自律型エンドポイントセキュリティ運用のためのAI EDR

AI EDRとは

2024年、米国の重要インフラを担う組織がCISAに防御態勢の検証を依頼しました。CISAのレッドチームは約3か月間ネットワーク内で活動し、Windowsドメインを侵害しました。この組織はエンドポイント検知・対応（EDR）ツールを導入していましたが、CISAの勧告AA24-326Aによると、ツールが検知したのはレッドチームのペイロードのごく一部でした。レッドチームは、ツールが検知対象とする「既知の悪意ある」パターンを避け、盗んだ認証情報でネットワーク内を移動し、ディスクに書き込まずメモリ内でスクリプトを実行して検知を回避しました。CISAが示した教訓は、既知の侵害指標に頼らず、ホストとネットワークで正常なベースラインから逸脱する振る舞いを監視することです。これがAI EDRの取り組む課題です。

AI EDRは、機械学習と振る舞いモデルを エンドポイントの検知と対応に適用します。AI EDRは、エンドポイント上のプロセス、ファイル、レジストリ、ネットワーク、ユーザーの通常のアクティビティを学習し、ベースラインからの逸脱をリアルタイムで評価します。目的は、既知の侵害指標をまったく伴わない侵入を発見することです。

AI EDRという用語は、従業員のデバイス上で動く不正または侵害されたAIエージェントなど、AI自体に対する脅威の検知と対応を指す場合もあります。このガイドでは、AIを活用したEDRを取り上げます。AIエージェント自体の保護については、SentinelOneのAIエージェントのセキュリティに関するガイドをご覧ください。

この記事では、AI EDRの構成要素、ワークフロー、メリット、限界、導入方法を解説します。さらに、自律的な調査がアラートから判定までをどう担うかも説明します。

AI EDRとサイバーセキュリティの関係

エンドポイントは引き続き主な攻撃対象です。ユーザー認証、コードの実行、認証情報の保存がそこで行われるためです。 CISAはEDRをNIST Cybersecurity Frameworkの機能DE.AE、DE.CM、RS.ANに対応付けています。CISAによると、EDRツールはエンドポイントとネットワークのイベントデータを組み合わせ、悪意あるアクティビティの発見に役立てます。ゼロトラストの設計では、エンドポイントのシグナルがスタック全体のアクセス判断に使われます。

シグネチャだけでは対応できない領域を担うには、振る舞い分析が必要です。エンドポイント防御は、シグネチャに基づく事後対応型のアンチウイルスから、AI駆動の先回りした振る舞い監視へと進化しました。Behavioral AIは、特定のマルウェアが過去に確認されているかどうかにかかわらず、攻撃パターンを特定します。だからこそ、エンドポイント向けAIセキュリティの基盤となるのです。

AI EDRの主要な構成要素

AI EDRは、前段の品質にそれぞれ依存する一連の構成要素で動きます。テレメトリが振る舞いモデルに入力され、モデルの出力が相関分析に使われ、その結果が対応と学習につながります。どこかで入力の質が低ければ、後続の判断すべてに影響します。

テレメトリと振る舞いモデル

処理はエンドポイントのテレメトリ収集から始まります。センサーは、プロセスの実行、ファイルの変更、レジストリの変更、ネットワーク接続、ユーザーの振る舞いをリアルタイム、またはそれに近いタイミングで取得します。インストール前の過去のイベントはテレメトリに含まれないため、監視範囲はエージェントの導入時点から始まります。

振る舞いモデルは機械学習を使い、ファイル、ユーザー、プロセスにまたがるパターンを捉えます。正常なアクティビティと異常なアクティビティを定義し、異常検知のためのベースラインを構築します。長・短期記憶（LSTM）ネットワーク、ゲート付き回帰型ユニット（GRU）、トランスフォーマーなどの系列モデルは、アラートの時系列から攻撃の進行パターンを直接学習します。

相関分析と攻撃の文脈の再構築により、イベントに意味を与えます。 来歴グラフは個々のイベントをつなぎ、攻撃の流れを明らかにします。疑わしいイベントには、 MITRE ATT&CKの戦術、技術、手順（TTPs）の情報を加えて振る舞いの相関分析を行います。

