AIarXiv cs.CR (암호학·보안)AI 점수 85%
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Peer Pressure: Execution-Verified Co-Evolution of Attacker and Defender Populations for Code Security (원문, 새 창)
AI 인사이트
대상 독자:개발자
- 실제 저장소에서 검증된 실행 결과(패치 적용·테스트 통과·익스플로잇 재현)로만 보상받는 공격자-방어자 공동훈련
- 동일 조건의 동료와 비교해 난이도 편차를 상쇄하는 PRPO 알고리즘으로 LoRA 집단을 훈련
- 7B 디프 리뷰어는 지도미세조정 대비 5.5%p, Claude Opus 4.8 대비 4.4%p 앞선 64.8% 정확도
- 9B 저장소 에이전트는 VulnGym 권고 23건 발견(172건 중), 잘브레이크 ASR을 36.0%→4.6%로 낮춤
왜 중요한가
정적 취약점 데이터셋으로 학습한 방어모델은 빠르게 진화하는 공격자를 뒤쫓기 어려운데, 공격자와 방어자를 실행 결과 기반으로 함께 훈련시키는 이 접근은 미학습 영역으로도 일반화되고 잘브레이크 방어 등 다른 과제에도 전이되어 보안 훈련 패러다임의 전환을 보여준다.
본문 미리보기
arXiv:2610.24896v1 Announce Type: new Abstract: LLM code agents increasingly ship code with little oversight, yet defenders trained on static vulnerability datasets fall behind adapting adversaries. We co-train attacker and defender instead, and let execution decide every reward: an attacker (Red) edits a real repository and earns nothing unless its patch applies, builds, passes the tests, completes its development task and reproduces a real exploit in an isolated container, whose path also lab
전체 내용이 궁금하다면?
arXiv cs.CR (암호학·보안)에서 원문을 직접 읽어보세요
공유
- #코드보안
- #공진화학습
- #레드팀
- #강화학습
- #에이전트
이 글이 만들어진 과정
- 11:24AI 초안