LMR株式会社 回線媒体研究所LINE MEDIA RESEARCH

AUTONOMOUS PENETRATION RESEARCH

AI自律成長ペネトレーションシステム

検証の経験を、
次の防御力に。

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。

PRIVATE COMPUTE. VERIFIABLE GROWTH.仕様書に基づく実装と検証記録 ↓
RESEARCH SNAPSHOT2026.11.17 / 詳細仕様書 v1.0 記載値
30累積サイクル
6,463実験
20ラボ環境
36正解付き判定器

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。

01 / BEYOND A FIXED SCENARIO01

試験を繰り返す。
知識も更新する。

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。

01

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。

↗
02

TOOL

検証する道具を育てる

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。

↗
03

PROMPT

判断の仕方を育てる

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。

02 / THE AUTONOMOUS CYCLE02

収集から、
次の検証まで。

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。

仕組みのデモ / 実システムには接続しません

COLLECT / 10 MINUTES

新しい手法を、広く取り込む。

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。

OUTPUT

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 ↗
毎10分 新しい情報を収集日次 ラボをリセットして循環実験完了時 常駐R3が採点
03 / SEPARATE TO VERIFY03

試す役と、評価する役を分ける。

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。

R1

EXPLORE

攻撃・探索

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
R2

REVIEW

候補の審査

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
R3

SCORE

正解付き採点

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
04 / KNOW WHAT IS TRUE04

見つけた、だけで
終わらせない。

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。

WEAK VARIANT脆弱な環境

ある問題を、検出できるか。

検証手法→問題あり→TP / 見逃し

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。

FIXED VARIANT修正済み環境

ない問題を、報告しないか。

同じ手法→修正済み→正しい非検出 / FP

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。

20 LABS / HYBRID ENVIRONMENTS

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。

MEASURED IN THE LAB

成功も、見逃しも、残す。

仕様書集計 / 2026.11.17
99.5%検出適合率(Precision)

TP ÷ (TP + FP)
4,175 ÷ 4,194 ≒ 99.5%

真陽性 TP4,175
偽陽性 FP19
見逃し miss965
正しい非検出 correct negation1,271
判定不能 inconclusive22

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。

05 / KEEP THE KNOWLEDGE CLEAN05

誤った知識を、
育てないために。

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。

01

蓄積した知識を、見直す。

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
02

戻ってくる誤りを、止める。

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 PROMOTION
E1報告・収集
→
E3内部再現済み
→
E4顧客環境での検証段階

E1〜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。

06 / PRIVATE AI ARCHITECTURE06

計算も、知識も、手元に。

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。

COLLECT

7経路の情報収集

公開情報 / 自律発見 / 自社観測

→
STORE

収集・検証状態DB

PostgreSQL

→
OBSERVE

進行・成果の表示

API / ストリーミング

LOCAL INFERENCE

GLM-5.2

B300B300B300B300

4 GPUで推論基盤を運用

AUTONOMOUS LOOP
R1 探索R2 審査R3 採点

ラボ検証・評価・知識反映を統括

RAG / QDRANT

共有知識プール

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

VERIFY隔離ラボ群

weak / fixed ・ Docker / VM

ラボで検証 → ゲート → 許可された適用
APPLY範囲を限定した実環境試験

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。

07 / FROM FINDINGS TO ACTION07

何が起きたかを、
根拠とともに。

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。

EVIDENCE → FINDINGS → REPORT

進行を見て、
結果を持ち帰る。

  • 試験の進行・解説をストリーミング表示
  • 発見事項と実行記録を整理
  • PDF報告書を生成
  • Slackへ共有して、対応検討へ

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。

LMR ASSESSMENT REPORT
REPORT PREVIEW / SAMPLE

検証結果報告書

対象範囲・実施条件・発見事項


01試験の概要
02確認された事象
03実行記録と根拠
次の対策判断へつなぐ、検証の記録。
CONTROLLED EXECUTION

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。
08 / QUESTIONS

知っておきたいこと。

「自律成長」は、LLMの重みを学習し直すことですか?+

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。

人の確認は、まったく不要になりますか?+

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。

99.5%は、どのような数値ですか?+

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。

自社の環境に導入できますか?+

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。

ここに表示されている数値はリアルタイムですか?+

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。

LET’S BUILD THE NEXT CYCLE

一度の診断から、
育ち続ける検証基盤へ。

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