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 →189 papers
タイトル: マルチモーダル時間モデル化と大規模確率推論による適応的高度持続的脅威検知
タイトル: マルチモーダル時間モデル化と大規模確率推論による適応的高度持続的脅威検知 要旨: ハイブリッドおよびクラウドネイティブ環境における高度持続的脅威（APT）の高度化は、侵害の早期検知に対して重大な課題をもたらしている。2025年の運用環境には、マルチクラウドアーキテクチャ、CNAPP（Cloud-Native Application Protection Platforms）、エフェメラルなワークロード、eBPFによるテレメトリ、ならびに大規模言語モデル（LLMs）に関連する新たなリスクが含まれる。本研究では、動的なマルチモーダルグラフと多変量Hawkes過程の統合に基づく、APTの適応的検知のための形式モデルを提案し、これを明示的なベイズ的観点の下で構築する。イベントフローを異種時間系列として定式化し、悪意ある活動の伝播を、スペクトル安定性制約を伴う自己励起過程としてモデル化する。最適意思決定は、偽陽性率の明示的制約を伴う0–1損失の下で導出され、ベースレート問題の本質に対処する。アーキテクチャはApache Kafka、Apache Flink、分散ストレージを用いた分散環境上に実装し、eBPFベースのテレメトリ抽出およびMITRE ATT&CKに整合した文脈付与を組み込んだ。評価はCIC-IDS2017、DARPA Transparent Computing、および23億イベントを含む匿名化された企業データセットで実施した。結果は、Isolation Forest、LSTM、Sigmaルールなどのベースラインと比較して、F1スコアの統計的に有意な向上（p < 0.01）、偽陽性率の38%削減、AUC 0.97を示した。さらに、AIベースシステムのセキュリティ、モデルガバナンス、および新興の耐量子制御との統合に関する含意を議論する。以上より、関係的確率モデリングは、可観測性、コンプライアンス、およびサイバー耐性に関する現代的要件に適合する、大規模な適応的検知のための堅牢な理論的基盤と運用上実行可能な枠組みを提供することを結論づける。
Read paper →Detection異種企業環境における確率的融合と継続学習に基づく高度脅威の適応型マルチレイヤ検知
異種企業環境における確率的融合と継続学習に基づく高度脅威の適応型マルチレイヤ検知 現代の企業環境における脅威検知は、ハイブリッドインフラストラクチャ、マルチクラウドアーキテクチャ、モバイルデバイス、コンテナ化されたワークロード、APIによって露出する攻撃面、さらに人工知能ベースのシステムの統合拡大が収束していることにより、構造的に複雑な問題となっている。最近の報告によれば、侵害された認証情報、既知の脆弱性の悪用、および正規ツールの不正利用が依然として主要な侵入ベクトルの一つであり、攻撃者の平均滞在時間（dwell time）も依然として顕著であることから、従来の検知メカニズムの限界が示されている（VERIZON, 2024; MANDIANT, 2023）。本研究では、ほぼリアルタイムの検知問題を、システム全体の侵害状態という潜在状態に対する確率的推論として定式化する。この潜在状態はマルコフ過程によってモデル化され、複数のテレメトリ層から得られる異種証拠の融合によって推定される。われわれは、AMuLeT（Adaptive Multi-Layer Threat detection）フレームワークを提案する。これは層ごとに教師あり分類器とオートエンコーダを組み合わせ、近似的条件付き独立の仮定の下で対数尤度比規則によって統合するものである。さらに、コンセプトドリフトおよび敵対的進化を緩和しつつ、歴史的に重要なパラメータを保持するため、弾性正則化を用いた継続学習メカニズムを導入する。本手法は、広く利用されている公開データセットおよび大規模企業データセット上で実証的に評価され、総計で数十億件のイベントを対象とした。結果として、単独モデルと比較して、AUC、F1-score、偽陽性率、および平均検知時間の短縮において統計的に有意な改善が確認された。さらに、NISTの推奨事項およびCNAPP、eBPF、大規模言語モデルのセキュリティといった最新動向を踏まえた実務的含意を議論し、動的グラフおよび差分プライバシーの形式的保証を伴うフェデレーテッドラーニングを含む将来拡張の方向性を示す。
Read paper →Detectionタイトル: 高度脅威の適応型マルチレイヤー検知：異種企業環境における確率的融合と継続学習に基づく手法