これらの初期の構成要素によって、AI EDRが悪意ある振る舞いと通常の管理作業を区別するのに十分な文脈を得られるかが決まります。

対応、脅威インテリジェンス、学習

CISAは対応措置としてネットワークからの隔離、プロセスの停止、ファイルの隔離、TTPsの記録、復旧を挙げています。

脅威インテリジェンスが判断のための情報を加えます。NIST SP 800-172はこれを意思決定に必要な文脈を提供するために集約・分析され、情報が付加されたものと定義しています。

学習によって改善のサイクルが完成します。 導入後のモニタリングでは、ユーザー、インシデント対応、復旧、変更管理からの情報を収集・評価します。AI EDRでは、アナリストが検証した結果を信頼度スコアの算出としきい値の調整に反映し、誤検知の繰り返しを徐々に減らします。

レポート

エンドポイントセキュリティをリードする

SentinelOneがGartner® Magic Quadrant™のエンドポイントプロテクションプラットフォーム部門で4年連続リーダーに選ばれた理由をご覧ください。

レポートを読む

AI EDRの仕組み

AI EDRは、データ収集からモデルの改良まで続く一連のプロセスとして運用します。各段階の結果が次の段階につながります。生のイベントから基準となる行動パターンを構築し、そこから異常を検出します。異常はスコア付けと関連付けを経て、チームが対応できるインシデントになります。

データ取り込みからトリアージまで

プロセスの前半では、生のエンドポイント活動を調査可能なアラートに変え、優先順位を付けます。広範なイベントの収集から基準となる行動パターンの構築、スコア付け、インシデントの関連付けまで、4つの段階で処理します。各段階でフィルタリングするため、アナリストに届く前にノイズが減ります。

1. 継続的なデータ取り込み。 エージェントを導入すると、モニタリングによってシステムイベント、ファイル操作、ネットワーク活動をリアルタイムで収集します。2025年のあるWindowsエンドポイントセキュリティエージェントの研究用プロトタイプでは、前処理によって重複したイベントや無関係なイベントを除外してから、残りを検知エンジンに送ります。
2. 行動のベースライン構築。 機械学習モデルは過去の活動を学習し、ユーザーやグループごとの正常な行動の基準を確立したうえで、新しいデータを継続的に監視します。この手法は、既知のシグネチャを持たない脅威にも有効です。
3. 異常の特定とモデルによるスコア付け。 モデルはベースラインからの逸脱を検出し、信頼度スコアを付けます。教師なし学習、文脈を踏まえた異常のスコア付け、特徴抽出によって、アクセスパターンの微細な変化を捉えます。
4. アラートの関連付けとトリアージ。 エンジンは脅威インテリジェンス、侵害の痕跡（IOC）のレピュテーション、ユーザー属性、資産の重要度を取り込みます。続いて、ルールベースと機械学習によるスコア付けで、悪用可能性も考慮しながら重大度とビジネスへの影響に応じてアラートを順位付けします。関連する活動は、ひとつのインシデントとしてまとめます。

トリアージが終わる頃には、数千件の生のイベントが、関連付けられたインシデントの優先順位付きキューに集約されます。各インシデントには重大度、文脈、ビジネスへの影響が示されます。このキューをもとにプロセスの後半へ進み、スコア付けを対応につなげます。

封じ込めから改良まで

対応ポリシーの条件が満たされると、自動封じ込めと修復が実行されます。 ホストを隔離し、プロセスを停止し、ファイルを隔離してから復旧します。自動封じ込めは、手動のワークフローで生じる遅れをなくします。その後、アナリストが検証した結果をモデルに反映して改良します。次のサイクルに向けてしきい値を調整し、誤検知を減らします。

自律的な調査が、最後に残る手作業のギャップを埋めます。脅威の封じ込めはマシン速度で実行できても、アラートの調査はアナリストの対応を待つことが多く、夜間や週末には監視体制が手薄になります。エージェンティックAIが、その待ち時間をなくします。重大なアラートが設定されたしきい値を超えると、AIエージェントが証拠を収集し、テレメトリを関連付け、攻撃のタイムラインを作成して判定を下します。その判定に基づいてポリシーに従った対応が実行されるか、推奨アクションとともにアナリストに通知されます。すべての手順は監査可能で、エージェントに与える自律性の範囲はチームが決定します。ここから、自動化された対応は自律的なセキュリティ運用へと進化します。

