동일한 GPT-5 모델, 예산, 타깃 인터페이스, 채점 규칙으로 실행한다. 이 단계에서 동일 모델 기준선 중 가장 강한 것을 식별하고, 보안 특화 프롬프트 변형이 관측된 점수를 개선하는지 검증한다. 다음으로 기본 Codex 스캐폴드(scaffold)를 가장 가까운 모델 매칭을 따르는 공개된 MAPTA 및 PentestGPT V2 결과와 비교한다. 마지막으로 동일한 스캐폴드 내에서 모델 스케일링(scaling)을 측정하기 위해 GPT-5.2와 GPT-5.5로 plain-agent 실험을 반복한다. 결과는 혼합적이지만 실용적인 그림을 보여준다. 특화 하네스는 측정 가능한 벤치마크 향상을 추가하고 비용 효율성을 개선할 수 있지만, plain 코딩 에이전트도 이미 벤치마크의 상당 부분을 해결한다. 반복된 plain-agent 실행은 union coverage에서 일부 공개 아키텍처 점수와 동등하거나 이를 초과할 수 있으며, 더 새로운 모델은 동일한 스캐폴드를 실질적으로 개선한다. 향후 평가에서는 벤치마크 향상을 아키텍처 설계만으로 귀인하기 전에 모델이 매칭된 plain-agent 기준선을 보고해야 한다.

arXiv:2607.21609v2cs.AI공통 태그 Code Generation

HierFlow: Hierarchical Coupled Dual-Space Search for Automatic Agentic Workflow Generation

구조화된 워크플로우는 대규모 언어 모델(LLM)이 복잡한 문제를 해결할 수 있게 해주지만, 이를 자동으로 생성하는 것은 방대한 조합적 탐색 공간으로 인해 심각하게 저해되며, 이는 종종 유연하지 않고 자원을 많이 소모하는 오프라인 학습 의존성을 초래한다. 이를 해결하기 위해, 우리는 워크플로우 생성을 상위 토폴로지 층이 하위 작업 경계를 규정하고 하위 수준의 실행 결과가 토폴로지 자체를 능동적으로 재형성하는, 토폴로지와 실행이 맞물린 탐색 패러다임으로 개념화한다. 이 기반 위에서, 우리는 피드백 기반 토폴로지 조정과 하위 워크플로우 최적화를 위한 빠른 MCTS(Monte Carlo Tree Search) 기반 트리 탐색을 결합하여 에이전트형 워크플로우 설계를 자동화하는, 학습 불필요·테스트 시점 계층적 탐색 아키텍처인 HierFlow를 제안한다. HierFlow는 맥락적 필요에 따라 실행 수준 탐색을 선택적으로 트리거하는 지능형 게이팅 모듈을 통해 효율성을 극대화하며, 우리는 작업 간 결합 정도가 계층적 분할의 효과에 미치는 영향을 상세히 분석함으로써 이 메커니즘을 추가로 뒷받침한다. 질의응답, 수학적 추론, 코드 생성 벤치마크에 걸친 종합적인 테스트는 HierFlow가 강력한 베이스라인을 지속적으로 능가하며, 추가 학습 부담 없이 고품질 결과와 계산 효율성의 최적 균형을 제공함을 확인한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.