MEMORY
知識を育てる
成立条件、発見、失敗の理由をRAGDBに蓄積。前回の学びを、次の検証計画に使います。
↗AUTONOMOUS PENETRATION RESEARCH
AI自律成長ペネトレーションシステム
自ら集め、自ら試し、結果から学ぶ。
一度の発見を、次の検証で使える知識へ。
ローカルGLMと正解付きラボ、蓄積するRAGDB。
LMRは、ペネトレーションテストが育ち続ける基盤を構築しています。
ラボ・自社環境での仕様書内集計です。第三者評価や、顧客環境における性能保証を示す数値ではありません。
固定シナリオを実行するだけではなく、GLMが観測結果から次の検証を選ぶ。結果は採点され、次の判断へ戻ります。
「自律成長」とは、モデルの重みを更新することではありません。使い続ける知識・ツール・プロンプトを、検証の結果で更新する仕組みです。
MEMORY
成立条件、発見、失敗の理由をRAGDBに蓄積。前回の学びを、次の検証計画に使います。
↗TOOL
新たな検出パターンを判定器へ反映。正解との照合を通じて、検証できる領域を広げます。
↗PROMPT
採点フィードバックを継続的な指示に反映。採用・再試行・停止の判断につなげます。
↗更新が毎回性能向上を保証するわけではありません。評価と降格の仕組みで、改善と誤りを区別します。
7つの経路から10分おきに情報を収集。日次の検証サイクルで、知識を試し、評価して、使える形へ。
ステップを選ぶと、各工程の役割が表示されます。
COLLECT / 10 MINUTES
公開レポート・論文、製品脆弱性情報、再現テスト、専門家の知識、AI攻撃情報、自律発見、自社観測。7経路を継続して収集します。
収集DBに、手法と検証状態を保存
検証結果が、次のサイクルへ ↗発見したAIの判断を、そのまま正解にしない。役割と判定基準を分けて、結果を確かめます。
EXPLORE
過去の知識と観測結果から、GLMが次の試験を選択。7つのツールを使い、発見を記録します。
観測 → 推論 → 行動REVIEW
候補手法を品質の観点から審査。採用・再試行・停止を判断し、次の循環へつなぎます。
候補 → 審査 → 判断SCORE
実験完了を常駐プロセスで検知。36の判定器とラボの正解データを照合し、誤検知や見逃しも記録します。
結果 → 正解照合 → 評価同じ手法を、脆弱な環境と修正済みの環境で比較。正しく見つけることと、誤って検出しないことの両方を評価します。
正解データにある問題を検出すれば真陽性。見つけられなかった問題も、改善のために記録します。
修正済みでも反応する手法を確認。誤検知を起こす知識は降格し、実環境への適用から除外します。
Webアプリ・REST API・認証認可・ファイル処理・メールサーバーなど。
DockerとVMのラボを使い分け、正解の分かる環境で試します。
TP ÷ (TP + FP)
4,175 ÷ 4,194 ≒ 99.5%
採点総数 6,452件。実験総数とは11件の差があります。99.5%は検出した結果の適合率であり、すべての問題を見つける割合ではありません。参考:TP ÷ (TP + miss) は約81.2%。いずれも仕様書のラボ集計に基づく計算値です。
知識が増えるだけでは、良い成長とは限りません。修正済み環境での逆検証と、知識プールへ反映する前のゲートで、誤りの再流入を抑えます。
既存の再現済み手法を修正済み環境でも検証。誤検知があれば降格し、実環境に適用する候補から外します。
RECHECK / DEMOTE過去の成功記録から知識を再登録するときにも確認。問題のある記録を除外し、問題のない記録で知識を再構成します。
CHECK BEFORE PROMOTIONE1〜E4は本システム独自の状態区分です。E4は最終段階の定義で、顧客での実施実績を示すものではありません。
GLMの判断、ラボの観測、RAGの記憶を一つの循環に。各工程を、記録と状態でつなぎます。
公開情報 / 自律発見 / 自社観測
PostgreSQL
API / ストリーミング
4 GPUで推論基盤を運用
ラボ検証・評価・知識反映を統括
検証済み手法・過去のノウハウ
状態を管理して検索・再利用
weak / fixed ・ Docker / VM
対象確認 / 実行記録 / 報告書
仕様書v1.0に基づく論理構成図です。配線や実機の物理配置を表すものではありません。現行の実環境試験はLMR管理の2ドメインに限定されています。
試験中の進行と解説、発見事項、PDFレポートをつなぐ。調査の過程が、対策を検討するための材料になります。
右図は出力内容の説明用イメージです。実際の顧客報告書ではありません。
対象範囲・実施条件・発見事項
対象範囲を限定 / 破壊的操作を拒否 / DoSを拒否 / 異常な長時間実行を監視
自社システム、または権限と範囲を確認した環境の検証を前提に設計しています。本システムでは、RAGDBの知識、判定器などのツール、継続的に使うプロンプトを採点結果で更新します。モデル自体の重みの再学習を意味しません。
仕様書では、収集・検証・採点・知識反映を自動循環させ、人は観測と異常対応を担います。導入時の対象設定、権限の確認、重要な判断や運用管理は必要です。
仕様書にある真陽性4,175件と偽陽性19件から求めた検出適合率です。見逃し965件を含む検出率とは異なります。ラボ条件の集計であり、顧客環境で同じ値を保証するものではありません。
対象システム、検証範囲、必要なラボ、計算設備、報告・運用方法を確認して構成を検討します。現行仕様での実環境試験はLMR管理ドメインに限定されており、他の環境への展開には個別設計・確認が必要です。
このページの数値は、2026年11月17日確認の「AI自律成長ペネトレーションシステム 詳細仕様書 v1.0」に記載された集計です。循環表示は仕組みを説明するデモで、実システムの稼働画面ではありません。
検証したいシステムと、現在の課題をお聞かせください。
LMRの研究基盤を、あなたの環境へどうつなぐか。一緒に考えます。
ご相談内容:対象システム / 検証したい課題 / 利用人数 / 既存設備 / 希望する運用