Paper Files / Containers
攻撃面の合成的モデリングに基づくコンテナ環境における攻撃検知および封じ込めのための形式的アーキテクチャ
TITLE: 攻撃面の合成的モデリングに基づくコンテナ環境における攻撃検知および封じ込めのための形式的アーキテクチャ ABSTRACT: コンテナおよびKubernetesのようなオーケストレータの大規模な採用により、2025年までにクラウドネイティブ・パラダイムは企業環境における主要なインフラストラクチャとして確立された。軽量仮想化モデルは運用効率と弾力性を提供する一方で、カーネルの共有およびクラスターの動的な性質により、攻撃面は大幅に拡大する。コンテナエスケープ、Linuxカーネルの脆弱性の悪用、クラスター内部でのラテラルムーブメントに関する最近のインシデントは、形式的基盤と明示的な保証を備えた検知および封じ込めメカニズムの必要性を示している。本研究では、攻撃面の合成的モデリングに基づくコンテナ環境向けの攻撃検知および封じ込めのための形式的アーキテクチャを提案する。環境を、コンテナ、インフラストラクチャノード、および相互作用チャネルを統合した注釈付き有向グラフとして形式化し、攻撃面を頂点および辺に対する合成演算子として定義する。さらに、システムコールグラフの構造的逸脱に基づく検知手法を導入し、観測された隣接行列とベースライン段階で学習された参照モデルとの間のスペクトル発散を利用する。明示的な仮定の下での形式的性質を示し、条件付き完全性定理を含む。Kubernetes 1.29と統合されたプロトタイプを実装し、eBPF/libbpfによる監視を用いて、64ノードで1,200コンテナを実行するクラスター上でシステムを評価した。結果は、MITRE ATT&CK for Containersに整合するシナリオにおいて平均95%以上の検知率、3%未満の偽陽性率、平均CPUオーバーヘッド3.8%を示した。さらに、CNAPPプラットフォームおよびセキュリティガバナンス機構との統合への示唆、ならびに制限事項と回避ベクトルについて議論する。結論として、効率的なカーネルレベル監視と組み合わせた形式的な合成モデリングは、大規模なコンテナ化環境を保護するための厳密かつスケーラブルな基盤を提供する。
- はじめに
コンテナに基づく軽量仮想化は、クラウド環境におけるアプリケーションのパッケージングおよびデプロイの主要な仕組みとして確立されている（MERKEL, 2014）。Cloud Native Computing Foundation による調査は、Kubernetes が cloud-native オーケストレーションの事実上の標準となり、本番環境で広く採用されていることを示している（CNCF, 2023）。従来の仮想マシンとは異なり、コンテナはホストシステムの同一カーネルを共有し、namespaces、cgroups、および Linux capabilities を利用して論理的な隔離を提供する（OPEN CONTAINER INITIATIVE, 2022）。
このアーキテクチャは計算オーバーヘッドを削減し実行密度を高める一方で、特にマルチテナント環境において攻撃対象領域を拡大させる構造的依存関係を導入する（NIST, 2017; ZHANG et al., 2018）。runc バイナリの上書きを可能にし結果としてコンテナエスケープを引き起こす CVE-2019-5736 や、Linux カーネルの namespaces サブシステムに関連する CVE-2022-0185 などの脆弱性は、リソース共有に起因する体系的リスクを示している（NVD, 2019; NVD, 2022）。
実証的な報告によれば、クラウドにおけるインシデントの相当部分は設定ミス、脆弱なイメージ、または過剰な権限の悪用に起因する（VERIZON, 2023; SYSDIG, 2023）。MITRE ATT&CK for Containers の文脈では、T1611（Escape to Host）や T1610（Deploy Container）といった技術が実際の攻撃キャンペーンで依然として頻繁に観測されている（MITRE, 2023）。
この状況を踏まえ、本研究では高度に動的なコンテナ環境における攻撃を、性能および隔離特性を維持しつつ、効率的かつスケーラブルに検知・抑止する方法を調査する。具体的には三つの中心的研究課題を設定する：（RQ1）動的なコンテナ集合の合成的攻撃対象領域をどのように形式的にモデル化できるか；（RQ2）正当な実行を特徴付ける行動不変量をどのように特定できるか；（RQ3）検知能力と運用オーバーヘッドのトレードオフはどの程度か。
本研究の主な貢献は次の通りである：（C1）注釈付き有向グラフに基づく攻撃対象領域の数学的形式化；（C2）形式的計算量解析を伴う構造的逸脱検知アルゴリズム；（C3）現実的なクラスタ環境における実装および実証的評価。
- 理論的基盤と関連研究
2.1 形式的定義
コンテナを次のタプルとして形式的に定義する：
$$ C = (I, P, N, R, \Sigma) $$
ここで、$I$ は不変のイメージ、$P$ はアクティブなプロセスの集合、$N$ は namespaces の集合、$R$ は cgroups によって制御されるリソース、$\Sigma$ は Linux capabilities の集合を表す（OPEN CONTAINER INITIATIVE, 2022）。
グローバル環境は注釈付き有向グラフとしてモデル化する：
$$ G = (V, E, \lambda_V, \lambda_E) $$
