Research / Paper Files
Paper Files
Paper Files は、学習ツールとして scientific method を適用する、cybersecurity における継続学習の個人的実践です。各記事は学術出版のためではなく、斧を研ぐための意図的な訓練として書かれています。特定トピックへの知識を深め、考えを厳密に整理し、特定の विषयへの理解が時間とともにどう発展するかを観察するためです。これは訓練日誌に相当する知的活動であり、各エントリには何を学び、どのように分析し、どのような結論に至ったかが記録されます。
私は、セキュリティ専門家がこの方法を採用することを強く推奨します。習得したいトピックを一つ選び、一次資料 (RFCs、papers、公式ドキュメント) を調査し、文章を序論、方法論、分析、結論で構成し、同僚に説明するつもりで書いてください。書くという行為は思考の明確さを強制し、受動的な読書では見えない理解の穴をあぶり出します。このサイトの記事を形式と深さの例として活用し、自分自身のコレクションを構築してください。時間が経てば、どのコースや certification でも置き換えられない、洗練された知識の個人リポジトリが手に入ります。
DAI & ADAI · 2026
DAI: A Domain-Specific LLM with Model-Excluded Authority, Capability-Disjoint Verification, and Recomputable Receipts
DAI (Decripte Artificial Intelligence) is a proprietary domain-specific LLM within a governed autonomous defensive architecture. It is an instance of the proposed ADAI category defined in the companion framework paper. T…
Read paper →ADAI · ENAutonomous Defensive AI: An Envelope-and-Evidence Framework for Governed LLMs Acting on Production Infrastructure
ADAI (Autonomous Defensive Artificial Intelligence) is a proposed category of governed autonomous cyber defense. The framework specifies defended perimeters, bounded effects, declared rollback and capability-disjoint ver…
Read paper →9 papers
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
TITLE: 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 ABSTRACT: フィッシングは、企業侵害キャンペーンにおける最も一般的な初期侵入ベクトルであり、近年のインシデント対応レポートによれば、初期アクセスを伴うインシデントの70%以上を占めている。レピュテーションベースのフィルタ、DMARC、およびヒューリスティック検知が進展しているにもかかわらず、現代の攻撃は domain shadowing、adversarial machine learning、正規だが侵害されたインフラの利用、ポリモーフィックなフィッシングキットといった手法を用いて、従来の防御を回避する。本研究では、フォーマルな脅威モデリング、マルチレイヤ相関（メール、DNS、HTTP、エンドポイント）、および文脈化された行動分析に基づくハイブリッド型のフィッシング検知・対応アーキテクチャを提案する。我々はこの問題を、敵対的な不確実性の下での教師あり分類タスクとして定式化し、MITRE ATT&CK の T1566（Phishing）および T1204（User Execution）に整合した適応的能力を持つ攻撃者モデルを構築した。本手法は、URLの静的解析、TF-IDFベクトルおよび埋め込み表現を用いたHTMLコンテンツ分類、インフラストラクチャ特徴量の抽出（WHOIS、ASN、ドメイン年齢）、TLS検査、さらに Sysmon と EDR によるエンドポイントテレメトリを統合する。