IR-GraphSec: 攻撃グラフと多目的最適化に基づく自動インシデント対応オーケストレーションのための形式的かつスケーラブルなフレームワーク

1. はじめに

インシデント対応は、NIST SP 800-61 Rev. 2（SCARFONE; MELL, 2012）および NIST Cybersecurity Framework（NIST, 2018）で示されているとおり、現代のサイバーセキュリティ・ガバナンスにおける必須要素である。2025年の運用環境は、ハイブリッド・インフラストラクチャ、クラウドサービスの大規模な採用、マイクロサービス指向アーキテクチャ、CNAPP（Cloud-Native Application Protection Platforms）、ならびに機械学習システムと大規模言語モデル（LLM）を基盤とするシステムの統合拡大によって特徴づけられる。この複雑性は攻撃対象領域を拡大し、形式的かつ定量的な基準に基づく封じ込め判断の必要性を一層高める。

近年の報告によれば、大規模組織における侵害の識別および封じ込めに要する平均時間は依然として200日を超え、インシデント当たりの世界平均コストは445万米ドルを上回っている（IBM, 2023）。Verizon Data Breach Investigations Report は、初期侵入、横展開、外部流出を含む多段階チェーンの普及を指摘している（VERIZON, 2023）。これらのキャンペーンはしばしば MITRE ATT&CK（MITRE, 2023a）の技術、たとえば T1190、T1059、T1021、T1547 を組み合わせ、複雑なグラフ上で相互依存する敵対的経路を形成する。

本質的な問題は、不確実性の下での封じ込め行動の最適優先順位付けにあり、残留リスク、運用コスト、可用性への影響を同時に考慮しなければならない。SOAR プラットフォームに実装された静的なプレイブック（PALO ALTO NETWORKS, 2023; SPLUNK, 2023）は、動的なトポロジ依存関係を十分に捉えられず、組合せ最適化問題を明示的に解決することもできない。

我々は以下の研究課題を定式化する。

RQ1: 資産、脆弱性、敵対的技術の間の構造的依存関係を捉えつつ、IRプロセスをどのように形式的にモデル化できるか？

RQ2: リスク、コスト、可用性を含む多目的基準の下で、最適な応答計画を自動的に導出することは可能か？

RQ3: このアプローチが MTTC および残留リスクの低減に及ぼす定量的影響は何か？

本研究の貢献は以下のとおりである。

C1: 動的攻撃グラフ上の多目的最適化問題としての IR の形式化。

C2: MITRE ATT&CK への自動マッピングとほぼリアルタイムのテレメトリ統合を備えた IR-GraphSec フレームワークの開発。

C3: MTTC において60%以上の削減を示す実証評価。

2. 理論的基礎と関連研究

2.1 攻撃グラフ

我々は攻撃グラフを $G = (V, E, \lambda, w)$ として形式的に定義する。ここで $V$ はセキュリティ状態を表し、$E \subseteq V \times V$ は敵対的遷移を表し、$\lambda: E \to \mathcal{T}$ は辺に ATT&CK 技術をラベル付けし、$w: E \to \mathbb{R}_{\ge 0}$ は確率的重みを付与する。

攻撃木は Schneier（1999）によって導入された。一般化されたグラフは Noel と Jajodia（2005）によって形式化された。CVSS に基づく確率的メトリクスは Wang ら（2008）によって提案され、マルコフモデルは Albanese ら（2012）によって検討された。Sommer と Paxson（2010）は、検知におけるクローズドワールド仮説の限界に警鐘を鳴らしている。

2.2 クラウドセキュリティとネイティブ環境

2025年には、CNAPP の統合により CSPM、CWPP、CIEM が単一の制御プレーンに統合される（ENISA, 2023）。クラウドネイティブな Linux 環境における eBPF 由来のテレメトリは、低オーバーヘッドの可観測性を可能にし、ATT&CK 技術のマッピング精度を向上させる。

2.3 AIシステムのセキュリティ

LLM ベースのシステムは、prompt injection や自律エージェントを介した data exfiltration のようなベクトルを導入する。近年の研究は AI におけるガバナンスとリスク評価を重視しており（NIST, 2023 – AI RMF）、IR はモデル資産および ML パイプラインをグラフ上の重要な頂点として組み込む必要がある。

3. 脅威モデルと形式化

我々は、CVSS ≥ 7.0 の脆弱性を悪用し（FIRST, 2019）、横展開と永続化を実行可能な、多項式時間で制約された確率的攻撃者を仮定する。

$A$ を資産集合、$R: A \to \mathbb{R}{\ge 0}$ をリスク関数、$C: A \to \mathbb{R}{\ge 0}$ を封じ込めコスト、$D: A \to \mathbb{R}_{\ge 0}$ を停止影響とする。$x_a \in {0,1}$ は隔離の有無を示す。

スカラー化された目的関数は次のとおりである。

$$ \min_x ; \alpha \sum_{a \in A} R_a^{res}(x) + \beta \sum_{a \in A} C(a)x_a + \gamma \sum_{a \in A} D(a)x_a $$

制約は以下のとおりである。

$$ \sum_{a \in A} D(a)x_a \le \delta $$

残留リスク $R_a^{res}(x)$ は、縮約グラフ $G_x$ における到達可能性確率として計算される。

定理1. 対応する決定問題は NP 困難である。

証明（概略）. 制約付き最小カット問題を上記の問題へ多項式時間で帰着する。資産を頂点、コストを容量としてモデル化すると、残留リスクが $\tau$ 未満であり、コストが $\delta$ に制限されるような部分集合 $S$ の存在判定は、追加制約付きカット問題の解を意味し、これは NP 困難であることが知られている。$\square$