タイトル: 高度脅威の適応型マルチレイヤー検知：異種企業環境における確率的融合と継続学習に基づく手法 要旨: 現代の企業環境における脅威検知は、ハイブリッドインフラストラクチャ、マルチクラウドアーキテクチャ、モバイルデバイス、コンテナ化されたワークロード、APIによって露出する攻撃面、ならびに人工知能ベースのシステムの統合拡大が収束することにより、構造的に複雑な問題となっている。最近の報告によれば、侵害された認証情報、既知脆弱性の悪用、正規ツールの悪用は依然として主要な侵入ベクトルの一つであり、攻撃者の平均滞留時間（dwell time）も依然として長く、従来の検知機構の限界を示している（VERIZON, 2024; MANDIANT, 2023）。本研究では、準リアルタイムの検知問題を、システム的侵害の潜在状態に関する確率的推論として定式化し、その状態をマルコフ過程でモデル化し、複数のテレメトリ層から得られる異種エビデンスの融合によって推定する。私たちはAMuLeT（Adaptive Multi-Layer Threat detection）フレームワークを提案する。これは、各層ごとの教師あり分類器とオートエンコーダを組み合わせ、条件付き独立の近似仮説の下で対数尤度比則を用いて統合するものである。さらに、concept driftおよび敵対的進化を緩和しつつ、歴史的に重要なパラメータを保持するために、弾性正則化を伴う継続学習機構を導入する。我々は、この手法を広く利用されている公開データセットおよび大規模な企業データセット上で実証的に評価し、総計で数十億件のイベントを対象とした。結果は、単独モデルと比較して、AUC、F1-score、偽陽性率、および平均検知時間の短縮において統計的に有意な改善を示した。さらに、NISTの推奨やCNAPP、eBPF、大規模言語モデルのセキュリティといった現代的潮流を踏まえて実務上の含意を論じ、動的グラフおよび差分プライバシーの形式的保証を伴う連合学習を用いた将来拡張を示した。
Read paper →Detection自己教師あり表現学習とマルチレベル時間相関を用いた企業環境におけるサイバー脅威のハイブリッド適応型検出
TITLE: 自己教師あり表現学習とマルチレベル時間相関を用いた企業環境におけるサイバー脅威のハイブリッド適応型検出 ABSTRACT: 現代の企業環境におけるサイバー脅威の検出には、異種イベントを相関させ、複雑な時間依存関係をモデル化し、正当な認証情報の悪用、ファイルレス技術、ならびに MITRE ATT&CK に整合したマルチステージ攻撃チェーンを利用する攻撃者に適応できるメカニズムが求められる。本研究では、自己教師あり表現学習、階層的時間モデリング、および動的グラフ上の確率的相関を統合したハイブリッドアーキテクチャを提案し、概念ドリフト下において感度を損なうことなく偽陽性を低減することを目的とする。問題は $P(Y=1 \mid G_{t-k:t})$ の推定として定式化され、ここで $G_{t-k:t}$ は複数のテレメトリソース（認証ログ、エンドポイントイベント、ネットワークフロー、およびクラウドテレメトリ）から抽出された時間グラフのスライディングウィンドウを表す。自己教師ありコンポーネントは軽量 Transformer による時間的コンテキスト予測に基づき、十分なラベルが存在しない状況においても堅牢な意味的埋め込み（embeddings）の学習を可能にする。マルチレベル相関段階では、ATT&CK 技術と整合する部分グラフ上に定義された対数線形ポテンシャルを用いることで、運用上の解釈可能性を確保する。本手法は Apache Kafka、Apache Flink、PyTorch、および Neo4j を用いた分散インフラ上に実装され、24 ノードのクラスタにおいて毎秒 12 万イベントの持続スループットを達成した。モデルは CIC-IDS2017、LANL Cybersecurity Dataset、および 42 億イベントを含む企業内データセットで評価した。結果として、平均 AUC 0,982、F1 0,941、TPR 96,4%、FPR 3,1% を観測し、Isolation Forest、DeepLog、LSTM Autoencoder などのベースラインと比較して偽陽性を相対的に 38% 削減した（$p < 0{,}01$）。さらに、SIEM および CNAPP プラットフォームとの統合に関する示唆や、差分プライバシーを伴う連合学習および敵対的ロバスト性を含む拡張について議論する。これらの結果は、自己教師あり表現と確率的構造相関の組み合わせが、2025 年時点の最先端に至る大規模適応型検出のための有望なアプローチであることを示している。
Read paper →Secretsタイトル: クラウドネイティブ・インフラにおけるシークレットのガバナンス、検知、および自動ローテーションのための形式アーキテクチャ
タイトル: クラウドネイティブ・インフラにおけるシークレットのガバナンス、検知、および自動ローテーションのための形式アーキテクチャ 要旨: 計算機シークレットの不適切な管理は、クラウドネイティブ・インフラにおける侵害の主要因の一つであり続けている。アクセストークン、暗号鍵、データベース認証情報、デジタル署名アーティファクトは、公開リポジトリ、継続的インテグレーションのパイプライン、アプリケーションログにしばしば露出する。2025年には、Kubernetes ベースのアーキテクチャ、DevSecOps 実践、CNAPP（Cloud-Native Application Protection Platform）、および開発フローに統合された大規模言語モデル（LLMs）の普及を背景に、シークレットに関連する攻撃面は大幅に拡大した。本研究では、数理モデリングと時相的性質の検証に基づく、シークレットのガバナンス、検知、および自動ローテーションのための形式アーキテクチャを提案する。シークレットのライフサイクルを時間付きオートマトンとしてモデル化された動的システムとして形式化し、線形時相論理を用いて機密性および整合性の保証を表現する。さらに、Shannon エントロピーに Miller–Madow 補正を組み合わせたハイブリッド検知機構、構造パターン、および gradient boosting に基づく教師あり学習を導入する。