システムは Postfix、OpenDMARC、Suricata、Zeek、Elastic Stack、YARA、Sigma を用いて実装し、Python のパイプラインと Kafka を介した統合を行った。評価は、1.2百万件のメール（Enron コーパス + PhishTank フィード + Spamhaus DBL）および85千件の悪性URLサンプルからなるデータセット上で実施し、SPF/DKIM/DMARC のみに基づくベースラインおよびベイズ型フィルタと比較した。その結果、検知率97.8%、偽陽性率0.9%を達成し、平均再現率においてベースラインを18.4%上回った。エンドツーエンドの平均検知時間はメッセージあたり420 msであり、一般的な商用インフラにおいて12千通/分のスループットを維持した。現実的なケーススタディを通じて、マルチレイヤ相関が BEC（Business Email Compromise）シナリオにおいて dwell time を48時間から3時間未満へ短縮することを示した。以上より、フォーマルモデリング、文脈的テレメトリ、および自動応答の組み合わせが、適応性の高い現代的フィッシングに対処するために不可欠であると結論づける。
Read paper →Phishingタイトル: 多層相関、脅威インテリジェンス、形式統計モデルに基づくフィッシング検知・緩和のためのハイブリッドアーキテクチャ
タイトル: 多層相関、脅威インテリジェンス、形式統計モデルに基づくフィッシング検知・緩和のためのハイブリッドアーキテクチャ 要旨: フィッシングは依然としてサイバーセキュリティインシデントにおける最も一般的な初期侵入ベクトルであり、企業侵害、認証情報の窃取、ならびにその後のランサムウェア展開の重大な割合を占めている。近年の業界報告によれば、確認済み侵害の36%以上がソーシャルエンジニアリングおよび標的型フィッシングの手法を伴い、しばしば MITRE ATT&CK の T1566（Phishing）および T1204（User Execution）に関連付けられている。本論文では、メール、ドメイン、ネットワークインフラストラクチャ、およびユーザ行動の指標間の多層相関に基づく、フィッシング検知・緩和のためのハイブリッドアーキテクチャを提示し、形式統計モデルと脅威インテリジェンスに基づくルールを組み合わせる。 我々は問題を二値分類関数 f: X → {0,1} として形式的にモデル化し、ここで X は構文的、意味的、時間的、評判的属性から構成される特徴ベクトルを表す。さらに、(i) 適応的正規化を備えた特徴抽出機構と、(ii) Random Forest と YARA および Sigma ルールを組み合わせて文脈的強化を行うハイブリッド分類器、という2つの中核アルゴリズムを開発した。本ソリューションは、Postfix、Suricata、MISP、Elastic Stack、および Scikit-learn を用いて Python で学習されたモデルを含む、実運用のツールを利用して実装した。 実験評価は、実際の企業環境で6か月間に収集した120万件のメールを用いて実施され、その中には48,372件の確認済みフィッシングサンプルが含まれていた。我々のモデルは、検知率97.83%、偽陽性率1.94%、AUC 0.992を達成した。評判ベースおよび SPF/DKIM/DMARC のみに基づくフィルタと比較して、Account Takeover インシデントを42%削減したことを観測した。 これらの結果は、多層相関に脅威インテリジェンスおよび統計的形式化を組み合わせることで、spear phishing や新規登録ドメインを用いた攻撃を含む現代的なフィッシングキャンペーンに対する組織のレジリエンスが大幅に向上することを示している。本研究は、再現可能な方法論、堅牢な定量評価、および SOC と red team 向けの運用上の推奨事項を提供する。
Read paper →Phishingタイトル: フィッシングキャンペーンにおける形式モデリング、マルチレイヤ検出およびインシデント対応：統合的な暗号フォレンジック・アプローチ
