機械学習はどのようにしてゼロデイ攻撃を検出するのか

2026年5月22日

何十年もの間、サイバーセキュリティはシグネチャ（特徴パターン）に基づく、いたちごっこでした。新しいマルウェアの亜種やエクスプロイトが発見されると、セキュリティ研究者がそれを分析し、固有のデジタルシグネチャを抽出して、ウィルス対策データベースに配信していました。

しかし、シグネチャに基づく防御には致命的な欠陥があります。それは完全に後手（リアクティブ）であるということです。これまでに見たことのないものを止めることはできません。

そこで登場するのがゼロデイ攻撃です。これは、ベンダーが修正パッチをリリースする前に、これまで知られていなかったソフトウェアの脆弱性を標的とするエクスプロイトです。シグネチャが存在しないため、従来のファイアウォールや不正侵入防止システム（IPS）はこれらに対して完全に無力でした。

ゼロデイ脅威からシステムを守るため、業界ではパラダイムシフトが起きています。それは、シグネチャ依存からの脱却であり、**機械学習（ML）**を活用した「挙動（振る舞い）」への移行です。

1. シグネチャを超えて：異常検出のメカニズム

機械学習ベースの防御の核心にあるのは、**異常検出（アノマリー検知）**の概念です。既知の悪意ある挙動（シグネチャ）を探す代わりに、MLモデルはシステムやネットワークにおける「正常」とは何かを学習し、その基準（ベースライン）から逸脱したものをフラグ付けするように訓練されます。

行動のベースライン化： アイソレーションフォレスト（Isolation Forest）やオートエンコーダ（Autoencoder）などの教師なし学習アルゴリズムは、膨大なネットワークトラフィック、ユーザーのアクティビティ、システムログを取り込んで、正常な運用の非常に詳細なモデルを構築します。
逸脱度のスコアリング： ゼロデイエクスプロイトが実行されると、異常な一連 of API呼び出しの実行、予期しないポート接続のオープン、制限されたシステムメモリの読み取り試行など、ベースラインから逸脱する動作が不可避的に発生します。MLモデルは、この挙動を高い異常スコアとして即座にフラグ付けします。

ゼロデイエクスプロイトは、電子メールの添付ファイルやドライブバイダウンロードを介して侵入することがよくあります。シグネチャチェッカーはこれらの新しいファイルをフラグ付けできないため、ML駆動のエンドポイントは静的および動的特徴抽出を使用して、ミリ秒単位でそれらを分析します。

静的分析： モデルは、ファイルを実行することなく、ファイル構造、インポートされたDLL、API関数の呼び出し、メタデータを分析します。ディープラーニングモデルは、コードが難読化されている場合でも悪意のあるパターンを検出できます。
動的サンドボックス分析： 静的分析で結論が出ない場合、ファイルは安全な仮想化サンドボックスで実行されます。MLエージェントはそのライブ実行を監視し、次のような挙動を追跡します。
- プロセスインジェクション： 正当なシステムプロセス（explorer.exeなど）にコードを注入しようとする試み。
- レジストリ変更： 機密性の高いスタートアップキーへの書き込みや、セキュリティサービスの無効化。
- 特権昇格： システムのエクスプロイトを通じて、通常とは異なる方法で管理者権限を要求する動作。

多くのゼロデイ攻撃には、リモートコマンド実行、データ漏洩、またはネットワーク内の横方向の移動（ラテラルムーブメント）が含まれます。機械学習は、ネットワークテレメトリを一連のイベントシーケンスとして処理することにより、これらの活動を監視します。

LSTMとリカレントニューラルネットワーク（RNN）： 自然言語処理（NLP）で文中の次の単語を予測するためにLSTMが使用されるのと同様に、セキュリティ領域ではネットワークフローのモデリングにLSTMが使用されます。モデルはデバイス間の一般的な通信シーケンスを学習し、悪意のある異常を検出します。
グラフニューラルネットワーク（GNN）： GNNはネットワークトポロジ全体をグラフとしてマッピングします。デバイスがノードであり、通信がエッジとなります。これにより、攻撃者がゼロデイエクスプロイトを使用してサーバーからサーバーへと移動しようとする、ステルス性の高い横方向の移動を検出できます。

機械学習は非常に強力ですが、万能薬ではありません。MLによるシステムの保護には、特有のエンジニアリング上の課題が伴います。

誤検知（フォールスポジティブ）のジレンマ： 異常検出モデルの感度が高すぎると、正当なソフトウェアアップデートや管理タスクを攻撃としてフラグ付けしてしまい、セキュリティ運用チームのアラート疲れを引き起こします。
敵対的機械学習（Adversarial ML）： サイバー犯罪者は、MLモデルを回避する方法を積極的に開発しています。悪意のないコード変更（敵対的摂動）をわずかに加えることで、分類モデルを騙し、ゼロデイのペイロードを完全に安全であると誤認させることができます。

機械学習は、サイバーセキュリティをリアクティブな事後対応から、プロアクティブなリアルタイム防御メカニズムへと変革しました。挙動を分析し、動的な特徴を抽出し、ネットワークシーケンスをモデリングすることにより、MLは組織が広範な被害を受ける前にゼロデイ攻撃を阻止することを可能にします。

攻撃者がより巧妙になるにつれて、防御の未来は、新しい脅威に継続的に適応する協調的な自己学習システムにあり、最も隠密性の高いゼロデイエクスプロイトでさえも検出から逃れられないようにします。