露出ウィンドウを形式的に定義し、累積リスクを瞬時の悪用率の積分としてモデル化する。加えて、原子性および監査可能性の保証を備えた適応的ローテーション・プロトコルを提案し、Kubernetes 環境および NIST の指針に従う耐量子暗号プラクティスに適合したシークレット管理ツールと統合する。12,457 の公開リポジトリおよび 10,000 pods を有するクラスタ上で実証評価を行い、精度 0.978、再現率 0.95、ならびに露出ウィンドウの平均 89% 削減を達成した。結果の統計的有意性を示し、マルチクラウド環境におけるセキュリティ・ガバナンスおよび露出した認証情報に関連する MITRE ATT&CK 技術の緩和に対する含意を論じる。結論として、数理的形式化、自動検知、および適応的ローテーションの統合は、クラウドネイティブ・インフラにおけるシークレットに関連するシステム的リスクを低減するための有効かつ検証可能なアプローチである。
Read paper →Secretsクラウドネイティブ・インフラストラクチャにおけるシークレットのガバナンス、検知、および自動ローテーションのための形式的アーキテクチャ
TITLE: クラウドネイティブ・インフラストラクチャにおけるシークレットのガバナンス、検知、および自動ローテーションのための形式的アーキテクチャ ABSTRACT: コンピュテーショナル・シークレットの不適切な管理は、依然としてクラウドネイティブ・インフラストラクチャにおける侵害の主要因の一つである。アクセストークン、暗号鍵、データベース認証情報、デジタル署名アーティファクトは、公開リポジトリ、継続的インテグレーション・パイプライン、およびアプリケーション・ログにしばしば露出する。2025年において、Kubernetesベースのアーキテクチャ、DevSecOpsプラクティス、CNAPP（Cloud-Native Application Protection Platform）、ならびに開発フローに統合された大規模言語モデル（LLMs）の広範な利用が定着したことで、シークレットに関連する攻撃面は大幅に拡大した。本研究では、数学的モデリングと時間的性質の検証に基づく、シークレットのガバナンス、検知、および自動ローテーションのための形式的アーキテクチャを提案する。シークレットのライフサイクルを時間オートマトンでモデル化された動的システムとして形式化し、機密性と整合性の保証を線形時相論理によって表現する。さらに、ShannonエントロピーとMiller–Madow補正、構造的パターン、およびgradient boostingに基づく教師あり学習を組み合わせたハイブリッド検知機構を導入する。露出ウィンドウを厳密に定義し、累積リスクを瞬時の悪用率の積分としてモデル化する。加えて、NISTの指針に従った耐量子暗号の実践に適合するシークレット管理基盤と統合された、原子性および監査可能性を保証する適応的ローテーション・プロトコルを提案する。本解決策を12,457件の公開リポジトリおよび10,000 podを有するクラスターで実証的に評価し、precision 0.978、recall 0.95、ならびに露出ウィンドウの平均89%削減を得た。結果の統計的有意性を示し、マルチクラウド環境におけるセキュリティ・ガバナンスおよび露出した認証情報に関連するMITRE ATT&CK技術の緩和への含意を論じる。結論として、数学的形式化、自動検知、および適応的ローテーションの統合は、クラウドネイティブ・インフラストラクチャにおけるシークレットに関連するシステミック・リスクを低減するための有効かつ検証可能なアプローチである。
Read paper →Secretsタイトル: クラウドネイティブ環境における暗号学的に検証可能なシークレットのオーケストレーション: 形式モデル、分散アーキテクチャ、および大規模実証評価
タイトル: クラウドネイティブ環境における暗号学的に検証可能なシークレットのオーケストレーション: 形式モデル、分散アーキテクチャ、および大規模実証評価 要旨: マイクロサービス、コンテナ、CI/CD パイプラインに基づくクラウドネイティブ・アーキテクチャの採用拡大は、シークレット管理を分散システムのセキュリティにおける中心的課題へと押し上げた。認証情報、API トークン、および暗号鍵の漏えいが繰り返し発生していることは、従来の、安全な保管のみに焦点を当てたアプローチでは、きわめて一時的な環境において機密性と適時な失効を保証するには不十分であることを示している。本研究では、ラベル付き遷移システムに基づくシークレットのライフサイクルに関する形式モデルを提案し、時間的露出と累積リスクの定量指標を定義する。さらに、MITRE ATT&CK フレームワークおよび現代的なクラウドセキュリティ実践と整合する脅威モデルの下で、機密性、完全性、一時性、および失効可能性の性質を形式化する。加えて、HSM における暗号学的に安全な生成、TPM 2.0 に基づくリモートアテステーション、SPIFFE/SPIRE によるワークロード ID、Envoy を用いた mTLS 通信、継続的異常検知、ならびに機械学習に基づく適応的失効を統合する VSMO（Verifiable Secrets Management and Orchestration）アーキテクチャを導入する。システムは、512 ノードおよび 38,000 の稼働中ポッドを備えた Kubernetes v1.29 クラスタ上で評価され、広く利用されている 3 つのベースラインと比較した。結果は、発行あたり 5 ms 未満の追加レイテンシを維持しつつ、時間的露出が平均 72.4% 減少し、シークレットの不正再利用が 63.1% 減少することを示した。さらに、妥当な検知率の仮定の下では、露出期待値が継続的モニタリング能力に反比例することを示す。本研究は、形式的厳密性、検証可能なアーキテクチャ、および大規模実証検証を統合することで貢献し、2025 年時点の最先端に至るクラウドネイティブ環境における暗号学的に検証可能なシークレット・オーケストレーションのための理論的基盤と実証的証拠を提供する。