自律的な調査、封じ込め、改良によって、AIによる脅威検知は運用上の制御につながります。MITRE ATT&CKはプロセスの中核を貫きます。このプロセスでは、観測された行動を戦術と技術にマッピングします。アナリストは共通言語と、脅威ハンティングの仮説を組み立てる再現可能な方法を得られます。MITREのTTPに基づく脅威ハンティングレポートは、その重要性を説明しています。IPアドレス、ドメイン、ファイルハッシュなど、容易に変更できる属性に基づく検知は「脆弱で、すぐに古くなる」一方、攻撃者の行動に基づく仮説は、攻撃者がツールを変えても有効です。また、2025年10月のATT&CKアップデートでは、Windows APIを介したDLLインジェクションやDNSトンネリングなどの技術に、Detection StrategyとAnalyticのオブジェクトが追加されました。

AI EDRの主なメリット

AI EDRは、セキュリティオペレーションセンター（SOC）がすでに追跡している指標を改善します。具体的には、検知までの時間、対応までの時間、アナリストがトリアージに費やす時間です。以下のメリットは、前のセクションで説明したプロセスから直接生まれます。

• 早期発見： 行動のベースライン構築とマシン速度でのスコア付けにより、侵入の早い段階で不審な活動を検出します。
• アナリストの負荷軽減： 誤検知が多く、重複するアラートが発生すると、セキュリティチームに情報が殺到し、真の脅威から注意がそれます。行動に基づくスコア付けと関連付けによって、アナリストが手作業でトリアージするノイズを減らします。
• マシン速度での対応： 自動封じ込めによって、暗号化やデータ流出が完了する前に阻止します。数秒単位の対応で、手動のワークフローより速く進む攻撃に先手を打ちます。
• 新しい攻撃やファイルレス攻撃への対応： ベースラインに基づく異常の特定により、認証情報の悪用や環境寄生型攻撃の活動など、シグネチャによる照合を回避し得る、既知のシグネチャを持たない脅威を検出します。
• 量よりアラートの質： 相関分析と信頼度スコアリングにより、関連するアラートを単一のインシデントにまとめます。チームは個別のイベントを追い回す代わりに、一連の経緯を調査できます。

AIによる脅威検知は、エンドポイントのイベントをすべて個別に調査することなく、チームの監視範囲を広げます。ただし、こうした効果はモデル固有の限界にも左右されます。次にその限界を説明します。

AI EDRの限界

AI EDRには、導入と運用の方法を左右する構造的な限界があります。モデル自体に起因するものもあれば、周辺のテレメトリや運用に起因するものもあります。直面している限界を見極めれば、再学習、調整、監視範囲の拡大のどれが必要か判断できます。

モデルと回避手法の限界

誤検知とモデルドリフトは、時間とともに精度を低下させます。設定が不十分な機械学習ベースのEDRは誤検知を多発させ、チームに大量のアラートをもたらし、真の脅威から注意をそらします。概念ドリフトが問題をさらに悪化させます。マルウェアの構造が変化するにつれてモデルの性能が低下する現象を、研究者はモデルの経年劣化と呼びます。ある 2026年のAndroidマルウェア検知に関する縦断研究 では、過去の全データを使った再学習（拡張ウィンドウ方式）は性能低下を緩和するものの、「同年のデータに対する堅牢性を完全には回復しない」ことがわかりました。

敵対的な回避手法は、モデルを直接狙います。入力にわずかな変更を加えるだけで予測結果が変わることがあり、マルウェア開発者はモデルを回避する方法を積極的に探しています。2025年3月、NISTは 敵対的機械学習：攻撃と緩和策の分類および用語（NIST AI 100-2e2025）を最終版として公開しました。回避、汚染、プライバシー攻撃を扱っています。

説明可能性も第3の制約です。ディープラーニングとアンサンブルモデルが持つ ブラックボックス性は、SOCでの解釈を難しくします。アナリストは 信頼度を見極める必要があります。そのためには、各自動推奨を根拠となる指標と相関分析のロジックまでたどることが欠かせません。