タイトル: フィッシングキャンペーンにおける形式モデリング、マルチレイヤ検出およびインシデント対応：統合的な暗号フォレンジック・アプローチ 要旨: フィッシングは、現代のデジタル・エコシステムにおいて、依然として最も広範かつ経済的影響の大きい攻撃ベクトルの一つである。電子メールのフィルタリング、ドメイン認証（SPF、DKIM、DMARC）、およびユーザートレーニングにおける実質的な進展にもかかわらず、近年のキャンペーンは、高度に個別化されたソーシャルエンジニアリング手法、クラウドベースの一時的インフラ、正規サービスの悪用、ならびにエンドツーエンド暗号化チャネルの悪用を取り込むよう進化してきた。本研究では、脅威の形式モデリング、暗号学的な認証・検証技術、マルチレイヤの行動分析、ならびに構造化されたインシデント対応手順を組み合わせた統合的アプローチを提案する。検出と対応を分離して扱う既存研究とは異なり、本稿では、安全ゲームおよび還元論法を含む理論的基盤と、YARA、Sigma、Suricataシグネチャといった具体的な運用実践を接続する統一的な枠組みを提示する。 本研究の貢献は以下の通りである。(i) ソーシャルエンジニアリングのオラクルと認証済みチャネルを含む確率的な敵対的ゲームとしてのフィッシングの形式化、(ii) 敵対者能力を4つの段階的レベルに分類するモデル、(iii) 計算量解析を伴うマルチレイヤ相関アルゴリズム、(iv) 金融セクターおよび医療セクターに関する2つのケーススタディ分析と詳細な運用手順、(v) ドメイン認証ポリシーの形式的検証のための指針、である。また、DMARCのようなメカニズムが持つ構造的限界と、TLSの広範な利用が防御側の検査に及ぼす影響について議論する。 質的な実験評価では、シグネチャベース、教師あり学習ベース、行動検知ベースのアプローチを比較し、homoglyph attacks、新規登録ドメインの悪用、ならびに正規サービス（例えばクラウドストレージ・プラットフォーム）の利用といった回避手法に対する感度を論じる。なお、架空の指標は提示せず、査読付き文献および認知された技術報告に基づいて分析を行う。 フィッシングの効果的な緩和には、応用暗号学、認証ポリシーの形式的検証、脅威インテリジェンス、ならびにインシデント対応工学の統合が必要であると主張する。結論として、FIDO2に基づく強固な認証、TLA+のようなツールを用いたDMARCポリシーの形式的検証、ならびに連携キャンペーンのモデリングのためのグラフベース検出の統合を含む研究課題を提示する。
Read paper →Phishingタイトル: 多層相関、教師あり学習、およびエンドポイント・テレメトリに基づくフィッシング検知・対応のハイブリッドアーキテクチャ
タイトル: 多層相関、教師あり学習、およびエンドポイント・テレメトリに基づくフィッシング検知・対応のハイブリッドアーキテクチャ 要旨: フィッシングは依然としてサイバーセキュリティ事案における最も一般的な初期侵入ベクトルであり、データ侵害、認証情報の侵害、ランサムウェア展開の大きな割合を占めている。近年の業界レポートでは、分析対象となったインシデントの35%以上が MITRE ATT&CK フレームワークの T1566（Phishing）に関連する技術を含み、しばしば T1059（Command and Scripting Interpreter）および T1078（Valid Accounts）と組み合わされていることが示されている。本研究では、メール、DNS、HTTP、エンドポイントの多層相関、教師あり機械学習モデル、ならびに脅威インテリジェンスによるエンリッチメントを統合した、フィッシングに対するハイブリッドな検知・対応アーキテクチャを提案する。手法は、アーティファクト（URL、添付ファイル、SMTPヘッダー）の静的・動的解析、語彙的および行動的特徴量の抽出、ならびにイベントグラフに基づく時間相関を組み合わせる。 我々は、Postfix、Suricata、Zeek、Elastic Stack、MISP、YARA、および Sysmon ベースのエンドポイントエージェントを用いて、運用可能なプロトタイプを実装した。1,200万件のメールを含む制御環境でシステムを評価し、その中にはフィッシングとしてラベル付けされた86,000件のサンプル（PhishTank のデータおよび匿名化された内部コーパスに基づく）が含まれる。Random Forest モデルは、97.3%の精度、96.1%の適合率、94.8%の再現率を達成し、検知率においてレピュテーションのみに基づく手法を18.4%上回った。多層相関により、メール単独の検査と比較して誤検知を32%削減した。 Microsoft 365 の認証情報を悪用した実際のスピアフィッシングキャンペーンを対象とするケーススタディにより、提案手法が平均検知時間（MTTD）を4時間12分から11分へ短縮することを実証した。これらの結果は、特に一時的なインフラや HTTPS および新規登録ドメインに基づく回避技術を用いる現代的なフィッシングキャンペーンを緩和するうえで、エンドポイント・テレメトリ、行動分析、コンテキスト情報に基づく脅威インテリジェンスの統合が不可欠であることを示している。
