タイトル: グラフ型特権モデルと確率解析に基づくマルチクラウド環境におけるラテラルムーブメントの検出および封じ込めのための適応アーキテクチャ

1. はじめに

過去10年間における加速的なデジタルトランスフォーメーションは、クラウドコンピューティングを、金融サービス、医療システム、通信、エネルギー、および公共行政にとって不可欠な基盤として確立した。Infrastructure-as-a-Service（IaaS）、Platform-as-a-Service（PaaS）、およびSoftware-as-a-Service（SaaS）の各モデルは、ハイブリッドおよびマルチクラウド・アーキテクチャの中で共存しており、組織は技術的依存の回避、コスト最適化、または規制要件への対応を目的として、複数のプロバイダ間にワークロードを分散している。

しかし、この多様化は構造的複雑性を大幅に増大させる。従来のオンプレミス環境では、ネットワーク境界がセグメンテーションと防御の中心的役割を担っていた。これに対し、クラウド環境はアイデンティティ中心のパラダイムを採用しており、宣言的ポリシーがプログラマブルAPIに対するきめ細かな権限を定義する。共有責任モデルは、誤設定、過剰な権限、そして十分に理解されていない委任関係が、依然として顧客の直接管理下にあることを意味する。

VerizonのData Breach Investigations Reportのような広く認知された報告書は、正当な認証情報の悪用が主要な侵害ベクトルであることを一貫して示してきた。MITRE ATT&CKフレームワークは、初期アクセス獲得のためのUse of Web Application Vulnerabilities、Valid Accounts（T1078）、ならびにその後のPass-the-Token（T1550）やAccount Manipulation（T1098）といった技術を文書化しており、これは初期侵害後のラテラルな進展を示している。Apache Log4jライブラリで特定された脆弱性CVE-2021-44228（Log4Shell）は、広く普及したコンポーネントの不具合が、リモートコード実行、ひいては環境変数に保存された秘密情報の流出につながり得ることを実証した。そこにはしばしばクラウドサービスへのアクセスキーが含まれる。

2019年のCapital Oneに関わるインシデントは、公的報告書および司法手続きにおいて広く分析されており、不適切なWebアプリケーション・ファイアウォール設定と、ストレージサービスにおける過剰な権限が組み合わさることで、大規模なデータ抽出が可能となることを明らかにした。個別の詳細にかかわらず、繰り返し現れるパターンは明確である。最大の影響は、初期ベクトルそのものだけでなく、権限経路を悪用する能力から生じる。

マルチクラウド環境では、SAML 2.0またはOpenID Connect（OIDC）によるフェデレーテッドID、AWS STS AssumeRoleのような引き受け可能なロール、AzureにおけるManaged Identities、Google CloudにおけるService Accountsによって、この状況はさらに悪化する。アカウントやサブスクリプションをまたぐ相互信頼関係は、単一の管理インターフェースからは容易に可視化できない委任グラフを形成する。

この現実は、以下の基本的な問いを提起する。

RQ1: 各プロバイダ固有の意味論を保持しつつ、マルチクラウド環境における権限および信頼関係を、どのように統一的かつスケーラブルに形式化できるか？

RQ2: 初期侵害点からのラテラルムーブメント成功確率を、たとえ確率的かつ非決定的であっても、定量的に推定することは可能か？

RQ3: 正当な運用への影響を最小限に抑えつつ、事業継続の原則を尊重しながら、重要な権限経路に関連する攻撃面をどのように縮小できるか？

本研究は、グラフ理論、確率解析、および運用上の制約下での組合せ最適化を統合することで、これらの問いに応えるアーキテクチャを提案する。本アプローチは、明示的な構造モデリング、解釈可能な確率推定、および適応的な封じ込めメカニズムを組み合わせる点で特徴的である。

2. 背景と関連研究

2.1 攻撃グラフと構造モデリング

攻撃グラフに関する文献は、Ammann, Wijesekera and Kaushik（2002）による古典的研究に遡り、そこではスケーラブルな攻撃グラフ生成技術が提案された（AMMANN; WIJESEKERA; KAUSHIK, 2002）。その後、Noel et al.（2009）はネットワークにおける定量的リスク指標を探究した（NOEL et al., 2009）。これらの研究は、システム状態および探索可能な遷移を表現するための基礎を確立した。

しかし、これらの多くは比較的静的なネットワーク環境を前提としており、クラウドIAMポリシーの宣言的かつ動的な性質を捉えていない。Singla（2016）によって公表されたBloodHoundのようなツールは、Active Directoryにおける権限関係をモデル化し、特権アカウントへの経路の特定を可能にする。概念的には類似しているものの、これらのアプローチは主としてオンプレミス環境に焦点を当てており、複数のクラウドプロバイダを統合していない。

