フォーマルな脅威モデリングとマルチレイヤ相関に基づくハイブリッド型フィッシング検知・対応アーキテクチャ

1. はじめに

フィッシングは、20年以上にわたり、企業および政府環境における初期侵害の主要な侵入経路であり続けている。最近の報告によれば、フィッシング・キャンペーンは、ランサムウェア、スパイ活動、金融詐欺のインシデントにおける初期アクセスの大部分を占めている（VERIZON, 2023）。MITRE ATT&CK フレームワークにおいて、T1566（Phishing）は、T1059（Command and Scripting Interpreter）、T1105（Ingress Tool Transfer）、T1486（Data Encrypted for Impact）へと発展する攻撃連鎖と繰り返し関連付けられている。

技術的観点から見ると、フィッシングは著しく進化している。Evilginx2 のようなキットは、MFAトークンを捕捉するためのリバースプロキシ攻撃を悪用する。domain shadowing 技術は、侵害された正当なドメイン上のサブドメイン利用を可能にする。QRコードを用いた攻撃（quishing）はテキスト検査を回避し、正当なクラウド基盤（Azure、AWS、Google Sites）はレピュテーションのみに基づくブロックを困難にする。

技術的問題: 従来の、DNSBL、SPF/DKIM/DMARC 検証、あるいはベイズ的コンテンツフィルタのみに基づくシステムは、適応的な敵対者に対して構造的な限界を持つ。形式的には、これは分布変動（$concept\ drift$）下にある二値分類問題であり、さらに、運用コストを最小化しつつ回避を最大化しようとする戦略的敵対者の存在下にある問題である。

Ubiquiti Networks が 2015年に被った侵害（4,000万米ドル超のBEC詐欺）や、CVE-2021-44228（Log4Shell）を悪用した大規模キャンペーンがフィッシングを起点として開始された事例は、これらのキャンペーンがもたらす経済的・運用上の影響を示している。

本研究では、以下の研究課題を検討する。

• RQ1: 適応的敵対者と複数の攻撃面（e-mail、DNS、HTTP、endpoint）を考慮した場合、フィッシングをどのように形式的にモデル化できるか？
• RQ2: 従来のフィルタと比較して、多層アプローチによる測定可能な利得はどの程度か？
• RQ3: 検知を自動応答と統合し、dwell time を短縮するにはどうすればよいか？

本研究の貢献は以下のとおりである。

• C1: 適応的敵対モデル下におけるフィッシング検知問題の数学的形式化。
• C2: e-mail、DNS、HTTP、および endpoint テレメトリを統合する多層相関ハイブリッド・アーキテクチャ。
• C3: 定量的比較指標と運用事例を伴う広範な実験評価。

本稿の残りの構成は以下のとおりである。第2節では基礎と関連研究を概観する。第3節では脅威モデルを提示する。第4節では提案手法を記述する。第5節では実装の詳細を示す。第6節では実験評価を提示する。第7節ではケーススタディを論じる。第8節では含意を議論する。そして第9節で本研究を結論づける。

2. 基礎と関連研究

フィッシングは、攻撃者が被害者に認証情報の開示、悪意あるコードの実行、あるいは金融資産の移転を誘導しようとするソーシャルエンジニアリング攻撃として定義できる（JAKOBSSON; MYERS, 2006）。

形式的には、メッセージ集合 $M = {m_1, m_2, …, m_n}$ を考える。各メッセージは特徴ベクトル $x_i \in \mathbb{R}^d$ に関連付けられる。目的は、期待リスクを最小化する関数 $f: \mathbb{R}^d \rightarrow {0,1}$ を学習することである。

$$ R(f) = \mathbb{E}_{(x,y) \sim D}[\mathbb{1}(f(x) \neq y)] $$

ここで、$D$ はデータ分布であり、$y$ はクラス（phishing あるいは legitimate）を示す。

Fette et al. (2007) のような研究は、ドメイン年齢や URL 中のリテラル IP の存在といった特徴量を用いる PILFER を提案した。Ma et al. (2009) は、悪意ある URL 検知にオンライン学習を適用した。より最近では、深層学習ベースのアプローチが、難読化された URL 検知のために文字埋め込みを活用している。

しかし、純粋にコンテンツベースのモデルは、敵対的回避に脆弱であることが示されている（BIGGIO et al., 2013）。さらに、レピュテーションベースのフィルタには時間遅延があり、新たな悪意あるドメインは blocklists に追加されるまで数時間にわたって稼働し続けることが多い。

SPF（RFC 7208）、DKIM（RFC 6376）、DMARC（RFC 7489）といったプロトコルは真正性を高めるが、正当なアカウントの侵害（Business Email Compromise）を防ぐものではない。

文献において観察される制約:

1. 敵対者の形式的モデリングが不足している。
2. endpoint テレメトリとの統合が不十分である。
3. 古いデータセットに限定された評価が多い。

我々のアプローチは、多層相関と自動応答によってこれらのギャップに対処する。

3. 脅威モデルと問題の形式化

我々は、以下の能力を有する敵対者 $\mathcal{A}$ を仮定する。

• 迅速なドメイン登録（時間 < 10 分）。
• 正当な cloud インフラの利用。
• OSINT を用いた spear phishing 能力。
• フィードバックに基づく回避能力（適応学習）。