Read paper →Phishingディープラーニングと形式的脅威モデリングに基づく適応的・マルチモーダルなフィッシング検知と、定量化可能なロバスト性保証
TITLE: ディープラーニングと形式的脅威モデリングに基づく適応的・マルチモーダルなフィッシング検知と、定量化可能なロバスト性保証 ABSTRACT: フィッシングは、社会工学、短命なインフラ、および人工知能に基づく高度な回避技術を組み合わせることで、2025年におけるグローバルなサイバーセキュリティ環境で依然として主要な侵害ベクトルの一つである。本研究では、攻撃者の運用コストに対する明示的な制約を伴う敵対的リスクの形式的モデリングに基づく、フィッシングの適応的検知のためのマルチモーダルアーキテクチャを提案する。我々はこの問題を、予算 ε に制約された攻撃者と分類器 f の間の戦略的ゲームとして形式化し、敵対的リスク R(f,𝒜_ε) を定義するとともに、ε-敵対的ロバスト性のための定量的条件を確立する。レキシカル、構造的（DOM）、Transformer ベースの意味的モダリティ、および視覚的知覚モダリティからなる凸結合は、摂動の部分独立性という仮定の下で分離マージンを保持し、回避の経済的コストを高めることを示す。アーキテクチャは、IDN ホモグラフ、構文変異、動的難読化を含む現実的な変換でパラメータ化された内部攻撃者を用いた min–max 最適化により学習される。我々は、確立された公開ベースから得られた 120 万件の URL からなるデータセット上でシステムを評価し、層化ブートストラップにより信頼区間を算出した。結果は、INT8 量子化後も平均レイテンシが 35 ms 未満を維持しつつ、AUC 0.997、F1 0.986 を示した。標的型攻撃下でも、検知率は 94% を上回り、単一モダリティモデルを上回った。我々は、マルチモーダルなロバスト性の経済的含意、TLS fingerprinting や eBPF を介したテレメトリといった現代的な制御との統合、および AI ガバナンスとデジタル ID に関する指針との整合性について議論する。結論として、形式的基盤と実践的エンジニアリングの組合せにより、企業の運用要件を損なうことなく、測定可能なロバスト性保証を得ることが可能である。
Read paper →PhishingPhishGuard++：現実的脅威モデル下における形式的保証付きマルチモーダル適応型フィッシング検出
TITLE: PhishGuard++：現実的脅威モデル下における形式的保証付きマルチモーダル適応型フィッシング検出 ABSTRACT: フィッシングは2025年の世界的な脅威環境において、依然として最も一般的かつ経済的影響の大きい初期侵入ベクトルの一つであり、Adversary-in-the-Middle（AiTM）キット、動的生成ページ、ならびに大規模生成モデルによって作成された合成コンテンツを取り込む形で進化している。本研究では、語彙的、構造的、視覚的、および行動的シグナルを統合するマルチモーダルかつ堅牢なフィッシング検出アーキテクチャであるPhishGuard++を提案する。本手法は、形式的なmin–maxロバスト学習の定式化の下で構築される。問題をマルチモーダルな敵対的摂動下でのリスク最小化として明示的にモデル化し、任意のドメイン登録、正当なTLS証明書の取得、Unicodeホモグリフ難読化の利用、さらに言語モデルによる自動コンテンツ生成を行う能力を持つ、多項式時間制約付き確率的攻撃者を想定する。提案アーキテクチャは、文字レベルCNN、DOMグラフから導出された構造埋め込み、ResNet-50視覚バックボーン、およびクロスアテンションを備えたTransformerベースの融合モジュールを組み合わせ、FGSMに着想を得た敵対的正則化によって学習される。さらに、Lipschitz連続性の仮定および摂動集合のコンパクト性の下でのロバスト性に関する十分条件を形式的に示し、コンテナ化された本番環境において20 ms未満のレイテンシを保証するための計算複雑性も分析する。