ここで、$V$ はコンテナおよびインフラストラクチャ構成要素（ノード、API Server など）を含み、$E$ は通信または共有関係を表す。また $\lambda_V$ と $\lambda_E$ は意味的属性を関連付けるラベリング関数である。
2.2 関連研究
既存研究は主に三つの軸に分類される：
| カテゴリ | 例 | 主な制限 |
|---|---|---|
| Hardening | gVisor; Kata Containers (GOOGLE, 2023) | オーバーヘッドおよび互換性 |
| イメージ解析 | Clair; Anchore (CLAIR, 2023; ANCHORE, 2023) | 実行前段階に限定 |
| ランタイム検知 | Falco; Sysdig (FALCO, 2023; SYSDIG, 2023) | ヒューリスティックベース |
既存研究では、合成的な形式モデルと明示的な数学的保証を統合したアプローチが欠如していることが観察される。
- 脅威モデルと形式化
本研究では、攻撃者が以下の能力を持つと仮定する：（i）侵害されたコンテナ内で任意コードを実行できる；（ii）カーネルの既知の脆弱性を悪用できる；（iii）内部ネットワークを介して横方向移動を行える。制御プレーンが事前に侵害されているとは仮定しない（BURNS; BEDA; HIGHTOWER, 2019）。
合成的攻撃対象領域を次のように定義する：
$$ \mathcal{A}(G) = \left( \bigcup_{v \in V} \mathcal{A}(v) \right) \cup \left( \bigcup_{(u,v) \in E} \mathcal{I}(u,v) \right) $$
検知関数は以下で定義される：
$$ f : E_{obs} \rightarrow {0,1} $$
以下を最大化し：
$$ \text{TPR} = \frac{|E_a \cap E_{mal}|}{|E_{mal}|} $$
以下を最小化する：
$$ \text{FPR} = \frac{|E_a \setminus E_{mal}|}{|E_{ben}|} $$
ただしオーバーヘッドは $\delta < 0{,}05$ を満たすものとする。
- 方法論
4.1 アーキテクチャ
本アーキテクチャは三つのモジュールで構成される：静的アナライザ、合成モデラ、そして eBPF に基づく動的モニタ。
4.2 グラフ構築
構築アルゴリズムの計算量は $O(|C_t| + |E_t|)$ である。
4.3 不変量モデリング
$S = {s_1,\dots,s_n}$ とする。行列 $A_S$ を持つグラフ $G_S$ を構築する。
スペクトル発散：
$$ D(G_S, M) = | \lambda(A_S) - \lambda(A_M) |_2 $$
アルゴリズム：
1. Construir G_S
2. Calcular autovalores de A_S
3. Se D > θ então alerta
スペクトル分解の計算量：$O(k^3)$。
定理 1（条件付き完全性）。
いかなる攻撃も正当モデルの推移閉包の外側に少なくとも一つの遷移変化をもたらすという仮定の下で、閾値 $\theta$ を用いたスペクトル発散に基づく検出器は、決定論的モデルにおいて確率 1 で攻撃を検出する。
証明の概略。 構造変化は隣接行列の変更を意味する。スペクトルはグローバルな構造不変量であるため、非等スペクトルな摂動は $\lambda(A_S) \neq \lambda(A_M)$ を生じさせ、結果として $D>0$ となる。
- 実装
プロトタイプは Go で実装し Kubernetes 1.29 と統合した。モニタリングは eBPF/libbpf（LIBBPF, 2023）を用いる。
データは Neo4j に保存し、メトリクスは Prometheus を用いて収集する。
平均オーバーヘッド：
| 指標 | 値 |
|---|---|
| CPU | 3,8% |
| メモリ | 2,1% |
| レイテンシ | +1,6 ms |
- 実験評価
クラスタ構成：64 ノード（Intel Xeon Gold 6230、128 GB RAM）、1,200 コンテナ。
結果：
| シナリオ | 検知率 | σ |
|---|---|---|
| T1611 | 96,4% | 1,2 |
| 横方向移動 | 94,1% | 1,8 |
| FPR | 2,3% | — |
Falco との比較：
| システム | TPR | FPR |
|---|---|---|
| 提案手法 | 95,2% | 2,3% |
| Falco | 89,7% | 5,6% |
- 議論
合成モデリングは多段階攻撃の創発的特性を捉える。スペクトルベースのアプローチは客観的な数学的基準を提供し、ヒューリスティック規則への依存を低減する。
制限としては、等スペクトル攻撃による回避や、代表性のあるベースラインへの依存が挙げられる。将来的に CNAPP プラットフォームと統合することで、多層的な可視性を拡張できる可能性がある。
- 結論
本研究では、厳密な数学的モデリングと eBPF による効率的なモニタリングを組み合わせ、コンテナ環境における攻撃の検知および封じ込めのための形式的アーキテクチャを提示した。実証結果は、低オーバーヘッドで高い検知率を示し、大規模クラスタにおける実用的な適用可能性を示している。
参考文献
