機械学習（ML）は、人工知能（AI）の一分野であり、コンピュータが明示的にプログラムされなくても、データから学習し、予測を行うことを可能にするものです。 今日、機械学習は、医療、金融、教育、エンターテインメントなど、さまざまな業界で幅広く活用されています。 では、サイバーセキュリティにおける機械学習についてはどうでしょうか？ 機械学習は、サイバー攻撃からデータやシステムを守るためにどのように役立つのでしょうか？
この記事では、機械学習の基本概念や種類、そしてそれらを活用してさまざまなサイバーセキュリティ業務をより効率的かつ効果的に進める方法について解説します。 サイバーセキュリティの専門家、経営幹部、あるいは単に興味をお持ちの読者の皆様を問わず、ここでは、サイバーセキュリティ分野における機械学習の活用がもたらすメリットと課題の概要、および機械学習の進展がサイバーセキュリティの将来にどのような意味を持つのかについてご紹介します。
機械学習入門
機械学習は、理解するのが難しそうに思えるかもしれません。 MLが何を意味するのか、その種類や知っておくべき関連する活用事例も含めて、詳しく見ていきましょう。
機械学習とは何でしょうか？
機械学習は、データモデルや統計アルゴリズムを活用し、人間の脳が学習する仕組みを模倣することで、時間の経過とともに精度を徐々に向上させることに重点を置いています。
機械学習といえば、それは人工知能の一分野であり、他の種類のAIはこの分野を基盤として構築されています。 例えば、大規模言語モデル（LLM）は、機械学習（ML）における最近の発展の一つであり、 ディープラーニング技術 を活用して、手作業による分析よりも迅速かつ効率的に、極めて大規模なデータセットを分析するものです。
機械学習（ML）アルゴリズムには、ニューラルネットワークや自然言語処理（NLP）など、さまざまなAI技術も含まれています。これらはデータから学習し、明示的な指示の有無にかかわらず、幅広いタスクを実行することができます。 ここでは、機械学習の代表的な種類をいくつか見ていきましょう。
[関連記事：あなたのAIは本当に賢いのでしょうか？ 確実にそうするための3つの方法をご紹介します】
機械学習の種類
機械学習にはいくつかの種類があり、主に提供される学習データや、MLモデルの学習中に必要な人間の関与の度合いによって異なります。
- 教師あり機械学習：教師あり機械学習では、ラベル付けされたデータセットを用いて、提供された学習データに基づいて結果を予測するようにモデルを学習させます。 教師あり学習の主な目的は、入力変数と出力変数を対応付けることです。 教師あり機械学習にも、主に2つのカテゴリーがあります：
1. 分類：アルゴリズムは分類問題に対処し、出力変数はカテゴリ型です
2。 回帰分析：入力変数と出力変数には線形の関係があります - 教師なし機械学習：教師なし学習では、ラベルのないデータセットを用いて機械学習モデルを学習させ、教師なしの状態で結果を予測します。 このモデルは、人間の助けを借りずにデータから学習します。 教師あり学習とは異なり、教師なし機械学習モデルは、何の指示もなしに知見やパターンを発見することができます。
多くの人が、教師あり学習と教師なし学習のどちらもラベル付きデータセットを必要としないことから、教師なし学習を「自己学習」と呼んでいますが、一方で、自己学習は学習中に教師信号をフィードバックとして用いるため、教師なし学習の一種であるとする意見もあります。
- 半教師あり学習：半教師あり機械学習は、少量のラベル付きデータと大量のラベルなしデータを用いてモデルを学習させるため、教師あり学習と教師なし学習の中間に位置します。
- 強化学習：これは、望ましい行動には報酬を与え、望ましくない行動には罰を与えるという仕組みに基づいた機械学習の学習手法です。 学習中のモデルは、周囲の環境を認識・解釈し、それに基づいて行動を起こすことができ、試行錯誤を通じて学習していきます。 教師あり機械学習とは異なり、強化学習にはラベル付きデータがありません。
しかし、機械学習は、今日のサイバーセキュリティ上の課題への対処に、どのような役割を果たすのでしょうか？ サイバーセキュリティ分野において、機械学習（ML）が、拡大を続ける「 （AI）」の分野において、なぜ急速に不可欠な要素となりつつあるのか、改めて確認してみましょう。
サイバーセキュリティにおいて、機械学習はどのように機能するのでしょうか？
サイバーセキュリティ攻撃が絶えず増加している中、悪意のある攻撃者が新たな脆弱性を探し出し、さまざまな手法を用いて防御体制を突破しようとするにつれ、こうした脅威もますます巧妙化しています。 つまり、組織は、拡大し続けるITインフラのセキュリティを強化すると同時に、企業の攻撃対象領域を最小限に抑えるためのさまざまな方法を模索しなければなりません。 しかも、限られたリソースの中でこれを行わなければならないことがよくあります。