チームがモデルの判断理由を検証できてこそ、機械学習によるセキュリティは機能します。

テレメトリと運用の限界

パイプラインの各段階で テレメトリの完全性が不可欠です。CISAの Trusted Internet Connections（TIC）3.0セキュリティ機能カタログは、エンドポイントとネットワークのイベントデータを組み合わせるものとしてEDRを定義しています。この統合がなければ、EDRは初期の偵察活動やラテラルムーブメントの兆候を見逃す可能性があります。管理されていないエンドポイントは、モデルの高度さに関係なく盲点になります。

AI EDRの運用には、調整とアラートの優先順位付けが引き続き必要です。さらに、セキュリティ情報イベント管理（SIEM）やセキュリティオーケストレーション・自動化・対応（SOAR）のプラットフォームとの統合も欠かせません。MITREの 世界水準のサイバーセキュリティオペレーションセンターを構築する11の戦略では、ホストごとのエージェントの稼働状況の監視は、チームが過小評価しがちな課題だと指摘しています。こうした限界は、回避可能な運用上の選択に起因します。

AI EDRでよくある間違い

予測でき、回避もできる選択によって、チームはAI EDRの効果を弱めてしまいます。間違いは、導入時に盲点を作り込むものと、稼働後の日常運用で精度を損なうものに分かれます。

導入時の間違い

導入時の判断が、その後のモデルの能力の上限を決めます。特に大きな影響を及ぼす間違いが2つあります。

• 導入後は放置してよいと考えること： モデルは経年劣化し、ポリシーも実態からずれていきます。NISTの 生成AIプロファイルは、AIリスク管理フレームワークの一環として、継続的な監視と事前に計画した定期的なレビューに加え、導入後の監視手順を求めています。
• エンドポイントの監視範囲が不完全： 監視されていないエンドポイントはすべて盲点になります。テレメトリの収集はエージェントの導入から始まるため、一部にしか導入しなければ、攻撃者に見つかる隙が残ります。

計画的な導入を怠ると、どのモデルでも修復できない弱点を抱えたままAI EDRの運用が始まります。監視範囲とレビューの頻度は最初のアラートが発生する前に決まるため、導入時に対処するのが最も低コストです。

運用時の間違い

調整を怠ると、アナリストは大量の誤検知に追われます。フィードバックを反映しなければ、問題のない同じイベントが繰り返し検知されます。対応手順の欠如も対応を停滞させます。CISAはEDRをSOARツールやチケット管理システムを含むインシデント対応ワークフローと統合するよう求めています。対応手順が定義されていなければ、検知した問題への対処は封じ込め前に止まってしまいます。評価にも最後の落とし穴があります。ATT&CKの 検知戦略は、特定の攻撃者の手法を検知するための大枠のアプローチを定義しています。したがって、ツールの評価では実際の攻撃手法への対応力を測るべきです。

こうした落とし穴を避けるには、計画的な導入と継続的なレビューが欠かせません。上記の間違いにはそれぞれ対策があります。以下のベストプラクティスでは、チームが予定に組み込める具体的な手順を示します。

AI EDRのベストプラクティス

効果的なAI EDRプログラムには順序があります。まず適切なベースラインを構築し、それを基準に測定と改善を進めます。以下の実践方法はCISA、NIST、NCSCのガイダンスに基づき、前のセクションで挙げた各間違いに対応しています。

ベースラインの構築

ベースラインは、モデルが何を正常と見なすかを決めます。後にモデルの判断に基づいて実行される対応ポリシーと同じ厳密さで構築する必要があります。そのための実践方法は3つあります。

1. 対応措置の適用前にベースラインを構築する。 対応措置を実行する前に、ツールに通常の活動を学習させます。これにより、通常の管理作業を悪意ある活動と誤認するのを防げます。CISAとパートナー組織による LOTLの手法を特定し、緩和する方法 では、LOTLの活動は正当な行動と区別しにくいため、まず適切なベースラインが必要だと指摘しています.
2. 段階的に導入する. 全面導入の前にパイロット運用で効果を検証し、確信が得られたら防御へ移行します.
3. 既存のワークフローに統合する. NISTのゼロトラストアーキテクチャ実践ガイド (SP 1800-35)では、拡張された検知と対応の(XDR)ソリューションによってEDR、ネットワーク監視などのツールを統合でき、検知精度とセキュリティ運用の効率が向上すると指摘しています.