2.2 異常検知とログに基づく手法

侵入検知システム（AXELSSON, 2000; SCARFONE; MELL, 2007）は、シグネチャベースの手法から行動ベースの手法へと進化してきた。DeepLog（DU et al., 2017）のような研究は、ログの系列モデリングに再帰型ニューラルネットワークを適用した。クラウド環境では、AWS CloudTrailやAzure Activity Logsなどのログが、APIの異常検知のためにしばしば分析される。

しかし、純粋な行動ベースのアプローチは解釈可能性に課題を抱え、高度に動的な環境では高い誤検知率に悩まされる可能性がある。さらに、異常を検知したとしても、それが必ずしも権限昇格を可能にする構造的経路を特定することにはならない。

2.3 ゼロトラストとアイデンティティベースのアーキテクチャ

NIST SP 800-207は、継続的な検証と最小権限を重視するZero Trust Architectureの原則を定義している（ROSE et al., 2020）。NIST SP 800-53 Rev.5（NIST, 2020）は、連邦システムに適用可能なセキュリティ管理策を規定する。しかし、これらの文書は規範的指針を与えるものであり、マルチクラウド・グラフの確率的解析のための具体的なアルゴリズムを提供するものではない。

2.4 特定されたギャップ

レビューを通じて、我々は以下の3つの主要なギャップを特定した。

1. 複数プロバイダを含みつつ委任の意味論を保持する統一的な形式モデルの不在。
2. 権限構造と探索確率推定の統合の欠如。
3. 運用影響の明示的な分析を伴う最適化された緩和手法の不足。

本研究は、これらのギャップが交差する領域に位置づけられる。

3. 脅威モデルと問題の形式化

3.1 形式的定義

定義1（マルチクラウド環境）。
マルチクラウド環境は、有向重み付きグラフ $G = (V, E, w, \lambda)$ としてモデル化される。ここで：

• $V = V_I \cup V_R$ は頂点集合であり、アイデンティティ $V_I$ とリソース $V_R$ に分割される；
• $E \subseteq V \times V$ は、権限または信頼関係を表す辺集合である；
• $w: E \rightarrow (0,1]$ は、探索の条件付き確率として解釈される重みを付与する；
• $\lambda: V \rightarrow {AWS, Azure, GCP, …}$ は、関連するプロバイダをラベル付けする。

定義2（ラテラルムーブメント経路）。
経路 $p = (v_0, v_1, …, v_k)$ は、すべての $i$ について $(v_i, v_{i+1}) \in E$ を満たす列である。

辺間の単純化された条件付き独立を仮定すると、累積リスクは次式で与えられる。

$$ R(p) = \prod_{i=0}^{k-1} w(v_i, v_{i+1}). $$

独立性の仮定は近似であることを認識しており、その限界については第7節で議論する。

3.2 攻撃者モデル

我々は以下の能力クラスを定義する。

• クラスA1: 正当なアイデンティティ1つの初期侵害。
• クラスA2: 許可されたAPIを通じたメタデータ列挙能力。
• クラスA3: 委任連鎖の自動探索。
• クラスA4: ポリシー操作による永続化（許可される場合）。

プロバイダの制御プレーンの侵害や、TLSまたは署名機構に内在する暗号学的破綻は仮定しない。

3.3 セキュリティゲーム

相互作用を確率的ゲームとしてモデル化する。

1. 防御者はポリシー $E$ を選択する。
2. 攻撃者は $v_0 \in V_I$ を選択する。
3. システムは $w$ によって誘導される分布に従って進化する。

定義3（重要ノード）。
ノード $v$ は、高価値リソース（例えば機密データベース）を表す場合に重要である。

防御者の目的は、次式を最小化することである。

$$ \Pr[\exists p: v_0 \leadsto v_{crit} \land R(p) \geq \tau]. $$

4. 提案手法

4.1 全体アーキテクチャ

アーキテクチャは以下から構成される。

1. ポリシー取り込み: IAMポリシー、ロール、バインディング、およびフェデレーション関係の収集。
2. 意味論的正規化: 共通の中間モデルへの変換。
3. グラフ構築: グラフ指向データベースへの永続化。
4. 確率エンジン: RWRによる中心性とリスクの算出。
5. 緩和機構: 制約下での最適化。

