サイバーセキュリティへの AI 活用とは?

AI という用語には、音声の認識、未来の予測、複雑なデータの分析など、さまざまな認知機能を実行するコンピューター システムを指す広い意味があります。サイバーセキュリティ分野では以下のような種類の AI が使われます。

機械学習は、アルゴリズムに基づいてデータから学習し、予測を行う AI のサブセットです。サイバーセキュリティにおいては、さまざまなデバイス、ユーザー、ネットワークを横断的に見渡して潜在的な脅威を発見し、自動的に対応する目的で利用されています。

ディープ ラーニングは、機械学習の中でも洗練度の高い分野の 1 つです。多層的なニューラル ネットワークによって人間の脳の神経経路を模倣し、AI システムで複雑なデータ構造を処理します。ディープ ラーニングとニューラル ネットワークは、大量の高次元データを分析する用途において従来の機械学習よりも優れた効果を発揮する傾向があるため、サイバーセキュリティでは洗練度が高い脅威の検出と対応に使われています。

生成 AI ツールは、セキュリティ専門家による調査および対応作業のアシスタントとして使われます。そうしたツールには自然言語処理テクノロジが採用されているため、人間が普通の言葉を使って対話的に操作でき、コーディングの必要はありません。また、"生成" という呼称が示すとおりコンテンツを作り出す能力があるため、この種のツールは、レポートの作成、セキュリティ インサイトや調査結果の要約、質問に対する詳細な回答の提示に役立ちます。

AI 搭載エージェントには大量のセキュリティ タスクや IT タスクを自律的にこなす能力があるため、人間がそうした手間を省いてプロアクティブなセキュリティ対策に専念するために利用されています。フィッシング、データ損失防止、インサイダー リスク アラートをトリアージするタスクは、人間が処理するには多大な時間が必要でが、エージェントはその手間を代行できます。また、エージェントは、ユーザー データを基にして条件付きアクセス ポリシーを最適化する作業を担うこともできます。さらに、対処が必要な脆弱性や脅威の特定と優先順位付け作業にも、多くのチームが AI 搭載エージェントを活用しています。

異なる概念は、たとえ関連があっても区別して扱うことが重要です。サイバーセキュリティへの AI 活用と、AI のためのセキュリティ。

サイバーセキュリティへの AI 活用とは、組織が自分の環境すべてに対する脅威を検出、対応、軽減する能力を高めるために AI ツールを利用することです。サイバーセキュリティへの AI 活用では、複数のソースから得られるイベント データを分析して関連付けることができ、潜在的な脅威の存在を示すパターンを組織が特定するのに役立ちます。

一方、AI セキュリティの主眼は AI システム自体を保護することです。その内容は、AI のモデル、データ、アルゴリズムを脅威から保護することを目的とした、戦略、ツール、実践によって構成されます。これには、意図されたとおりに AI システムが機能する状態、攻撃者に脆弱性を悪用されない状態、攻撃者による出力の改変や機密情報の窃取が発生しない状態を保つ役割が含まれます。

要約すると、サイバーセキュリティへの AI 活用とは、AI システムを使用して組織の全体的なセキュリティ態勢を強化するために AI システムを利用することです。一方、AI セキュリティとは AI システムを保護することです。

AI はサイバーセキュリティの様相を大きく変え、サイバー脅威の増加、データ量の増大、サイバー攻撃面の拡大に対応するセキュリティ専門家の負担軽減に貢献しています。サイバーセキュリティへの AI 活用は、以下のような面で、チームによる対策の効果を高めるために役立ちます。

脅威検出の迅速化
SIEM や XDR などの多くのセキュリティ ソリューションは、潜在的に変則的な行動を示す何千、何万ものイベントをログに記録します。そうしたイベントの大半は無害ですが、中にはそうでないものもあり、潜在的なサイバー脅威を見逃すリスクは甚大です。AI は、本当に重要なインシデントを特定するのに役立ちます。また、一見無関係に思えるアクティビティに関連性を見出し、潜在的なサイバー脅威を示すインシデントに結びつけることができます。

レポート作成のシンプル化
生成 AI を活用するツールでは、複数のデータ ソースから得た情報を関連付け、分析して、セキュリティ専門家にとって理解しやすい、組織内にいる他のユーザーともすばやく共有できる、わかりやすいレポートを作成できます。

脆弱性の特定
AI は、不明なデバイスやクラウド アプリ、最新ではないオペレーティング システム、保護されていない機密データなど、環境全体の弱点を検出するのに役立ちます。

スキルの強化
生成 AI を利用すると、サイバー脅威のデータや分析内容を手軽に自然言語にして説明でき、クエリの記述方法を学んでいないアナリストでも生産性を高めることができます。このため、熟練度の低いアナリストが複雑度の高いタスクを担当しやすくなります。さらに、生成 AI から提示される修復手順やその他の推奨事項は、新しいチーム メンバーにサイバー攻撃への効果的な対応方法を手早く習得させるために役立ちます。

実践に直結するインサイト
AI では、セキュリティ ログ、ネットワーク トラフィック、外部脅威フィードなど、さまざまなソースからのデータを集約して分析し、セキュリティ状況の全体像を把握することや、隠れた攻撃パターンを見つけ出すことができます。

誤検知や検知漏れの削減
AI は、パターン認識、異常検出、コンテキスト認識、継続的な学習などの高度な手法によって、誤検知や検知漏れを減らすのに役立ちます。そうしたシステムを利用すると、きめ細かい意思決定が可能になり、無関係なアラートへの対応によるセキュリティ チームの負荷増大を避けることができます。

