論文「OpenClaw のフォレンジック分析に基づくアジェンティック AI 調査の基盤」の技術的サマリー

本論文は、個人アシスタントとして急速に普及している「アジェンティック AI（自律型 AI）」のデジタルフォレンジック調査における新たな課題と基盤を確立した研究です。著者らは、代表的なオープンソースプロジェクトである「OpenClaw」を対象に、静的コード分析、差分フォレンジック分析、ファイルシステムの詳細な検査を組み合わせ、AI エージェントが生成する痕跡（アーティファクト）の体系化と分析手法を提案しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細をまとめます。

1. 問題定義 (Problem)

従来のデジタルフォレンジックは、人間が指示を出し、システムが決定論的に実行するルールベースのソフトウェアを前提としていました。しかし、アジェンティック AI は以下の特徴により、従来の調査手法では対応が困難な新たな課題を提起しています。

• 自律性と非決定性: AI エージェントは、LLM（大規模言語モデル）を中核とし、文脈に基づいて自発的に計画・実行を行います。同じ入力でも、LLM のサンプリングのランダム性や文脈の微妙な変化により、異なるツール選択や実行パスが生成され、痕跡が非決定性（Non-deterministic）になります。
• 抽象化レイヤーの追加: ユーザーの意図と実際のシステム動作（ツール呼び出し、ファイル操作など）の間に、LLM の推論プロセスという追加の抽象化レイヤーが存在します。
• 調査対象の不明確さ: エージェントが「ユーザーの指示通り」行動したのか、それとも「自律的に判断」して行動したのかを区別する「帰属（Attribution）」の問題が複雑化しています。また、クラウドでの推論とローカルでの実行が混在し、継続的に自律的に動作するため、従来の調査手法では痕跡の特定が困難です。

2. 研究方法 (Methodology)

著者らは、個人 AI アシスタント「OpenClaw」を対象とした実証研究を行いました。

• 実験環境: Oracle VirtualBox 上の Debian GNU/Linux 環境で、OpenClaw（バージョン 2026.2.2-33）をインストールし、テストデータを生成しました。
• 差分フォレンジック分析:
  1. ベースライン状態（$q_0$）から、インストール、セットアップ、およびエージェントとの対話（テキスト送信、画像送信、ツール実行、サブエージェントの生成など）を含む一連のアクション（$\sigma_i$）を実行します。
  2. 各アクション後のシステム状態（$q_i$）をディスクイメージとして取得します。
  3. 連続する 2 つの状態イメージを比較し（$q_i, q_{i+1}$）、ファイルシステムに生じた差分（$\delta_i$）を特定します。これにより、特定の機能に起因する痕跡を分離します。
• 静的コード分析とファイル検査: ソースコードを解析してアーキテクチャとデータ保存場所を把握し、差分分析で特定されたファイル（JSONL, SQLite, Markdown など）を詳細に検査・解析しました。
• ツールの開発: 取得したアーティファクトを自動的に抽出・相関させるプロトタイプツールを開発し、オープンソースとして公開しました。

3. 主要な貢献 (Key Contributions)

本論文の主な貢献は以下の 3 点です。

1. 個人 AI アシスタントの初のフォレンジック分析:
   OpenClaw の技術的アーキテクチャ（ゲートウェイ、プラグイン式通信チャネル、メモリ層など）を解明し、エージェントの行動とローカルに存在するデジタル痕跡を体系的に結びつけました。
2. アジェンティック AI 用のアーティファクト分類体系（Taxonomy）の提案:
   エージェントの調査を構造化するための「5 つの平面（Planes）」からなる分類体系を提案しました。
   • 推論と認知 (Reasoning & Cognition): LLM の思考プロセス（Thinking blocks）など。
   • アイデンティティと設定 (Identity & Configuration): エージェントの人格、権限、システムプロンプトなど。
   • 知識と想起 (Knowledge & Recall): episodic memory（エピソード的記憶）、ユーザープロファイル、セマンティックインデックスなど。
   • 通信と入出力 (Communication & I/O): 通信チャネル、メッセージ、メディアファイルなど。
   • 行動と効果 (Actions & Effects): ツール呼び出し、スケジュールタスク、サブエージェントの委任など。
   • 注記: セッショントランスクリプト（会話記録）はこれらすべての平面にまたがる横断的な証拠となります。
3. 調査フレームワークとツールの提供:
   具体的な調査質問（例：「エージェントは何を知っていたか」「誰が何を指示したか」）に対する回答手順を提示し、その実装ツールを公開しました。

4. 結果と知見 (Results)

OpenClaw の分析を通じて、以下の具体的な知見が得られました。

• 痕跡の所在: ほとんどのデータはユーザーホームディレクトリ内の .openclaw 隠しディレクトリに保存されます。特に重要なのは、会話履歴、ツール実行記録、思考プロセスを含む JSONL ファイルと、セマンティック検索用の SQLite データベースです。
• 推論プロセスの可視化: 従来のソフトウェアには存在しない「思考の痕跡（Thinking traces）」が記録されており、エージェントがどのように指示を解釈し、どのツールを選択したかの理由を推測する手がかりとなります。
• 自律行動の特定: スケジュールされたタスク（Cron jobs）やサブエージェントへの委任（Delegation）の記録から、ユーザーの直接的な指示がないまま実行された自律的な行動を特定できます。
• 非決定性の課題: 同一の入力であっても、LLM の推論や外部サービスの応答、メモリ状態の変化により、生成される痕跡（特にツール選択や思考内容）が毎回異なることが確認されました。これは、従来の「再現性」を前提としたフォレンジック手法の限界を示しています。
• 設定の履歴復元: 設定ファイルのバックアップ（.bak ファイル）やログデータから、過去のシステム構成や利用可能なツールの状態を時系列で復元できることが示されました。

5. 意義と将来展望 (Significance)

本論文は、デジタルフォレンジックの分野において以下のような重要な意義を持ちます。

• パラダイムシフトの必要性: アジェンティック AI の調査には、単なるファイルの収集を超え、LLM の推論プロセス、文脈の再構築、非決定性の扱いを考慮した新しいアプローチが必要であることを示しました。
• 責任の所在の明確化: 「ユーザーの意図」と「エージェントの自律的行動」を区別し、事故や不正行為の責任を誰に帰属させるか（Attribution）を判断するための客観的な証拠基盤を提供します。
• 将来の研究の基盤: 提案された 5 つの平面による分類体系は、OpenClaw だけでなく、他のアジェンティック AI システム（例：AutoGen など）の分析にも応用可能であり、今後の研究や実務の標準的なフレームワークとしての役割を果たすことが期待されます。

総じて、本論文は、自律型 AI が社会に浸透する中で、その行動を調査・分析するための最初の体系的な基盤を築いた画期的な研究と言えます。