CISOは、この「パーフェクト・ストーム」のような状況をどのように管理すればよいのでしょうか？ その解決策の一つは、機械学習機能を統合することで、サイバーセキュリティ対策を強化することです。 サイバーセキュリティにおける機械学習は、以下のようなさまざまな方法でこうした取り組みを支援することができます。具体的には：
- より迅速かつ高精度なデータ分析：機械学習モデルは、大量のデータを迅速に分析でき、人為的なミスも少なくて済みます。
- 脅威の検出と対応時間の短縮：機械学習（ML）および人工知能（AI）システムは、潜在的な脅威を迅速に検出し、不審な活動を特定し、脅威が被害をもたらす前に隔離・対処するためのアクションを自動化することができます。
- 将来の脅威の予測：機械学習モデルを学習させることで、将来の脅威を予測し、システムやユーザーの行動パターンが通常の範囲から外れたタイミングを特定することで、潜在的な侵害リスクを未然に防ぐことができます。
機械学習（ML）の多くの機能は、脅威インテリジェンス、異常検知、サイバーリスクの定量化、脆弱性管理など、従来のサイバーセキュリティ手法の再定義や近代化において、有望な成果を示しています。
さらに、機械学習（ML）の導入により、侵入検知、スパム検知、マルウェア検知、および エンドポイント管理 といった既存のセキュリティソリューションを強化・改善し、今日のサイバー脅威から組織を守るために必要な包括的なアプローチを提供することができます。
[関連記事：MITRE ATT&CKフレームワークとは何ですか？ 【実践的な事例やマッピングテンプレートを含む、導入に関するヒント】
サイバー脅威インテリジェンスにおける機械学習の役割
サイバーセキュリティ脅威インテリジェンスとは、最新のサイバーセキュリティ脅威や脅威アクターの発生状況および評価に関する知識であり、組織が想定される攻撃をより効果的に軽減できるよう支援することを目的としています。 脅威インテリジェンス情報は、ソーシャルメディア、オープンソース情報、デバイスのログファイル、フォレンジック調査によって取得されたデータ、あるいはネットワークトラフィックからのデータなどから得られます。
脅威インテリジェンスは、効果的なサイバーセキュリティ戦略において不可欠な要素です。なぜなら、これにより企業は、自社の事業運営にとって最大のリスクとなる実際の脅威に基づいて、脆弱性を特定し、優先すべきセキュリティ対策をより積極的に決定することができるようになるからです。
MLは、さまざまな情報源からの脅威インテリジェンスをリアルタイムで更新されながら一元管理し、そのパターンを特定することで、幅広い脅威インテリジェンスを取り込むためのよりダイナミックなアプローチを提供します。これにより、脅威インテリジェンスの出所にかかわらず、継続的かつ時間のかかる手作業による選別作業が不要になります。
また、機械学習（ML）を活用することで、運用部門、ITチーム、および社内のその他の主要な関係者間で、最新の脅威インテリジェンスに関する知見を共有するプロセスを自動化することも可能です。これにより、組織は、潜在的なビジネスリスクに関連する最新の脅威情報が利用可能になり次第、その恩恵をすぐに受けることができます。
異常検知のための機械学習
機械学習（ML）と人工知能（AI）は、サイバー脅威を示唆する可能性のある複雑なパターンや行動を見分けることができます。 過去のデータや現在の傾向を分析することで、機械学習（ML）を活用したシステムのアルゴリズムは、潜在的な脆弱性や攻撃経路を特定し、サイバーセキュリティ上の脅威を特定・対処する上で、ますます効果的な知見を提供することができます。
高度なアルゴリズムを搭載したこれらのAIシステムは、膨大な量のデータを迅速にスキャンし、人間による検知手法よりもはるかに効率的に、異常や潜在的なセキュリティ侵害のリスクを特定することができます。 脅威の規模と高度化が進む中、膨大な量のデータを迅速に処理・分析する能力は不可欠です。
AIを活用した脅威検知は、パターン認識を活用することで、既知の脅威を特定するだけでなく、進化し続ける脅威の微妙な兆候を明らかにすることも可能です。 この積極的な検知は、脆弱性を軽減し、重大な被害が発生する前に組織が対応できるようにするために極めて重要です。
サイバーリスクの定量化と機械学習
組織は、さまざまな要因に起因するサイバーリスクに直面しています。 例えば、リモートデバイスやモノのインターネット（IoT）デバイスを含め、企業ネットワークに接続する エンドポイントデバイスの数 が増加していることから、サイバー犯罪者にとっては潜在的な侵入経路が増え、攻撃対象領域が拡大し続けています。