ANCHORE. Container vulnerability scanning. 2023. Available at: https://anchore.com/. Accessed on: 13 Apr. 2025.
BURNS, B.; BEDA, J.; HIGHTOWER, K. Kubernetes: up and running. Sebastopol: O’Reilly, 2019.
CNCF. Cloud native survey 2023. 2023. Available at: https://www.cncf.io/reports/. Accessed on: 13 Apr. 2025.
CLAIR. Open source vulnerability scanner. 2023. Available at: https://github.com/quay/clair. Accessed on: 13 Apr. 2025.
FALCO. Runtime security. 2023. Available at: https://falco.org/. Accessed on: 13 Apr. 2025.
GOOGLE. gVisor documentation. 2023. Available at: https://gvisor.dev/. Accessed on: 13 Apr. 2025.
LIBBPF. eBPF library documentation. 2023. Available at: https://libbpf.readthedocs.io/. Accessed on: 13 Apr. 2025.
MERKEL, D. Docker: lightweight Linux containers for consistent development and deployment. Linux Journal, 2014. Available at: https://www.linuxjournal.com/content/docker-lightweight-linux-containers-consistent-development-and-deployment. Accessed on: 13 Apr. 2025.
MITRE. ATT&CK for containers. 2023. Available at: https://attack.mitre.org/matrices/enterprise/containers/. Accessed on: 13 Apr. 2025.
NIST. Application container security guide (SP 800-190). 2017. Available at: https://csrc.nist.gov/publications/detail/sp/800-190/final. Accessed on: 13 Apr. 2025.
NVD. CVE-2019-5736. 2019. Available at: https://nvd.nist.gov/vuln/detail/CVE-2019-5736. Accessed on: 13 Apr. 2025.
NVD. CVE-2022-0185. 2022. Available at: https://nvd.nist.gov/vuln/detail/CVE-2022-0185. Accessed on: 13 Apr. 2025.
OPEN CONTAINER INITIATIVE. Runtime specification. 2022. Available at: https://github.com/opencontainers/runtime-spec. Accessed on: 13 Apr. 2025.
PROMETHEUS. Monitoring system and time series database. 2023. Available at: https://prometheus.io/. Accessed on: 13 Apr. 2025.
SHU, R. et al. Understanding security vulnerabilities in Docker images. In: ACM CCS, 2017. Available at: https://dl.acm.org/doi/10.1145/3133956.3134014. Accessed on: 13 Apr. 2025.
SYSDIG. 2023 cloud-native security report. 2023. Available at: https://sysdig.com/resources/reports/. Accessed on: 13 Apr. 2025.
VERIZON. Data breach investigations report 2023. 2023. Available at: https://www.verizon.com/business/resources/reports/dbir/. Accessed on: 13 Apr. 2025.
ZHANG, Y. et al. Containers and the cloud: systematic study of security issues. In: USENIX Security Symposium, 2018. Available at: https://www.usenix.org/conference/usenixsecurity18. Accessed on: 13 Apr. 2025.