技術概要：PHANTOM – 物語に特化した組織模倣による多態性ハニートークン適応

1. 問題定義

ハニートークン（不正アクセスを検知するために設計された偽装デジタル資産）は、サイバー欺瞞における確立されたプリミティブである。しかし、既存の生成ツール（Canarytokens、HoneyBadger など）は、組織固有の特性を欠く静的なテンプレートベースの手法に依存している。これらのトークンは構文上は有効であることが多いが、意味的には空虚である。熟練した攻撃者や自動化されたスキャナ（trufflehog、gitleaks、ML ベースの分類器など）は、ターゲット組織のドメイン名、サービス命名規則、技術スタックの慣習、秘密値の分布を模倣できていないため、容易にこれらを識別できる。

本論文は、現在のアプローチにおける 3 つの決定的な欠陥を特定している：

1. 文脈の欠如: 実際の認証情報は、特定のサービスアーキテクチャに一致する IAM ロール名など、組織的文脈に深く埋め込まれているが、汎用テンプレートにはこれが欠けている。
2. 意味的ギャップ: 経験的証拠は、テンプレートトークンが構文的な有効性において高い達成度を示す一方で、実在の認証情報と偽装品を区別する主要な要因である意味的一貫性において著しく失敗していることを示唆している。
3. 検知耐性の欠如: 文脈に富むトークンであっても、攻撃者が遭遇する前に自動化されたスキャナによって検知された場合は失敗する。現在のツールは、現代の統計的および機械学習ベースの検知ヒューリスティクスを十分に回避できていない。

2. 手法：PHANTOM フレームワーク

PHANTOM（Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry）は、組織固有の知識を多コンポーネント生成パイプラインに符号化することで、文脈的に説得力のあるハニートークンを生成するフレームワークである。

2.1 組織プロファイル

本システムは、以下の情報を含む構造化された**組織プロファイル（$O$）**に基づいて動作する：

• ドメイン名と短縮名。
• サービスリストとデータベースの種類/ホスト。
• クラウドリージョンと Git 組織の詳細。
• JWT 発行元と対象者。

2.2 文脈的生成パイプライン

静的なジェネレータとは異なり、PHANTOM は 8 種類のトークンタイプ（AWS キー、環境ファイル、JWT、Slack ボットトークンなど）に対して専用のジェネレータ（$G_t$）を採用している。中核となる設計原則は値レベルの文脈注入である：

• 名前付きフィールド（IAM ユーザー名、データベース名、Redis ホスト名、Git リモート URL）はすべて、組織プロファイルから直接導出される。
• パイプラインは外部 API 呼び出しを回避しており、エアギャップ環境や機密環境での展開が可能である。
• スキャナ対応設計: ジェネレータは、3 つの主要なスキャナヒューリスティクスを回避するように明示的に設計されている：
  • 正規表現/パターン（$S_1$）: 「example.com」などの一般的な赤信号となる文字列を、組織由来の値に置換する。
  • エントロピー分析（$S_2$）: 一様な高エントロピーではなく、低エントロピーの人間可読値 alongside 高エントロピーの秘密値といった、実ファイルの混合エントロピープロファイルを模倣する。
  • ML 分類器（$S_3$）: 文脈の欠如を検知するように訓練された分類器に対抗するため、組織固有のフィンガープリント（ドメイン、サービス名）を埋め込む。

2.3 評価指標

本論文は、**信頼性スコア（$B$）と複合ハニートークンスコア（$H$）**を通じてトークンの品質を形式化している：

• 信頼性スコア（$B$）: 4 つの構成要素の重み付き複合指標：
  1. 構文的有効性（$S_v$）: トークンタイプに対する正しい形式。
  2. 意味的一貫性（$S_c$）: 組織プロファイルとの文脈的適合性。
  3. 統計的正規性（$S_n$）: 実在の認証情報と一致するエントロピーおよび分布特性。
  4. 人間の受容性（$S_h$）: 専門評価者がトークンを本物として分類する割合。
• **検知耐性（$DR$）:**$1 - P_d$と定義され、ここで$P_d$は重み付きアンサンブルのスキャナモデル（$S_1, S_2, S_3$）による検知確率である。
• 複合スコア（$H$）: 信頼性と検知耐性のバランスを取る（$H = B^\lambda \cdot DR^\mu$）。