提案システムは公開データセット（PhishTank、UCI）およびバランス化された独自コーパスで評価され、平均精度98,73%（±0,21）、AUC 0,992を達成し、Random ForestおよびXGBoostと比較して統計的に有意な性能向上を示した（$p < 0,01$）。さらに、Unicodeホモグリフ難読化およびLLMによって生成された合成コンテンツを用いた実験も実施し、相対的に高いロバスト性を示した。最後に、現代的セキュリティアーキテクチャ（CNAPP、eBPF）との統合可能性や、NISTのデジタルアイデンティティ指針との整合性について議論するとともに、差分プライバシーを伴う連合学習およびモデル保護のためのポスト量子暗号を含む今後の研究課題と限界について述べる。
Read paper →Phishingフィッシングの多チャネル検出および緩和のための適応型ハイブリッドアーキテクチャ：形式的脅威モデリング、敵対的ロバスト性、自己教師あり学習
TITLE: フィッシングの多チャネル検出および緩和のための適応型ハイブリッドアーキテクチャ：形式的脅威モデリング、敵対的ロバスト性、自己教師あり学習 ABSTRACT: フィッシングは、2025年においても、現代的な攻撃チェーンにおける主要な初期侵入ベクトルであり続けており、電子メール、SMS（smishing）、音声（vishing）、インスタントメッセージング、および生成AIベースのプラットフォームを組み合わせた多チャネルキャンペーンに統合されている。VerizonおよびAPWGの最近の報告は、これらのキャンペーンの量と高度化が持続的に増加していることを示しており、これには新規登録ドメイン、Unicodeホモグラフ、短命なインフラの利用が含まれる。本研究では、形式的脅威モデリング、自己教師あり学習、ならびにトランスフォーマーベースの意味表現と組み合わせたURLの構造解析に基づく、多チャネル・フィッシングの検出および緩和のための適応型ハイブリッドアーキテクチャを提案する。問題を深刻な不均衡下における二値分類として形式化し、意味的に保持された摂動に対する敵対的ロバスト性の明示的定義を導入するとともに、敵対的シナリオにおける運用性能指標を定義する。アーキテクチャは3つのモジュールを統合する：(i) ホモグラフ検出および時間的シグナルを備えたURL構造解析器、(ii) BERTimbauに基づく文脈的意味エンコーダ、(iii) 再構成により学習される自己教師あり異常検知器。OpenPhish、PhishTank、Enron由来の320万件のメッセージからなるデータセット上で、層化5分割交差検証を用いてシステムを評価した。その結果、F1スコア98.6%、AUC 0.997を達成し、ホモグラフ攻撃下での性能劣化は3.1%に抑えられ、古典的ベースラインおよび畳み込みニューラルネットワークを上回った。また、NISTのガイドラインに整合するSOC運用において極めて重要な側面である偽陽性を37%削減できることを示した。さらに、CNAPPへの示唆、Kubernetesパイプラインとの統合、WHOISおよび言語バイアスに関連する制約について議論する。最後に、構造解析、意味モデリング、自己教師あり検知の形式的統合は、2025年の脅威エコシステムに対して堅牢で運用上実行可能なアプローチを構成することを結論づける。
Read paper →Phishingタイトル: PHISHGUARD++: 深層学習、敵対的モデリング、およびAIガバナンスを用いたフィッシングのマルチモーダル検出のための形式的で堅牢かつスケーラブルなフレームワーク
タイトル: PHISHGUARD++: 深層学習、敵対的モデリング、およびAIガバナンスを用いたフィッシングのマルチモーダル検出のための形式的で堅牢かつスケーラブルなフレームワーク 要旨: フィッシングは、生成AIに基づく自動化および高度に個別化されたキャンペーンによって増幅されるなか、現代のデジタル・エコシステムにおいて最も蔓延し、かつ経済的影響の大きい侵入ベクトルの一つであり続けている。本研究では、厳密な統計モデリング、深層学習、および min-max 定式化の下での敵対的学習を統合した、フィッシングのマルチモーダル検出のための形式的かつスケーラブルなフレームワーク PHISHGUARD++ を提案する。問題を多モーダル入力空間 X = X_t × X_g × X_v における教師あり分類としてモデル化し、テキスト特徴、構造的特徴（ドメイン、IP、証明書、および ASN 関係からなる異種グラフ）、ならびに視覚特徴を考慮する。