Read paper →Secretsクラウドネイティブ環境における暗号学的に検証可能なシークレットオーケストレーション：形式モデル、分散アーキテクチャ、および大規模実証評価
TITLE: クラウドネイティブ環境における暗号学的に検証可能なシークレットオーケストレーション：形式モデル、分散アーキテクチャ、および大規模実証評価 ABSTRACT: マイクロサービス、コンテナ、CI/CDパイプラインに基づくクラウドネイティブアーキテクチャの急速な普及により、シークレット管理は分散システムセキュリティにおける中心的課題へと浮上している。認証情報、APIトークン、暗号鍵の継続的な漏洩は、安全な保存のみに依存する従来型アプローチが、高度にエフェメラルな環境において機密性および適時の失効を保証するには不十分であることを示している。本研究では、ラベル付き遷移系に基づくシークレットのライフサイクルの形式モデルを提案し、時間的露出および累積リスクの定量的指標を定義する。さらに、MITRE ATT&CKフレームワークおよび現代のクラウドセキュリティ実践と整合する脅威モデルの下で、機密性、完全性、エフェメラリティ、および失効可能性の特性を形式化する。加えて、VSMO（Verifiable Secrets Management and Orchestration）アーキテクチャを導入する。これは、HSMにおける暗号学的に安全な生成、TPM 2.0に基づくリモートアテステーション、SPIFFE/SPIREによるワークロードアイデンティティ、Envoyを用いたmTLS通信、継続的な異常検知、および機械学習に基づく適応的失効を統合するものである。本システムを、512ノードおよび38,000のアクティブPodを持つKubernetes v1.29クラスター上で評価し、広く利用されている3つのベースラインと比較した。結果として、シークレット発行あたり5 ms未満の追加レイテンシを維持しつつ、平均72.4%の時間的露出削減と63.1%のシークレット不正再利用の減少が確認された。さらに、検知率に関する合理的な仮定の下では、期待露出が継続的モニタリング能力に反比例することを示す。本研究は、形式的厳密性、検証可能なアーキテクチャ、および大規模な実証的検証を統合することで、2025年時点の最先端に至るクラウドネイティブ環境における暗号学的に検証可能なシークレットオーケストレーションのための理論的基盤と実践的証拠を提供する。
Read paper →SecretsSecretGraph: クラウドネイティブ・エコシステムにおけるシークレットの管理、検出、および適応的ローテーションのための形式的・スケーラブル・検証可能なアーキテクチャ
TITLE: SecretGraph: クラウドネイティブ・エコシステムにおけるシークレットの管理、検出、および適応的ローテーションのための形式的・スケーラブル・検証可能なアーキテクチャ ABSTRACT: デジタルシークレットの管理は、弾力性、ワークロードのエフェメラル性、継続的インテグレーション、およびAPIを介した広範な公開によって特徴づけられるクラウドネイティブインフラストラクチャにおいて、主要なリスク要因の一つとして確立されている。近年の産業レポートによれば、侵害された認証情報は依然としてセキュリティ侵害の主因の一つであり、DevSecOpsパイプラインおよび公開アーティファクトの増加が攻撃面を拡大させている。本研究では、シークレット露出の問題を、動的有向グラフ上における重み付き露出時間最小化問題として形式化する。このグラフでは、頂点が計算主体のアイデンティティを表し、辺が認証情報によって媒介される依存関係を表す。シークレット平均露出時間（MSET: Mean Secret Exposure Time）を含む定量的指標を定義し、構造的依存関係の下での最適ローテーション方策が、任意重みと優先関係を持つ古典的スケジューリング問題への還元によりNP困難であることを示す。さらに、静的解析、動的モニタリング、コンテキスト検査を組み合わせたハイブリッド検出、依存関係グラフのインクリメンタル構築、媒介中心性に基づく優先度付け、および暗号化ボルトAPIを介した適応的ローテーションオーケストレーションを統合するアーキテクチャSecretGraphを提案する。GoおよびRustでプロトタイプを実装し、Kubernetes、SPIFFE/SPIRE、HashiCorp Vaultと統合した上で、最大10,000のアクティブシークレットと120万件のコミットを含む環境で評価を行った。その結果、固定ローテーションポリシーと比較してMSETを78.4%削減しつつ、平均CPUオーバーヘッドを7%未満に維持した。さらに、MITRE ATT&CK技術との関係、NISTが推奨する耐量子暗号との統合、およびメトリクス指向のセキュリティガバナンスへの含意について議論する。結論として、シークレット依存関係の構造的モデリングを明示的に行うことで、形式的保証と大規模運用上の実用性を維持しながら、攻撃可能な露出ウィンドウを測定可能な形で削減できることを示す。