「コンサルティング会社デロイトによると、AIの台頭とデータ収集の増加により、サイバーリスクを可視化するための高度なモデリング手法も登場しています。」
とりわけ、 が提供するサイバーリスクスコアの定量化サービス（ ）を活用することで、CISOやCIOは、組織が特定の時点で直面しているリスクのレベルについて、経営陣や取締役会に報告することが可能になります。 リスクを明確に伝えることで、こうしたリーダーたちは、リスクを軽減するために必要なリソースを確保できる可能性が高まります。
[関連記事：CISOが取締役会メンバーとの信頼関係を築く方法]
AIやMLを活用してサイバーリスク定量化（CRQ）のプロセスを自動化することは、業務効率の向上や、再現性が高く質の高いリスク分析結果の創出につながるだけでなく、組織がこうした分析結果を、脅威の拡散速度を上回る可能性のあるスピードで共有することを可能にします。
脆弱性管理における機械学習の活用
脆弱性管理 は、組織にとって最優先事項の一つとなっています。 サイバーセキュリティに対する予防的な取り組みとして、脆弱性管理は脅威の検出および是正機能を活用し、組織がインフラ、コード、およびデバイスにおける脆弱性を未然に防ぎ、解決できるよう支援します。
脆弱性管理に機械学習（ML）や人工知能（AI）を活用することで、手作業によるプロセスを削減し、潜在的な問題を大規模に解決するための自動化など、大きなメリットが得られます。これにより、組織は最新の脅威に容易に対応できるようになります。 これらの技術は、膨大な量のデータを分析してパターンを特定し、悪用される前に潜在的な脆弱性を予測することができます。また、組織が脅威の深刻度や潜在的な影響度に基づいて優先順位を付けられるようにし、新しいデータから継続的に学習することで、新たに台頭する攻撃の手口に適応できるようにします。
侵入検知システムにおける機械学習
機械学習モデルは、ネットワークセキュリティやシステムの動作を監視し、不審な活動やセキュリティポリシーの違反を検知する侵入検知システム（IDS）、デバイス、またはサービスと組み合わせて使用することで、サイバー攻撃の検知能力を向上させることができます。
ディープラーニングを含む機械学習モデルをIDSに統合することで、新規データの精度向上、誤検知の低減、検知率の向上を図り、ネットワーク上の異常検知のためのリアルタイム監視が可能になります。
スパム検出における機械学習
また、機械学習はスパムの検出にも役立つ可能性があります。 モデルは、スパムメールとスパム以外のメールの両方を含む大規模なデータセットを用いて学習させることができます。 このモデルには、各タイプの例と、各メッセージがスパムか正当なメールかを示すラベルが提供されています。
これらの例に基づいて、モデルは特定のキーワードやフレーズなど、スパムに共通する特徴を認識するよう学習します。これにより、MLモデルは、スパムメールとスパム以外のメールを区別する特定のデータパターンや特徴を認識できるようになります。
[関連記事：ビジネスメール詐欺（BEC）とは何ですか？
そして、BEC攻撃がなぜこれほど多大な損害をもたらすのか、その理由をご確認ください]
マルウェア検出における機械学習
機械学習モデルは、従来のウイルス対策ソフトウェアソリューションに比べて、マルウェアをより的確に検出できるよう学習させることができます。
クリーンなファイルと悪意のあるファイルの両方からなる大規模な学習データセットを用いて、これらのモデルは、クリーンなソフトウェアと感染したコードを区別する特徴を識別することができます。
モデルは再学習が可能で、学習を継続できるため、 のようなフィッシングメール など、進化し続ける新しい種類のマルウェアを特定する際に特に効果的です。
エンドポイントセキュリティにおける機械学習
機械学習（ML）を活用することで、 のエンドポイントセキュリティを強化することができます。。 組織は、変化し続ける環境において、増え続ける社内外のデバイスを継続的に追跡しなければなりません。
リアルタイムのデータから学習できる機械学習（ML）モデルを活用することで、組織は可視性、検知能力、および インシデント対応能力を強化し、 エンドポイント管理をより的確に行うことができます。
また、機械学習（ML）を活用することで、エンドポイントへのパッチ適用、更新、設定といった反復的な作業を自動化することができ、人的リソースを戦略的な活動に注力するなど、より重要な業務に振り向けることが可能になります。
サイバーセキュリティにおける機械学習のメリットと課題
機械学習（ML）には、脅威を迅速に発見して対応できることや、データ分析から得られる知見をより有効に活用できることなど、さまざまなメリットがあります。 しかし、その一方で、複雑さやクリーンなデータの必要性など、課題も生じることがあります。