ベースラインは、対応ポリシーを厳格化する前に、モデルに必要な明確な運用状況を示します. 規律あるベースラインがあれば、確信を持って防御を有効化でき、日常的な管理作業を攻撃と誤認することも防げます. ベースラインが安定したら、次は測定です.

測定と改善

平均検知時間（MTTD） と平均対応時間（MTTR）を主要指標として測定します. AA24-326Aのレッドチーム向け勧告で、CISAは 本番環境でMITRE ATT&CKの手法に対するセキュリティプログラムの大規模なテストを継続し、得られたデータに基づいて調整することを推奨しています. 

モデルとポリシーを定期的に見直します. 英国のNational Cyber Security Centre（NCSC）、CISA、国際的なパートナーが共同で公開した安全なAIシステム開発のためのガイドラインは、セキュリティに影響する「行動の急激な変化と緩やかな変化を観察」し、自然なデータドリフトを考慮できるよう、モデルの出力と性能を測定することをチームに求めています. 事後レビューを予定し、モデルのバージョンを管理します.

SentinelOneでAI EDRを強化

SentinelOne Singularity™ Endpointには、この記事で説明したBehavioral AIモデルと自律的な対応機能が組み込まれています. デバイスレベルの行動分析はエージェントに、アイデンティティの行動分析はプラットフォームに実装されています. エージェントは実行チェーンが形成される前に、侵入時点で脅威を検出します.

Singularity Endpointのワンクリックロールバックは、システムを感染前の状態に戻してランサムウェアによる被害を復旧します. 破壊的な暗号化被害も復旧可能になります. Storyline®は、プロセスの生成と接続を一つのストーリーとして再構成し、攻撃の文脈を示します. アナリストは手作業で情報をつなぎ合わせずに、攻撃チェーン全体を把握できます. 

IDCによると, Purple AI™の顧客は脅威を 63%早く特定し、55%速く修復しました.

Purple AIのエージェンティック調査は、前述の自律的な調査を実運用に導入します。重大な脅威が定義済みのしきい値を超えると、Purple AIは自ら調査を開始し、エンドポイント、アイデンティティ、クラウド、サードパーティのテレメトリから証拠を収集・関連付け、判定を下して、マシン速度で脅威を阻止できます。アナリストはアラートではなく、判定結果から調査を始めます。すべての判定結果には監査可能な証拠の連鎖が付随し、Purple AIにどこまで自律的な対応を任せるかはチームが設定します。

Singularity AI SIEMはSingularity Data Lake上で稼働します. Singularity Data Lakeは、Open Cybersecurity Schema Framework（OCSF）を通じて、自社製品とサードパーティのソースからテレメトリーを取り込み、正規化します. これにより、あらゆるAI EDRの処理を制約するテレメトリーの網羅性の問題に対処します. SOARやプレイブックとの統合には、 Singularity HyperautomationがPurple AIと連携し、AI SIEMに自動対応ワークフローを追加します. 

外部評価もそれを裏付けています. 6年連続でGartner®はSentinelOneを2026年のエンドポイント保護部門Magic Quadrant™のリーダーの1社に位置付け、LatioはSentinelOneを 2026年のSOC Platform Leaderに選出しました.

SentinelOneのデモをリクエストする 実際の攻撃手法に対して自律型エンドポイント保護がどう機能するか、今すぐご確認ください.

エンドポイントの保護

SentinelOneのAIを搭載したエンドポイントセキュリティが、サイバー脅威をリアルタイムで防止、検出、対応するためにどのように役立つかをご覧ください。

デモを見る

まとめ

AI EDRは機械学習と行動モデルをエンドポイントの活動に適用し、シグネチャでは見逃す認証情報の悪用やファイルレス攻撃を検出します. テレメトリーの取り込みからベースラインの確立、異常のスコアリング、相関分析を経て、自律的な調査、自動封じ込め、モデルの改良へと各イベントを処理します. 

脅威の特定が速くなり、アナリストの負担も軽減されます. ただし、モデルドリフトや攻撃者による回避は現実の制約です. 導入効果は、入力されるテレメトリーの質に左右されます. まずベースラインを確立し、ワークフローを統合します. MTTDとMTTRを測定し、モデルを定期的に見直します. これらを徹底すれば、アナリストはアラートを追う作業から、判定に基づく対応へ移れます.