Read paper →Secretsタイトル: クラウドネイティブ基盤におけるシークレットの管理、検出、および自動ローテーションのための形式的かつスケーラブルなアーキテクチャ
タイトル: クラウドネイティブ基盤におけるシークレットの管理、検出、および自動ローテーションのための形式的かつスケーラブルなアーキテクチャ 要旨: シークレット管理は、エフェメラルなマイクロサービス、DevSecOps パイプライン、および動的オーケストレーションによって攻撃対象領域が大幅に拡大するクラウドネイティブ基盤におけるセキュリティの柱の一つである。侵害された認証情報は、実際のインシデントにおいて依然として最も悪用されるベクトルの一つであり、特に有効なアカウントの悪用やコードリポジトリからのシークレット抽出を通じて問題となる。本研究では、厳密な数学的モデリングに基づき、Zero Trust、ソフトウェアサプライチェーンセキュリティ、および2025年までの cloud-native 環境保護に関する現代的指針に整合した、シークレットの管理、検出、および自動ローテーションのための形式的かつスケーラブルなアーキテクチャを提案する。シークレットのライフサイクルを時間付き状態遷移システムとして形式化し、機密性、原子性、および結果整合性に関する定量的性質を定義する。さらに、Shannon エントロピーに基づくフィルタリングと文脈依存の教師あり分類を組み合わせたハイブリッド検出アルゴリズムを提示し、偽陽性および偽陰性確率に対する形式的な境界を与える。また、分散時間順序に着想を得た、crash-stop 型の部分故障モデル下で保証を持つ自動ローテーションプロトコルを導入する。Go および Rust で実装し、Kubernetes、HashiCorp Vault、ならびに eBPF による可観測性メカニズムと統合した本システムは、1,200 のマイクロサービスと 85,000 のアクティブなシークレットを持つ大規模環境で評価された。その結果、平均精度 96.1%、再現率 94.3%、および平均検出時間の 78.4% 削減が示された。さらに、制限事項、生成 AI 環境への含意、および言語モデルとコード自動化に関連する新たなリスクについて議論する。結論として、数学的形式化、文脈的検出、および原子性のあるローテーションの組合せは、クラウドネイティブ・エコシステムにおけるシークレット漏えいを体系的に緩和するための堅牢かつ検証可能なアプローチである。
Read paper →Secretsクラウドネイティブ基盤における秘密情報の管理、検知、および自動ローテーションのための形式的かつスケーラブルなアーキテクチャ
TITLE: クラウドネイティブ基盤における秘密情報の管理、検知、および自動ローテーションのための形式的かつスケーラブルなアーキテクチャ ABSTRACT: 秘密情報の管理は、クラウドネイティブ基盤におけるセキュリティの中核を成す柱の一つであり、そこでは短命なマイクロサービス、DevSecOps パイプライン、および動的オーケストレーションが攻撃面を大幅に拡大する。侵害された認証情報は、実世界のインシデントにおいて最も悪用される攻撃ベクトルの一つであり、特に有効なアカウントの利用およびコードリポジトリからの秘密情報抽出を通じて顕著である。本研究では、厳密な数学的モデリングに基づき、Zero Trust、ソフトウェア・サプライチェーン・セキュリティ、および2025年までのcloud-native環境保護に関する現代的指針に整合した、秘密情報の管理、検知、および自動ローテーションのための形式的かつスケーラブルなアーキテクチャを提案する。我々は、秘密情報のライフサイクルを時限状態遷移システムとして形式化し、機密性、原子性、ならびに最終的整合性に関する定量的性質を定義する。さらに、Shannon エントロピーに基づくフィルタリングと文脈的な教師あり分類を組み合わせたハイブリッド検知アルゴリズムを提示し、偽陽性および偽陰性確率に対する形式的な上界を与える。加えて、分散時間順序付けに着想を得た、crash-stop 型の部分故障モデル下で保証を備えた自動ローテーション・プロトコルを導入する。Go および Rust で実装し、Kubernetes、HashiCorp Vault、および eBPF による観測機構と統合した本システムは、1,200 のマイクロサービスと 85,000 のアクティブな秘密情報を含む大規模環境で評価された。その結果、平均精度 96.1%、再現率 94.3%、および平均検知時間の 78.4% 削減が示された。我々は、制約、生成 AI 環境への含意、ならびに言語モデルおよびコード自動化に関連する新たなリスクについて議論する。結論として、数学的形式化、文脈的検知、および原子的ローテーションの組み合わせは、クラウドネイティブ・エコシステムにおける秘密情報漏えいを体系的に緩和するための、堅牢かつ検証可能なアプローチである。
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 →Researchハイブリッド企業環境におけるLiving-off-the-Land型脅威の検出および適応的緩和のための形式的に検証可能なアーキテクチャ