3. 実験設定

• データセット: 8 種類のトークンタイプと 4 つの組織文脈（FinTech、医療、防衛、E コマース）で生成された、32 個の PHANTOM トークンと 32 個のテンプレートベースのベースライントークン。
• ベースライン: 組織文脈なしのランダムな秘密値を使用する静的テンプレートジェネレータ（Canarytokens と同等）。
• 評価:
  • 自動化: 3 つのスキャナモデル（正規表現、エントロピー、ML 分類器）をすべてのトークンに適用。
  • 人間: 専門評価者がトークンを本物か偽装品かとして分類。
  • 統計: ボンフェローニ補正を施した 2 標本ウェルチの t 検定；効果量はコーンの $d$ として報告。

4. 主要な結果

PHANTOM は、すべての主要指標においてテンプレートベースのベースラインを大幅に上回った：

指標	テンプレートベースライン	PHANTOM	$\Delta$	有意性
信頼性（$B$）	$0.576 \pm 0.058$	$0.778 \pm 0.057$	$+0.203$	$p < 0.001$ ($d=3.52$)
構文的有効性（$S_v$）	$0.842$|$0.876$|$+0.034$	有意でない
意味的一貫性（$S_c$）	$0.396$|$0.705$|$+0.309$|$p < 0.001$($d=4.52$)
人間の受容性（$S_h$）	$6.2\%$	$100.0\%$	$+93.8\%$	$p < 0.001$
**検知耐性（$DR$）** |$0.609$|$0.870$|$+0.261$|$p < 0.001$($d=7.49$)

• 駆動要因としての意味的一貫性: 最大の改善は意味的一貫性において見られた（$\Delta S_c = +0.309$）；これは組織文脈が決定的に欠落していた要素であることを確認した。構文的有効性には有意な差は見られず、形式の正しさは欺瞞にとって必要条件ではあるが十分条件ではないことを示している。
• 人間の受容性: PHANTOM トークンの 100% が専門家の閾値（$B \ge 0.65$）をクリアしたが、テンプレートでは 6.2% だけだった。
• 検知耐性: PHANTOM トークンは 3 つのスキャナモデルすべてにおいて検知されにくく、特に ML ベースの分類器に対して劇的な改善が見られた（検知確率は 54.1% から 16.2% に低下）。
• パレート最適性: PHANTOM トークンの 100% が「理想領域」（$B \ge 0.70$ かつ $DR \ge 0.70$）内に収まったのに対し、テンプレートトークンでは 6.2% だけだった。

5. 意義と主張

本論文は、PHANTOM が現在のハニートークン生成の根本的な限界、すなわち組織固有の特性の欠如に対処していると主張している。

• 主要な貢献: 構文的、意味的、統計的、そして人間の次元を統合する形式的な信頼性スコアフレームワークの導入。これにより、意味的一貫性が欺瞞の品質を支配する主要な駆動因子であることを実証した。
• 運用上の利点: 外部 API 呼び出しなしで動作するため、PHANTOM はクラウド API アクセスが禁止されているエアギャップ環境（例：機密政府ネットワーク、産業制御システム）において完全に展開可能であり、ネットワーク依存なしで LLM ベースのアプローチと同等の品質を提供する。
• 戦略的インパクト: このフレームワークは、既存の Passive Hack-Back システムや長期的な再識別システムを補完する、完全なデータ持ち出し後の欺瞞および帰属追跡パイプラインに必要な高品質な「餌」コンポーネントを提供する。

著者らは、将来のジェネレータの品質向上の取り組みは、形式の正しさ（構文的有効性）から意味的埋め込みへと焦点を移さなければならないと結論づけている。なぜなら、後者がハニートークンを正当な認証情報と区別不可能にするかどうかを決定する主要因だからである。