攻撃者の目的は、以下を最大化することである。

$$ U(\mathcal{A}) = P(success) - C(infrastructure) - C(detection) $$

防御側は運用リスクを最小化しようとする。

$$ R_{op} = \alpha FP + \beta FN + \gamma TTD $$

ここで、$FP$ = 偽陽性、$FN$ = 偽陰性、$TTD$ = time-to-detect である。

望ましい特性:

• 完全性: 既知キャンペーンの > 95% を検知すること。
• 敵対的ロバスト性: 特徴量操作への耐性。
• 低遅延: メッセージ当たり < 500 ms。

4. 提案手法

4.1 全体アーキテクチャ

アーキテクチャは4層から構成される。

1. SMTP 層（Postfix + OpenDMARC）
2. DNS/HTTP 層（Suricata + Zeek）
3. 静的/動的解析層
4. 相関・応答層（Elastic + SOAR）

4.2 特徴量抽出

特徴量には以下が含まれる。

• ドメイン年齢 ($t_{reg}$)
• URL のエントロピー
• 人気ドメインとの Levenshtein 類似度
• 疑わしい HTML フォームの存在
• TLS 証明書（新しい Let’s Encrypt）

アルゴリズム1 – 多層分類

Input: mensagem m
Output: rótulo y

1: x_email ← extrair_features_email(m)
2: x_url ← extrair_features_url(m)
3: x_dns ← consultar_reputacao_dns(m)
4: x_endpoint ← correlacionar_telemetria(m)
5: x ← concatenar(x_email, x_url, x_dns, x_endpoint)
6: y ← modelo_random_forest(x)
7: return y

計算量: Random Forest における $n$ 本の木に対して $O(n \cdot d \log d)$。

5. 実装

我々は以下を用いたパイプラインを実装した。

• Postfix + OpenDMARC
• Suricata（ET Open rules）
• HTTP ログ用の Zeek
• インデクシング用の Elastic Stack
• ストリーミング用の Kafka
• Python（scikit-learn）

YARA ルールの例:

rule Phishing_Form_Generic {
    strings:
        $a = "<input type=\"password\""
        $b = "verify your account"
    condition:
        all of them
}

スケーラビリティは、3ノードの Elasticsearch クラスタ（各 32 GB RAM）で検証した。

6. 実験評価

データセット:

• 120万通の e-mail（Enron + 実データフィード）
• 8.5万件の phishing URL（PhishTank）

ベースライン:

• SPF/DKIM/DMARC のみ
• ベイズフィルタ

結果:

手法	再現率	適合率	FPR
Baseline SPF	61,2%	98,1%	0,3%
ベイズ	79,4%	94,2%	3,1%
提案手法	97,8%	99,1%	0,9%

平均時間: 420 ms。

再現率の標準偏差: ±1,2%。

7. ケーススタディ

金融部門を標的とした BEC キャンペーンをシミュレートした。

段階:

1. typosquatting ドメインの登録。
2. spear phishing の送信。
3. ユーザーによるクリック。
4. 認証情報の取得。

我々のソリューションは、配信前に 94% をブロックし、endpoint 相関（Sysmon Event ID 3）により 6% を検知した。

dwell time は 48時間から 2時間45分に短縮された。

8. 議論

多層統合は、再現率において実質的な向上を示した。制約としては、完全なテレメトリへの依存、および正当なアカウントの侵害を介した回避の可能性が挙げられる。

妥当性への脅威:

• データセットがゼロデイ攻撃を反映していない可能性。
• 制御された環境。

SOAR（Cortex XSOAR）との統合および自動プレイブックを推奨する。

9. 結論と今後の課題

我々は、定量的に有意な利得を伴う、形式的基盤を持つハイブリッド・アーキテクチャを提示した。

今後の課題には以下が含まれる。

• 文脈的意味解析のための LLM との統合。
• QRコードを用いたフィッシングの検知。
• adversarial ML に対して堅牢なモデル。

12. 参考文献

BIGGIO, Battista et al. Evasion attacks against machine learning at test time. Machine Learning and Knowledge Discovery in Databases, v. 8190, p. 387–402, 2013. Available at: https://doi.org/10.1007/978-3-642-40994-3_25. Accessed on: 13 Apr. 2026.

FETTE, Ian; SADEH, Norman; TOMASIC, Anthony. Learning to detect phishing emails. WWW 2007, p. 649–656, 2007. Available at: https://doi.org/10.1145/1242572.1242660. Accessed on: 13 Apr. 2026.

JAKOBSSON, Markus; MYERS, Steven. Phishing and Countermeasures. Indianapolis: Wiley, 2006. ISBN: 978-0-471-78635-0.

MA, Justin et al. Beyond blacklists: learning to detect malicious web sites from suspicious URLs. KDD 2009, p. 1245–1254, 2009. Available at: https://doi.org/10.1145/1557019.1557153. Accessed on: 13 Apr. 2026.

VERIZON. 2023 Data Breach Investigations Report. 2023. Available at: https://www.verizon.com/business/resources/reports/dbir/. Accessed on: 13 Apr. 2026.

[紙幅の制約により他の参考文献は省略]