サイバーセキュリティにおける機械学習の主な利点
まとめると、サイバーセキュリティにおける機械学習（ML）の活用には、以下のような利点があります：
- 脅威の検知と対応：機械学習（ML）を活用することで、組織はサイバー脅威を検知し、問題となる前にその影響を軽減したり、脅威が発見された際には迅速に対処したりすることが可能になります。 サイバーセキュリティ上の脅威が増加し続ける一方で、セキュリティ予算や人材が逼迫している状況において、これは特に価値のあることです。
- データの分析：機械学習（ML）は、さまざまなツールやその他の情報源から流入する膨大なデータセットを効果的に分析することで、データ漏洩やサイバー攻撃などの将来的なリスクを予測することができます。
- の自動化の導入：データ分析やその他のルールに基づく処理を自動化することで、MLは手動による脅威の追跡や是正措置を必要とせずに、脅威を迅速に検知・特定し、その影響を軽減することができます。
- 機密情報の保護：機械学習（ML）はデータのパターンを監視し、情報漏洩のリスクや不正アクセスを示唆する可能性のある異常な行動や不審な行動を検知することができます。 これにより、データ損失のリスク や、サイバー攻撃が成功した際に組織が被りうる金銭的損失を軽減することができます。
[関連記事：パッチが適用されていないソフトウェアのリスクと対策 ― それほど隠れていないコスト]
サイバーセキュリティにおける機械学習の潜在的な課題と限界
サイバーセキュリティ分野における機械学習（ML）の実装には、課題が伴うことがあります。 サイバーセキュリティにおける機械学習の最も一般的な課題として挙げられる3つは、以下の通りです：
- データの質が低い、あるいはデータが不足している：機械学習モデルの構築プロセスにおいて、トレーニングデータを用いて望ましい出力を得ることは、最も重要な課題の一つです。 不適切なトレーニングデータを使用したり、トレーニングデータが少なすぎたりすると、アルゴリズムによる予測の誤りやデータの偏りといった、望ましくない結果につながる可能性があります。
- 複雑さに加え、関連するスキルが必要とされる点：機械学習（ML）の利用は単純なプロセスではなく、この分野は依然として比較的新しく、急速に変化しています。
- 脅威の高度化：機械学習（ML）は、悪意のある攻撃者によって、より高度で標的を絞ったサイバー攻撃を仕掛けるためにも利用される可能性があります。
[関連記事：知っておくべきジェネレーティブAIの脅威 3 選――そしてその対策]
こうした課題やその他の課題があるにもかかわらず、機械学習は、サイバーセキュリティの専門家やITチーム、そしてあらゆる業界の組織に対し、組織の防御体制を強化するための効果的なツールを提供しています。
また、機械学習（ML）は時間の経過とともに成長・向上するよう設計されているため、 機械学習やその他のAI技術 の今後の発展により、セキュリティ運用の改善やサイバー犯罪への防御を目指す組織にとって、機械学習の潜在能力を最大限に引き出すことが確実に実現されるでしょう。
強力なサイバーセキュリティを実現する強力なツールとしての機械学習
機械学習は、サイバー脅威の検知、脅威インテリジェンス、サイバーリスクの定量化、データセキュリティ、脆弱性管理、侵入検知、スパム検知、マルウェア検知、エンドポイントセキュリティなど、サイバーセキュリティのさまざまな側面に適用できることは明らかです。
Taniumの「 」自律型エンドポイント管理（AEM） に対するビジョンは、機械学習（ML）とAIによる知見を組み合わせて活用し、ITエンドポイントをより効果的に管理するためのインテリジェントな自動化および意思決定機能を提供できることを示す好例です。 AEMは、機械学習（ML）や自然言語処理、その他の のスマートオートメーション技術など、複数のAI戦略を組み合わせた「複合AI」を活用し、サイバーセキュリティ（ ）をはじめとする重要なタスクに対応することで、現実世界の問題を解決し、IT運用およびセキュリティチームが望み、信頼するレベルの自律性をもって追加のタスクを遂行できる強力なツールを構築します。
TaniumのAEMは、自律型およびAI支援型の機能を通じて、 Taniumプラットフォーム（ ）からのリアルタイムデータと洞察を活用し、同業他社の成功率や顧客のリスク許容度に基づいて推奨事項を提示し、アクションを自動化します。これにより、組織はより的確な意思決定を行い、手作業を削減し、最終的にはセキュリティレベルを向上させることができます。
、Taniumの自律型エンドポイント管理への取り組み について、また、組織がセキュリティ運用、システム、プロセス、および潜在的なサイバーセキュリティ脅威に対する防御体制を強化できるよう支援するという当社の目標について、詳しくご覧ください。