TITLE: ハイブリッド企業環境におけるLiving-off-the-Land型脅威の検出および適応的緩和のための形式的に検証可能なアーキテクチャ ABSTRACT: ハイブリッドおよびマルチクラウドアーキテクチャの採用拡大、Zero Trustモデルの定着、さらに従来型ワークロードと人工知能ベースのシステムの統合により、2025年までに組織の攻撃面は大幅に拡大した。この文脈において、Living-off-the-Land（LotL）技術は支配的となり、正規のバイナリおよびネイティブ管理インターフェースを悪用することで従来の検出メカニズムを回避する。本研究では、LotL脅威の検出および適応的緩和のための形式的基盤を持つアーキテクチャを提案する。このアーキテクチャは、時間的プロベナンスグラフ、適応的しきい値を伴うKullback–Leiblerダイバージェンス、ならびに多項式時間に制限された攻撃者と検出器の間の確率的ゲームモデリングを組み合わせるものである。我々はこの問題を実験 $\mathsf{LotL\text{-}Evasion}(n)$ として形式化し、測定可能な最小統計偏差の下での回避確率が無視可能であることを安全性の定義とする。さらに、HoeffdingおよびPinskerの不等式を用いて、回避確率に対する指数的上界を、全変動距離と観測ウィンドウサイズの関数として導出する。提案アーキテクチャは、eBPF、ETW、auditdを介したテレメトリ収集、Apache Flinkによるストリーム処理、Elastic Common Schemaに基づく正規化、およびCNAPPおよびSOARプラットフォームとの統合を含み、NIST SP 800-207および現代的なAIガバナンス実践との整合性を維持する。bootstrapおよびWilcoxon検定を用いた実験評価により、相対的偽陽性の統計的に有意な削減と、多段階シナリオにおける平均検出時間の改善が示された。さらに、concept drift、テレメトリ完全性、言語モデル支援型攻撃に関連する含意について議論し、隠れマルコフ連鎖、差分プライバシーを伴う連合学習、PRISMによる確率的検証を含む拡張可能性を検討する。以上より、因果モデリングと情報理論の統合は、現代の企業環境におけるLotL脅威の適応的緩和に対して、形式的保証と強固な実証的証拠の双方を確立できることを示す。
Read paper →ResearchARCUS: 分散環境における脅威の適応的検知と封じ込めのためのレジリエントかつコンテキスト統合型アーキテクチャ
本稿では、分散ネットワーク環境における脅威の適応的検知と封じ込めを目的として、ARCUS というレジリエントかつコンテキスト統合型アーキテクチャを提案する。2007 年時点の技術的背景に整合させるため、対象環境は主として企業内ネットワーク、DMZ、複数セグメント、外部公開サービス、ならびに仮想化基盤を含む分散システムとして定式化する。提案手法は、IDS/IPS、SIEM、認証基盤、PKI、ログ監査、ホスト監視を横断的に統合し、イベントを確率的時間グラフとして表現することで、シグネチャ検知と異常検知の双方を補完的に用いる。これにより、ワーム感染、バッファオーバーフロー、SQL インジェクション、認証情報漏えい、横展開といった 2007 年以前に現実的であった脅威に対し、文脈依存の相関分析を通じてより高い検知精度を実現する。さらに、封じ込めを最適化問題として定式化し、可用性制約と職務分離制約を保ちながら自動応答の安全性を確保する。評価では、既存のシグネチャベース IDS と単純な相関ルールに対し、AUC-ROC、F1-score、偽陽性率の各指標で改善が確認され、特に運用上重要な誤検知の抑制と初動対応の迅速化において有効性が示された。以上より、ARCUS は、当時の組織が直面していた境界防御の限界を補い、分散環境における検知・判断・封じ込めを一体化する実践的枠組みとして位置付けられる。
Read paper →Researchハイブリッド企業環境における動的グラフに基づく横方向移動の確率的検出と時間相関
TITLE: ハイブリッド企業環境における動的グラフに基づく横方向移動の確率的検出と時間相関 ABSTRACT: Active Directory オンプレミス、Microsoft Entra ID、複数のパブリッククラウド、コンテナ化されたワークロード、および SaaS アプリケーションを統合するハイブリッド企業環境の統合は、攻撃対象領域とアイデンティティおよびネットワーク依存関係の構造的複雑性を大幅に拡大させた。この文脈において、横方向移動は現代の攻撃チェーンにおける重要な段階であり続けており、特にランサムウェア、スパイ活動、ならびに正規アカウントの侵害のシナリオで顕著である。本研究では、異種テレメトリフローにおけるマルチホップの認証およびリモートアクセスのパターンを捉えることを目的として設計された、インクリメンタルなベイズ推論を備えた動的時間グラフに基づく確率的検出の形式モデルを提案する。時間グラフを添字付き族 $\{G_t\}_{t \in T}$ として形式化し、経路の正当性確率を、適応的指数更新によりパラメータ化された条件付き確率の積としてモデル化する。閾値 $\tau$ を用いた単調枝刈りの下での完全性特性を示し、深さ制限付き列挙アルゴリズムの漸近計算量を解析し、さらに偽陽性のキャリブレーションにおけるベースレート問題の影響を検討する。