技術要約: TAC: ハイブリッドIAM権限昇格検知

問題提起

アイデンティティおよびアクセス管理（IAM）の設定ミスは、クラウド環境における権限昇格（PE）攻撃の主要なベクトルであり、データ漏洩や多大な経済的損失を引き起こす原因となっている。既存の検知ツールには、以下の2つの決定的な限界がある：

1. 限定的なPEカバレッジ: 現行の検知器（例：Pacu、PMapper、Cloudsplaining）は、PEタイプの極めて限定的なサブセットしかカバーしていない。これらは既知の攻撃パターンに基づいた固定のカタログに依存しているか、特定のエンティティ関係（例：ユーザーとロールの連鎖）のみをモデル化しているため、攻撃対象領域の大部分が検知されないまま残されている。
2. 完全な構成へのアクセス要求: 既存の検知器はすべて「ホワイトボックス」ツールとして動作するため、組織のIAM構成へのフルアクセスを必要とする。これは、機密性の高い分野（金融、ヘルスケア、政府機関など）の顧客にとって、プライバシーへの懸念や機密情報の露出リスクから完全な構成を開示することを躊躇させるため、サードパーティのセキュリティサービスにとっての障壁となっている。

手法

著者らは、AWS IAMに対してホワイトボックス分析とグレーボックス分析の両方をサポートする初のハイブリッドフレームワークであるTACを提案する。その中核となる革新は、権限の取得を**権限フロー（permission flows）**として体系的に抽象化することである。

1. 体系的な研究と抽象化

著者らは14,000件以上のAWSサポート操作を体系的にレビューし、5つの異なるPEカテゴリを特定した：

• 権限リクエスト (Permission Request): 追加の権限を直接要求する（例：iam:AttachUserPolicy）。
• 権限委譲 (Permission Delegation): エンティティを代理人として使用し、別のエンティティに権限を付与する（例：cloudformation:UpdateStack）。
• 権限継承 (Permission Inheritance): グループへの所属やロールの引き受けを通じて権限を取得する。
• コード実行 (Code Execution): 異なるセキュリティコンテキスト下でコードを実行する（例：lambda:UpdateFunctionCode）。
• クレデンシャル乗っ取り (Credential Takeover): 他のエンティティとして振る舞うために、資格情報を作成またはリセットする（例：iam:CreateAccessKey）。

この研究から、著者らはソースとシンクのエンティティ型ペアと、権限伝播を可能にする操作をマッピングする219個の権限フローテンプレートを手動で抽出した。

2. TAC-WB (ホワイトボックス検知器)

TAC-WBは、IAM構成を**権限フローグラフ (PFG)**としてモデル化することで、包括的なカバレッジを実現する。

• グラフ構築: ノードはエンティティと権限を表し、エッジは権限フロー（有効または無効）を表す。
• 意味論的表現: システムはドメイン固有の**不動点解析（fixed-point analysis）**を適用し、安定した状態に達するまで、有効なフローに沿って権限を反復的に伝播させる。
• 検知: 信頼できないエンティティが、具体的な伝播シーケンスを通じてターゲットの権限に到達できる場合にのみ、PEが報告される。これにより、**構成による精度（precision by construction）**が保証され、報告されるすべてのPEが有効な昇格パスに対応することが保証される。

3. TAC-GB (グレーボックス検知器)

TAC-GBは、顧客がエンティティを選択的に開示し、権限割り当てに関するクエリに回答するという、部分的な構成に基づいて動作することで、プライバシーの障壁に対処する。

• 部分的PFG: グラフは、可視性状態（不明な場合は ?、確定の場合は +、不明なフローは *、確定したフローは ⊕）を含むように拡張される。
• 対話型クエリメカニズム: システムは、現在の部分的状態に基づいて、動的にクエリ（例：「権限 $p$ はエンティティ $e$ に割り当てられているか？」）を選択する。
• 強化学習 (RL) による最適化: 顧客とのやり取りを最小限にするため、TAC-GBは**グラフニューラルネットワーク (GNN)**クエリモデルを備えたRLエージェントを採用している。エージェントは、最小のステップ数で終端状態（PE検知）に到達するために、最も情報量の多いクエリを選択することを学習する。
• オフライン事前学習: 「コールドスタート」問題に対処し、負の転移を避けるため、GNNモデルは、信頼できないエンティティ型ごとに分割された多様なPEタスク上でオフラインで事前学習される。