スケーラビリティ
AI には、タスクの自動化、膨大なデータのリアルタイム処理、継続的な学習によって、サイバーセキュリティのスケーラビリティを大幅に拡大できる能力があります。サイバー脅威の量と複雑さが増大する中で、AI のスケーラビリティと適応力は、サイバーセキュリティ システムは回復力と効率性を維持し、モダンな IT インフラストラクチャの需要に対応するための力になります。

AI はいろいろなサイバーセキュリティ ツールに統合され、ツールの有用性を高めるために一役買っています。以下はその例です。
 

• 次世代型ファイアウォールと AI。従来型ファイアウォールの場合、トラフィックの許可やブロックの判断は、管理者によって定義されたルールに基づいて行われます。次世代型ファイアウォールには、そうした従来型機能の枠を超え、AI で脅威インテリジェンス データを有効活用して、新種のサイバー脅威の識別に役立てる能力があります。

• AI で強化されたエンドポイント セキュリティ ソリューション。エンドポイント セキュリティ ソリューションでは、エンドポイントの脆弱性 (最新ではないオペレーティング システムなど) を特定する目的で AI が使われます。また、マルウェアがデバイスにインストールされているかどうかの判定や、通常考えられない量のデータがエンドポイントから出入りしていることの検出にも AI が役立ちます。実際の攻撃が進行しているとき、AI は、問題のエンドポイントを他のデジタル環境から自動的に隔離することができます。

• AI ドリブンなネットワーク侵入検知および防止システム。この種のツールはネットワーク トラフィックを監視し、ネットワークから組織に侵入しようとする無許可のユーザーを発見します。そのシステムで AI を利用することにより、大量のデータを迅速に処理し、損害が発生する前にサイバー攻撃者を特定してブロックできます。

• AI とクラウド セキュリティ ソリューション。非常に多くの組織がインフラストラクチャとアプリ用に複数のクラウドを利用している中で、異なるクラウド間やアプリ間を渡り歩くようなサイバー脅威を追跡することは容易ではありません。AI は、そうしたすべてのソースから得たデータを分析して脆弱性や潜在的なサイバー攻撃を識別することができ、クラウド セキュリティの確保に役立ちます。

• モノのインターネット (IoT) セキュリティ。組織は多数の IoT デバイスを抱えていることがよくあります。それらは、エンドポイントやアプリと同じように、サイバー攻撃の標的になる潜在的な可能性を持っています。AI は、個々の IoT デバイスに対するサイバー脅威の検出や、複数の IoT デバイスをまたいで行われる疑わしいアクティビティのパターン検出に役立ちます。。

• XDR と SIEM。XDR および SIEM ソリューションは、複数のセキュリティ製品、ログ ファイル、外部ソースから情報を集め、環境内で起きている事象を把握するアナリストの作業をアシストします。AI は、そうしたすべてのデータを集約して明確なインサイトを導き出すために役立ちます。

セキュリティ オペレーションの支援策として AI を活用するには慎重な計画と実装が必要です。とはいえ、適切なアプローチに基づいてツールを導入すれば、オペレーションの効率性とチームのウェルビーイングについて有意義な改善効果を得ることができます。

戦略を立てる
セキュリティ用の AI 製品やソリューションは数多くありますが、それらすべてが自分の組織に適しているとは限りません。AI ソリューションは、ソリューション間の統合やセキュリティ アーキテクチャとの統合が円滑にできることが重要であり、そうでないと、チームの作業負荷がかえって増大する事態にもなりかねません。まず、組織における最大級のセキュリティ課題は何かを検討し、その問題解決に役立つ AI ソリューションを選び出しましょう。じっくりと時間をかけて、現行のプロセスとシステムに AI を統合する計画を策定しましょう。

セキュリティ ツールを統合する
サイバーセキュリティへの AI 活用の効果を最大限に引き出すには、組織全体のデータを横断的に分析できる環境を整えることが重要です。これは、分断されたサイロ内でツールが稼働している状況では実現困難です。現行の環境とシームレスに連携して動作するツール (例: 統合型の XDR ソリューションと SIEM ソリューションなど) に投資しましょう。または、ツールの統合に費やす時間とリソースを必要に応じてチームに割り当て、組織のデジタル資産全体を完全に可視化できるようにしましょう。

データのプライバシーと品質を管理する
AI システムは、システムのトレーニングとオペレーションに使われるデータに基づいて意思決定を行い、インサイトを提供します。データにエラーが発生したり、データが破損していたりする場合、AI は質の低い分析情報を提供し、誤った意思決定につながります。計画を立てる際は、データのクリーンアップとプライバシーの保護を確実に行うためのプロセスを必ず盛り込んでください。

倫理的な方法で AI を利用する
長年蓄積されたデータの多くは、正確性や公平性に関する問題、最新状況との不整合などを含むものになっています。その上、AI アルゴリズムやロジックは必ずしも透明ではないため、インサイトや結果がどのように生成されているかを正確に把握することは困難です。データの偏りによって何らかの個人が不公平な扱いを受けるリスクがある場合、AI による判断と最終的な意思決定との間に必ずチェック工程が入るしくみを確立することが重要です。責任ある AI の詳細情報をご覧ください。

AI システムを継続的にテストする
実装後は、新しいデータの生成に伴って発生し得る偏りや品質の問題を発見するために、定期的にシステムのテストを実施しましょう。

生成 AI の利用についてのポリシーを策定する
従業員とパートナーに、生成 AI ツールの使用に関する組織のポリシーを確実に理解させましょう。特に重要なのは、機密データや個人情報を生成 AI のプロンプトに貼り付けないことです。これは、プロンプトに記述したデータは外部に公開されるリスクがあるためです。