4. 方法論

アーキテクチャは4つのモジュールから構成される。

1. テレメトリ収集器（EDR、CNAPP、eBPF、LLMログ）;
2. ATT&CK マッパー;
3. 増分グラフ構築エンジン;
4. 多目的最適化器。

増分更新の計算量は時間窓あたり $O(|E_t|)$ である。最適化には分枝限定法を伴う混合整数計画を用いる。最悪ケースは $O(2^{|A|})$ であるが、限界リスクによるソート・ヒューリスティクスは平均的に $O(n \log n)$ の挙動を生み出す。

5. 実装

IR-GraphSec は Python 3.11 で実装した。使用したものは以下のとおりである。

• Neo4j 5.x（NEO4J, 2024）;
• Apache Kafka 3.x;
• OR-Tools 9.x（GOOGLE, 2024）;
• Kubernetes 1.29。

MIP モデリングの例:

from ortools.linear_solver import pywraplp
solver = pywraplp.Solver.CreateSolver("SCIP")
x = {a: solver.BoolVar(f"x_{a}") for a in ativos}
solver.Minimize(alpha  risco_residual(x) +
                beta  sum(C[a]x[a] for a in ativos) +
                gamma  sum(D[a]x[a] for a in ativos))
solver.Add(sum(D[a]x[a] for a in ativos) <= delta)
solver.Solve()

テストでは、平均レイテンシ 2.3 秒で毎分 10,000 イベントの処理が可能であることが示された。

6. 実験評価

環境: 8ノードクラスタ（32コア、128 GB RAM）。データセット: 480万イベント。MITRE Caldera によるシミュレーションを含む（MITRE, 2023b）。

指標	静的SOAR	IR-GraphSec	変化
MTTC (h)	71,2	26,1	−63,4%
残留リスク	1,00	0,61	−38,9%
金銭的影響 (US$ M)	3,1	1,8	−41,9%
計算オーバーヘッド	3%	7,8%	+4,8 p.p.

両側 t 検定により $p < 0{,}01$ が示された。

7. 考察

形式的モデリングは、純粋に深層学習に基づくアプローチよりも高い解釈可能性と監査可能性を提供する。しかし、テレメトリにおける偽陽性は、偽の辺を導入する可能性がある。$w(e)$ の更新に対するベイズ的戦略は、この影響を緩和しうる。

AI 資産および耐量子暗号鍵をグラフに組み込むことで、新たな規制環境における本モデルの有用性は拡大する。

8. 結論

我々は、攻撃グラフと多目的最適化に基づく、IR の自動オーケストレーションのための形式的かつスケーラブルなフレームワーク IR-GraphSec を提示した。適度なオーバーヘッドで、MTTC および残留リスクにおいて大幅な削減を実証した。

今後の課題には、ロバスト強化学習との統合、LLM ベースのエージェントの形式的セキュリティ分析、ならびに耐量子暗号メトリクスの組み込みが含まれる。

References

ALBANESE, M. et al. A Markov Model of Attack Graphs. In: ACM CCS, 2012. Available at: https://dl.acm.org/doi/10.1145/2382196.2382266

ANDERSON, R. Security Engineering. 3. ed. Wiley, 2020. Available at: https://www.cl.cam.ac.uk/~rja14/book.html

ENISA. Threat Landscape 2023. 2023. Available at: https://www.enisa.europa.eu/publications/enisa-threat-landscape-2023

FIRST. Common Vulnerability Scoring System v3.1 Specification. 2019. Available at: https://www.first.org/cvss/specification-document

GOOGLE. OR-Tools Documentation. 2024. Available at: https://developers.google.com/optimization

IBM. Cost of a Data Breach Report 2023. 2023. Available at: https://www.ibm.com/reports/data-breach

MITRE. ATT&CK Framework. 2023a. Available at: https://attack.mitre.org

MITRE. Caldera Framework. 2023b. Available at: https://caldera.mitre.org

NEO4J. Graph Database Platform. 2024. Available at: https://neo4j.com

NIST. Framework for Improving Critical Infrastructure Cybersecurity. 2018. Available at: https://www.nist.gov/cyberframework

NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). 2023. Available at: https://www.nist.gov/itl/ai-risk-management-framework

NOEL, S.; JAJODIA, S. Understanding Complex Network Attack Graphs. ACSAC, 2005. Available at: https://ieeexplore.ieee.org/document/1565252

OWASP. Incident Response Cheat Sheet. 2022. Available at: https://cheatsheetseries.owasp.org

PALO ALTO NETWORKS. Cortex XSOAR. 2023. Available at: https://www.paloaltonetworks.com/cortex/xsoar

SCARFONE, K.; MELL, P. NIST SP 800-61 Rev. 2. 2012. Available at: https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-61r2.pdf

SCHNEIER, B. Attack Trees. Dr. Dobb’s Journal, 1999. Available at: https://www.schneier.com/academic/archives/1999/12/attack_trees.html

SOMMER, R.; PAXSON, V. Outside the Closed World. IEEE S&P, 2010. Available at: https://ieeexplore.ieee.org/document/5504793

SPLUNK. Splunk SOAR Platform. 2023. Available at: https://www.splunk.com/en_us/products/splunk-soar.html

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

WANG, L. et al. An Attack Graph-Based Probabilistic Security Metric. IEEE S&P, 2008. Available at: https://ieeexplore.ieee.org/document/4531140