4. TAC-Bench (ベンチマークデータセット)

訓練と評価をサポートするために、著者らは初の包括的なIAM PEベンチマークであるTAC-Benchを構築した。

• 規模: 2,500のタスクを含み、平均して137のエンティティと1,282の権限を持ち、現実世界のエンタープライズの複雑さに密接に一致している。
• 生成: タスクは、3段階のLLMパイプライン（コンテキスト生成、文書化されたテクニックに基づくPE生成、およびChain-of-Thought検証）を通じて合成され、有効な昇格パスを保証するために手動で検証されている。

主な貢献

1. 体系的な研究: 5つのPEカテゴリの特定と、既存のツールが攻撃対象領域の大部分を体系的にカバーできていないという事実の解明。
2. TAC-WB: 219個の権限フローテンプレートと不動点解析を通じて、5つのPEカテゴリすべてにおいて100%のカバレッジを達成するホワイトボックス検知器。
3. TAC-GB: 部分的な構成から、対話的かつRLに導かれたクエリを通じて、精度を維持しながらPE検知を可能にする、初のグレーボックスPE検知器。
4. TAC-Bench: 現実世界の誤設定を模倣するように設計された、大規模で多様なベンチマーク（2,500タスク）であり、適切な公開データセットの欠如に対処している。

実験結果

実験は、合成（TAC-Bench）、公開（IAM Vulnerable）、および実世界の（Startup）ベンチマークを用いて実施された。

• ホワイトボックスの有効性: TAC-WBは、すべてのテストセットにおいて**偽陰性率（FNR）0%**を達成し、既存のツール（Pacu、Cloudspling、PMapper）が見逃したすべてのPEを検知した。これには、既存のツールが完全に失敗した（ベースラインのFNRは100%）実世界のエンタープライズ昇格も含まれる。
• ホワイトボックスの効率性: TAC-WBは、より広いカバレッジを持ちながらも、実用的な実行時間（多くの場合1秒未満）を維持しており、最も優れた性能を示すベースライン（PMapper）と同等かそれ以上に高速である。
• グレーボックスの有効性: TAC-GBは、すべてのグレーボックス・バリアント（ランダム選択、進化アルゴリズム、事前学習なし）を大幅に上回った。控えめなクエリ予算（例：100クエリ）の下で、TAC-GBは合成データに対して27%のFNRを達成し、フルアクセスを必要とするホワイトボックスのベースラインに匹敵した。実世界のタスクにおいては、TAC-GBがPEを特定することに成功した唯一の検知器であった。
• グレーボックスの効率性: TAC-GBは、PEを検知するために平均してわずか19回のクエリを必要とし、アブレーション・バリアントと比較して高いクエリ効率と安定性を示した。

重要性と主張

本論文は、TACがIAMセキュリティ分析における根本的な転換を象徴していると主張している：

• 包括的なカバレッジ: アドホックなパターンマッチングから体系的な権限フローの抽象化へと移行することで、TAC-WBは現行のツールに内在するカバレッジのギャップを排除する。
• プライバシーを保護するセキュリティ: TAC-GBは、完全な構成の開示なしに高精度なPE検知が可能であることを示しており、セキュリティ監査を「全か無か」の開示モデルから、段階的でプライバシーを保護するエンゲージメントへと変革する。
• ニューロ・シンボリック・アーキテクチャ: 本フレームワークは、形式的な分析（健全性のための不動点論理）とデータ駆動型の最適化（効率性のためのRL/GNN）をうまく組み合わせることに成功しており、正当性の保証と適応性の両方を必要とするソフトウェアエンジニアリングツールの再利用可能なデザインパターンを提供している。
• 拡張性: 現在はAWS IAMを対象としているが、著者らは、新しい権限フローテンプレートを抽出することで、そのアーキテクチャがプラットフォームに依存せず、他のクラウドプロバイダー（Azure、Google Cloudなど）やドメインに拡張可能であると断言している。