本モデルを、現代的なストリーム処理アーキテクチャ（Kafka および Flink）およびグラフ指向の永続化機構と統合し、Sigma を介した相互運用性と MITRE ATT&CK へのマッピングを実現する。厳密な時間的検証を用いた実験評価により、本手法を静的ルールおよび Isolation Forest などの非教師あり手法と比較し、現実的な運用制約下で一貫した偽陽性削減を観測した。さらに、条件付き独立性仮定、テレメトリ完全性、敵対的適応性に関連する制限事項を議論するとともに、CNAPP、eBPF、およびフェデレーション・アイデンティティ悪用検出を含む環境におけるセキュリティへの含意について考察する。結論として、構造的確率モデリングは、解釈可能性、形式的厳密性、および運用上の実行可能性の間で有利なトレードオフを提供し、時間的 Graph Neural Networks や形式的敵対的評価を含む将来の拡張に向けた堅固な基盤を構成することを示す。
Read paper →ResearchARCUS：2007年時点のハイブリッド環境における高度脅威の適応的検出のための統合相関と意味解析を備えたレジリエントアーキテクチャ
本稿では、2007年時点の企業ネットワーク環境を前提として、複数ドメインに分散したセキュリティイベントを統合的に解釈し、高度持続的脅威および多段階攻撃の早期検出を実現するレジリエントアーキテクチャ ARCUS を提案する。2007年の運用現場では、境界防御、IDS/IPS、SIEM、認証基盤、PKI、脆弱性管理、フォレンジックが依然として中心的役割を担っていたが、既存の相関機構は、ログの構文的一致に依存し、主体・対象・時系列・文脈の関係を十分に保持できないという制約を抱えていた。本研究は、この制約を克服するために、イベントを形式的タプルとして定義し、通信・認証・ホスト・アプリケーション由来の事象を有向時間グラフとして表現する。さらに、ルールベース相関、増分統計検知、グラフ近傍集約を組み合わせたハイブリッド推論により、異常シーケンスと攻撃連鎖の双方を捉える枠組みを構築する。 ARCUS の設計原則は、(i) 低遅延なイベント取り込み、(ii) 意味正規化、(iii) 時間依存関係の保持、(iv) 増分更新、(v) インシデント対応手順との整合、の5点である。理論的には、イベント $e=(s,a,o,t,\lambda)$ と動的グラフ $G_t=(V_t,E_t,\phi)$ に基づいてモデル化を定式化し、スライディングウィンドウ内での相関計算と逐次的な異常スコア更新を可能にする。実験では、匿名化した運用ログ、DARPA-2000 系の評価データ、ならびに制御された模擬攻撃シナリオを用い、従来型 SIEM ベースラインと比較した。その結果、ARCUS は偽陽性率の低減、平均検知時間の短縮、ならびに多段階攻撃の連鎖可視化において優位性を示した。これらの結果は、2007年当時の実務要件に適合した形で、意味的相関と時間的相関を統合することの有効性を示している。
Read paper →Research多層時間相関とロバスト統計的推論に基づく高度持続的脅威のプロアクティブ検出のための適応型アーキテクチャ
本研究では、企業ネットワークにおける高度持続的脅威（APT）の早期検出を目的として、複数層のイベントを時間的に相関付ける適応型アーキテクチャを提案する。2007年時点における実運用上の制約、すなわちシグネチャベースIDSの限界、ログの不完全性、ラテラルムーブメントの隠蔽性、および偽陽性の多発という課題を前提に、われわれはネットワーク、ホスト、認証、アプリケーションの各イベントを統合し、動的グラフとして表現する枠組みを構成した。各エッジ重みはHuber型のロバストM推定により推定され、外れ値や部分的なログ改ざんに対して安定な相関推定を可能にする。さらに、時間依存の潜在侵害状態をベイズ的に更新し、観測系列が既知の侵入段階に整合する確率を逐次推定することで、単純な閾値判定では捉えにくい多段階攻撃を検出する。理論的には、$\epsilon$-汚染モデルの下でのロバスト性と、スライディングウィンドウに基づく計算量の上界を示す。実験では、公開データセットと企業環境由来の大規模イベント集合を用い、Random Forest、LSTM、Isolation Forest と比較した。その結果、提案手法は偽陽性率を低減し、平均検知時間を短縮しつつ、敵対的ノイズ下でも性能劣化を抑制した。本稿は、2007年当時に実装可能な技術要素のみに基づき、境界防御、IDS/IPS、SIEM、PKI、暗号基礎、ならびにデジタル・フォレンジクスとの接続可能性を明確化した統合的アーキテクチャを提示する。
Read paper →CryptoCryptoResilient：分散インフラストラクチャにおける高度攻撃緩和のための適応的かつ形式的検証可能な暗号アーキテクチャ