期待リスク最小化という古典的な目的を、明示的に ε 制約付き摂動および概念ドリフトのシナリオを捉える、敵対的ロバストリスクの文脈へと再定式化する。提案アーキテクチャは、事前学習済み Transformer、異種グラフニューラルネットワーク、および深層残差畳み込みネットワークを、正則化された遅延融合とともに組み合わせる。Projected Gradient Descent (PGD) に基づく敵対的学習を採用し、L_p ノルムに制約された攻撃下でのロバスト性を評価する。PyTorch 2.x、Apache Kafka、および Apache Flink に基づく実装は、NVIDIA A100 GPU を搭載したクラスタ上で、サンプル当たり平均 12.4 ms の遅延と 1 秒あたり 80,000 件超のイベント処理能力を示し、運用上の実現可能性を実証した。1.54 百万件のバランスされたインスタンスからなるデータセットにおいて、本モデルは F1 = 0.986 ± 0.004 および 0.92% の偽陽性率を達成し、敵対的攻撃下でも制御された性能劣化にとどまった。さらに、AI ガバナンス、NIST ガイドラインへの準拠、および AI リスク管理フレームワークとの整合性に関する含意を論じる。結論として、マルチモーダリティ、ロバスト最適化、ならびに現代的なセキュリティ工学の実践の統合は、大規模言語モデルによって適応的かつ強化されたフィッシングキャンペーンに対するレジリエンスを大幅に向上させることを示す。
Read paper →PhishingPHISHGUARD++: 深層学習、敵対的モデリング、およびAIガバナンスを用いたフィッシングのマルチモーダル検出のための形式的・堅牢・スケーラブルなフレームワーク
TITLE: PHISHGUARD++: 深層学習、敵対的モデリング、およびAIガバナンスを用いたフィッシングのマルチモーダル検出のための形式的・堅牢・スケーラブルなフレームワーク ABSTRACT: フィッシングは、現代のデジタルエコシステムにおいて依然として最も一般的で経済的影響の大きい侵入ベクトルの一つであり、生成AIに基づく自動化や高度にパーソナライズされたキャンペーンによってさらに増幅されている。本研究では、厳密な統計モデリング、深層学習、および min-max 定式化の下での敵対的訓練を統合した、フィッシングのマルチモーダル検出のための形式的かつスケーラブルなフレームワーク PHISHGUARD++ を提案する。問題を、マルチモーダル入力空間 $X = X_t \times X_g \times X_v$ における教師あり分類としてモデル化し、テキスト特徴、構造的特徴（ドメイン、IP、証明書、および ASN 関係からなる異種グラフ）、および視覚的特徴を考慮する。さらに、期待リスク最小化という古典的目的を、敵対的ロバストリスクの文脈へ再定式化し、$\epsilon$ 制限付き摂動およびコンセプトドリフトのシナリオを明示的に捉える。提案アーキテクチャは、事前学習済み Transformer、異種グラフニューラルネットワーク、および深層残差畳み込みネットワークを組み合わせ、正則化された後期融合を採用する。Projected Gradient Descent (PGD) に基づく敵対的訓練を用い、$L_p$ ノルム制約下の攻撃に対するロバスト性を評価する。PyTorch 2.x、Apache Kafka、および Apache Flink に基づく実装は、NVIDIA A100 GPU を備えたクラスター環境において、サンプルあたり平均 12,4 ms のレイテンシと、毎秒 80.000 イベントを超えるスループットを達成し、運用上の実現可能性を示した。1,54 百万のバランスの取れたインスタンスからなるデータセットにおいて、本モデルは $F1 = 0{,}986 \pm 0{,}004$ を達成し、偽陽性率は 0,92% であり、敵対的攻撃下でも制御された性能劣化を示した。さらに、AI ガバナンスの含意、NIST ガイドラインへの準拠、および AI リスク管理フレームワークとの整合性について議論する。結論として、マルチモーダリティ、ロバスト最適化、および現代的なセキュリティエンジニアリング実践の統合は、適応的かつ大規模言語モデルによって強化されたフィッシングキャンペーンに対するレジリエンスを大きく向上させることを示す。
Read paper →