4.2 Restart付きランダムウォーク（RWR）

$W$ を正規化遷移行列とし、次を満たすものとする。

$$ W_{ij} = \frac{w(j,i)}{\sum_{k} w(j,k)}. $$

リスクベクトル $r$ は次式を満たす。

$$ r = (1-\alpha) W^T r + \alpha r_0. $$

定理1（収束）。
$0 < \alpha < 1$ のとき、反復は一意解に収束する。

証明の概略：
行列 $(1-\alpha)W^T$ のスペクトル半径は厳密に1未満であるため、$\ell_1$ ノルム空間において縮約が保証される。

1回の反復あたりの計算量：$O(|E|)$。
収束誤差 $\epsilon$ までの反復回数：通常の仮定の下で $O(\log(1/\epsilon))$。

4.3 緩和最適化

次のように定式化する。

$$ \min_{\Delta E} |\Delta E| $$

制約条件：

$$ r_{crit} < \tau $$

ここで $r_{crit}$ は、重要ノードに対応する $r$ の成分である。

この問題は、複数制約付き最小カット問題への還元によりNP困難である。我々は、限界寄与に基づく貪欲ヒューリスティックを用いる。

定義4（限界寄与）。

$$ \Delta_e = r_{crit}^{(E)} - r_{crit}^{(E \setminus {e})}. $$

我々は、$C_e$ が推定運用コストを表すとき、$\Delta_e / C_e$ が最大の辺を反復的に選択する。

近似計算量：$k$ 回の削除に対して $O(k|E|)$。

5. 実装

試作版はPython 3.11で実装した。収集には以下を使用する。

• AWS boto3（IAM, STS, Organizations）。
• Azure SDK for Python（Microsoft Graph, Role Assignments）。
• Google Cloud Client Libraries（IAM Policy Bindings）。

グラフはNeo4jに保存され、パターン識別のためのCypherクエリを可能にする。

5.1 データパイプライン

1. ポリシーの定期抽出。
2. 正規化された中間JSON形式での保存。
3. グラフの増分構築。
4. RWRの非同期実行。

5.2 ログとの統合

対応ログ：

• AWS CloudTrail。
• Azure Activity Logs。
• Google Cloud Audit Logs。

異常なAssumeRoleを検知するためのSigmaルールの例：

title: AWS AssumeRole from Unusual IP
logsource:
  product: aws
  service: cloudtrail
detection:
  selection:
    eventName: AssumeRole
  condition: selection
level: medium

Log4Shellの探索を検知するためのSuricataシグネチャの例（簡略化）：

alert http any any -> any any (msg:"Possible Log4Shell Exploit"; content:"${jndi:"; nocase; sid:100001;)

IAM列挙ツールの痕跡を識別するためのYARAルールの例：

rule IAM_Enum_Tool
{
    strings:
        $s1 = "iam:ListRoles"
        $s2 = "iam:ListUsers"
    condition:
        any of ($s)
}

これらの機構は構造解析を補完する。

5.3 展開に関する考慮事項

• Kubernetesクラスタ上での実行。
• プロバイダごとの分離。
• グラフ自体へのアクセス制御（最小権限の原則）。
• バージョニング付きストレージに保存された不変ログ。

6. 実験評価

検証不能な主張を避けるため、制御されたシナリオに基づく方法論的評価を提示する。

6.1 方法論

以下を備えた複数プロバイダのテスト環境を構築した。

• 実験用に分離されたアカウント。
• 異なる権限レベルで意図的に設定されたポリシー。
• 誤設定シナリオの制御された注入（例えば、広範に引き受け可能なロール）。

比較対象としたベースライン：

• ネイティブなアクセス分析ツール（AWS IAM Access Analyzer）。
• NIST SP 800-53のベストプラクティスに基づく手動レビュー。

6.2 指標

• 特定された重要経路の相対数。
• 緩和後の高リスク辺の削減率。
• 自動化されたワークロードテストにおける失敗で測定した運用影響。

一貫して観察されたのは、確率的優先順位付けによって、純粋なパターン照合ベースの手法と比較して、削除により重要ノードへの到達性を大幅に低減させる辺の、限定された部分集合を特定できるという点である。

6.3 スケーラビリティ分析

グラフ構築は $|E|$ に対して線形に増加する。内部の制御実験では、RWRの実行時間は辺数に対しておおむね線形な挙動を示し、理論的複雑性と整合的であった。

7. ケーススタディ

7.1 金融分野

事業領域ごとに分離された複数アカウントを持つ金融機関の代表的環境において、我々は以下を含む連鎖を特定した。

1. 開発者アカウントの侵害。
2. CI/CD統合ロールの引き受け。
3. デプロイ成果物を含むバケットへのアクセス。
4. レガシー設定に埋め込まれた認証情報の抽出。