本研究は、分散インフラストラクチャにおいて暗号技術を単なる保護手段としてではなく、脅威状況に応じて再構成可能な制御対象として扱う適応的な暗号アーキテクチャを提案する。従来、機密性や完全性を担保する暗号プリミティブは、理論上の安全性に基づいて評価されてきたが、実運用環境では、鍵管理、実装欠陥、認証情報漏えい、再送制御の不備、ならびに運用ポリシーの硬直性が複合的に作用し、システム全体の安全性を損なうことがある。本稿では、観測可能なリスク指標に基づいて鍵更新や暗号パラメータの再設定を行う CryptoResilient を提案し、さらに、継続的な形式検証を運用サイクルに組み込む枠組みを与える。提案手法は、リスク監視、ポリシー判定、暗号オーケストレーション、および SMT ベースの不変条件検証を結合し、鍵の時間的露出を抑制しつつ、攻撃者によるセッション再利用や秘密情報の長期滞留を抑えることを目的とする。加えて、Dolev–Yao 型の対向者モデルを拡張し、部分的侵害と時間的観測を許容する確率的脅威モデルの下で、適応的ローテーションの有効性を形式化する。試作実装と評価では、固定周期方式と比較して平均露出時間が短縮され、リプレイ攻撃に対する耐性が改善されることを示した。本研究は、暗号アルゴリズムの強度のみでは十分ではないという認識に基づき、運用時における暗号の適応性と検証可能性を両立させる設計原則を提示するものである。
Read paper →Cryptoハイブリッド・インフラにおける行動暗号解析と適応的鍵監視：高度持続的脅威に耐性を持つ暗号アーキテクチャ
TITLE: ハイブリッド・インフラにおける行動暗号解析と適応的鍵監視：高度持続的脅威に耐性を持つ暗号アーキテクチャ ABSTRACT: オンプレミス環境、パブリッククラウドおよびプライベートクラウド、エッジコンピューティング、ならびに人工知能ベースのワークロードを組み合わせたハイブリッド・インフラの複雑性の高まりは、2025年における暗号セキュリティに新たな課題を課している。Zero Trust アーキテクチャの拡大、耐量子暗号の採用、および大規模言語モデル（LLMs）の大量利用は、攻撃対象領域を拡大させ、とりわけ暗号鍵の管理とライフサイクルに関してその影響が顕著である。本研究では、ハイブリッド・インフラにおける高度持続的脅威（APTs）を検知・緩和することを目的として設計された、行動暗号解析の形式的アーキテクチャと適応的鍵監視を組み合わせた提案を示す。我々は、ゲームベースの形式的セキュリティモデル、行動逸脱の確率解析、および暗号不変条件によるセキュリティ特性の検証に基づいて本提案を定式化する。さらに、統計的ダイバージェンスと、データ汚染に対して堅牢な機械学習に基づく検知モデルを導入し、eBPF、CNAPPs（Cloud-Native Application Protection Platforms）、および FIPS 140-3 に準拠した鍵管理システムから得られるテレメトリを統合する。我々は、鍵の外部流出、Kubernetes クラスタにおけるラテラルムーブメント攻撃、MLOps パイプラインの悪用を含む現実的なシナリオ下で本アーキテクチャを評価した。その結果、平均検知時間（MTTD）の有意な短縮と、適応的な攻撃者モデルの下での機密性および完全性の保証強化が示された。さらに、本提案が CRYSTALS-Kyber および CRYSTALS-Dilithium のような NIST 標準化の耐量子アルゴリズムと互換であり、形式的なセキュリティ特性を保持することも示した。以上より、行動暗号解析と適応的監視の統合は、現代のデジタル生態系における耐障害性の高い暗号防御の有望なパラダイムであると結論づける。
Read paper →Cryptoタイトル: ハイブリッド・インフラストラクチャにおける行動暗号解析と適応的鍵監視：高度持続的脅威に耐性を持つ暗号アーキテクチャ
タイトル: ハイブリッド・インフラストラクチャにおける行動暗号解析と適応的鍵監視：高度持続的脅威に耐性を持つ暗号アーキテクチャ 要旨: オンプレミス環境、パブリックおよびプライベートクラウド、エッジコンピューティング、ならびに人工知能ベースのワークロードを組み合わせるハイブリッド・インフラストラクチャの複雑性の高まりは、2025年における暗号セキュリティに新たな課題を突きつけている。Zero Trustアーキテクチャの拡大、耐量子暗号の採用、そして大規模言語モデル（LLMs）の大規模利用により、攻撃対象領域は拡大しており、とりわけ暗号鍵の管理およびライフサイクルに関して顕著である。本研究では、ハイブリッド・インフラストラクチャにおける高度持続的脅威（APTs）を検出・緩和するために設計された、行動暗号解析と適応的鍵監視を組み合わせた形式的アーキテクチャを提案する。我々は、ゲーム理論に基づく形式的セキュリティモデル、行動的逸脱の確率解析、ならびに暗号不変量を通じたセキュリティ特性の検証に基づいて本提案を位置づける。さらに、統計的ダイバージェンスとデータ汚染に対して頑健な機械学習に基づく検出数学モデルを導入し、eBPF、CNAPPs（Cloud-Native Application Protection Platforms）、およびFIPS 140-3に準拠した鍵管理システムから得られるテレメトリを統合する。私たちは、鍵の流出、Kubernetesクラスタにおける横展開攻撃、ならびにMLOpsパイプラインの悪用を含む現実的なシナリオの下で本アーキテクチャを評価した。その結果、平均検出時間（MTTD）の有意な短縮と、適応的敵対者モデルの下での機密性および完全性保証の強化が示された。さらに、CRYSTALS-KyberおよびCRYSTALS-DilithiumのようなNIST標準化済みの耐量子アルゴリズムとの互換性を実証し、形式的なセキュリティ特性が保持されることを示した。以上より、行動暗号解析と適応的監視の統合は、現代のデジタル・エコシステムにおける耐性のある暗号防御の有望なパラダイムであると結論づける。
Read paper →