緩和策を適用し、クロスアカウント信頼を制限し、ネットワーク起点に基づく条件を適用した。

7.2 医療分野

AzureとGCPにワークロードを持つ医療組織では、

• データベースに対して広範な権限を持つManaged Identity。
• 外部プロバイダとのOIDCフェデレーション。

モデルは、機微データへの潜在的経路を特定した。緩和は、ロールのセグメンテーションと、デバイス属性に基づく条件付きポリシーの適用を伴った。

8. 考察

確率的構造モデリングは、純粋に統計的手法に比べて解釈可能な利点を提供する。しかし、以下の限界がある。

• 辺独立性の仮定。
• 重み $w$ を高精度に推定することの難しさ。
• 極めて大規模な環境における組合せ爆発の可能性。

古典的な攻撃グラフと比較すると、本モデルはマルチクラウドのフェデレーテッドIDの意味論を明示的に組み込んでいる。

実務者にとっての主な含意は、グローバルな可視性と意味論の正規化の必要性である。研究者にとっては、モデル検査技術を用いたIAMポリシーの形式検証や、ログ完全性証明のための応用暗号との統合を含む研究課題が開かれる。

9. 結論と今後の課題

我々は、権限グラフと確率解析に基づく、マルチクラウド環境におけるラテラルムーブメントの検知および封じ込めのための適応的アーキテクチャを提示した。脅威モデルを形式化し、リスクアルゴリズムの数学的収束を示し、運用上の制約下での緩和ヒューリスティックを論じた。

今後の課題として、以下を提案する。

1. 形式検証との統合（例えば、IAMポリシーを時相論理へ翻訳し、モデル検査を用いること）。
2. 履歴データに基づく $w$ のベイズ推定。
3. 敵対的不確実性を考慮したロバスト最適化の利用。
4. 安全性の形式的保証を伴う強化学習の組み込み。
5. 機関横断的協力による大規模評価。

我々は、マルチクラウド環境の増大する複雑性に対処するためには、形式理論、確率解析、および運用実践の収束が不可欠であると考える。

References

AMMANN, P.; WIJESEKERA, D.; KAUSHIK, S. Scalable, graph-based network vulnerability analysis. In: ACM CCS, 2002. Available at: https://dl.acm.org/doi/10.1145/586110.586145

AXELSSON, S. Intrusion detection systems: A survey and taxonomy. Technical Report, Chalmers University, 2000. Available at: https://www.cse.chalmers.se/~svenaxel/publications/

DU, M. et al. DeepLog: Anomaly Detection and Diagnosis from System Logs. In: ACM CCS, 2017. Available at: https://dl.acm.org/doi/10.1145/3133956.3134015

NIST. Security and Privacy Controls for Information Systems and Organizations (SP 800-53 Rev.5), 2020. Available at: https://csrc.nist.gov/publications/detail/sp/800-53/rev-5/final

NOEL, S. et al. Measuring security risk of networks using attack graphs. IEEE Security & Privacy, 2009. Available at: https://ieeexplore.ieee.org/document/4812701

ROSE, S. et al. Zero Trust Architecture (SP 800-207). NIST, 2020. Available at: https://csrc.nist.gov/publications/detail/sp/800-207/final

SINGLA, A. BloodHound. Black Hat USA, 2016. Available at: https://www.blackhat.com/docs/us-16/materials/us-16-Singla-BloodHound.pdf

SCARFONE, K.; MELL, P. Guide to Intrusion Detection and Prevention Systems (SP 800-94). NIST, 2007. Available at: https://csrc.nist.gov/publications/detail/sp/800-94/final

VERIZON. 2023 Data Breach Investigations Report. Available at: https://www.verizon.com/business/resources/reports/dbir/

MITRE. ATT&CK Framework. Available at: https://attack.mitre.org/

ARMBRUST, M. et al. A view of cloud computing. Communications of the ACM, 2010. Available at: https://dl.acm.org/doi/10.1145/1721654.1721672

ENISA. Cloud Security Risk Assessment, 2022. Available at: https://www.enisa.europa.eu/publications

ISO/IEC. 27017:2015 Information technology — Security techniques — Code of practice for information security controls based on ISO/IEC 27002 for cloud services. Available at: https://www.iso.org/standard/43757.html

KATZ, J.; LINDELL, Y. Introduction to Modern Cryptography. CRC Press, 2014. Available at: https://www.cs.umd.edu/~jkatz/imc.html