Applying JEPA-Style Predictive Learning to JA4-Derived Network Fingerprints

あなたは、混雑した駅で謎の旅行者を特定しようとしている場面を想像してみてください。通常、警備員は単一のIDカード（「指紋」）を巨大な顔名簿と照合します。もしカードが一致すれば成功ですが、一致しなければどうすればよいか分かりません。これは現在のほとんどのコンピュータネットワークが通信を識別する方法です。彼らは短いコード（JA4フィンガープリントのようなもの）を見て、「ああ、それはウェブブラウザだ」とか「それはサーバーだ」と判断します。それは高速ですが、硬直しています。彼らは旅行者を本当に「理解」しているわけではなく、ただ名前タグを照合しているだけなのです。

では、単にリストをチェックするのではない、新しい種類の探偵を想像してみてください。この探偵は、旅行者が持っているいくつかの異なる手がかり――帽子、靴、チケット、そしてバックパック――に注目します。たとえ旅行者が帽子を失っていたり、探偵がバックパックを見ることができなかったとしても、探偵は目に見えるものに基づいて、欠けている手がかりが「本来どうあるべきか」を推測しようとします。もしその推測が現実と一致すれば、探偵はその旅行者のスタイルの深層について何かを学び取ります。

これは、ルツェルン大学の研究者たちがJA4-JEPAと名付けた新しいシステムで行ったことと全く同じです。

「欠けたピース」のパズル

研究チームは、2つの異なるソースから集めた膨大なネットワーク「IDカード」（約397,000サンプル）を取り上げました。これらのカードには4つのセクションがありました。

1. JA4: 基本的なクライアントID（パスポートのようなもの）。
2. JA4H: クライアントがウェブサイトとどのように会話するか（会話のようなもの）。
3. JA4S: サーバーがどのように応答するか（返信のようなもの）。
4. JA4X: デジタル証明書の詳細（ビザのようなもの）。

ここでの難しい点は、これら4つのセクションすべてを揃えて持っているIDカードは、彼らのコレクションの中に一つも存在しなかったことです。会話の部分が欠けているものもあれば、返信の部分が欠けているものもありました。それは、ある写真では体の半分しか見えず、別の写真ではもう半分しか見えない状態で、その人の姿を学ぼうとするようなものです。

研究者たちは、スマートなAI（Transformerモデル）を構築し、「空白を埋める」ゲームをさせました。彼らはAIにIDカードのいくつかのセクションを見せ、隠されたセクションを予測するように求めました。全体を書き直そうとする（それは難しく、時間がかかる作業です）代わりに、AIは隠れた精神空間の中で、欠けている部分の「本質」や「雰囲気」を予測することを学びました。このアプローチはJEPA（Joint-Embedding Predictive Architecture）と呼ばれ、通常は画像や動画に使用されるものです。

結果：新しい種類のスーパーパワー

トレーニング後、研究者たちはAIの脳を凍結させ、テストを行いました。彼らはこう問いかけました。「これはウェブブラウザ（TLS）なのか、ドメイン名システム（DNS）なのか、それともセキュアシェル（SSH）なのかを判別できるか？」

結果は驚くほど強力でした。

• AIの予測は、実在する隠されたセクションと0.9899のコサイン類似度（ほぼ完璧で、まるで双子のようです）で一致しました。
• 通信をグループ分けするために使用した場合、単純な近傍探索法を用いて、未知の39,416サンプルに対して**92.20%**の精度で正解を出しました。

このことは、不完全なデータであっても、AIが豊かで有用な表現を学習したことを示唆しています。それはもはや名前タグを照合しているのではなく、通信の「構造」を理解しているのです。

「異常」テスト：インポスターを見つける

この新しい手法が本当に従来のやり方よりも優れているかを確かめるため、チームはエンタープライズ・ゲートウェイからの210万件の実世界の通信ペアを含む大規模なデータセットを用いて、2つ目のテストを実施しました。彼らは、どちらのシステムが以下の2種類の「偽の異常（トリック）」を見つけ出せるかを検証するために、2種類の「偽物」を作成しました。

1. シャッフル: 本物のIDと、無関係なランダムな会話を混ぜ合わせる。
2. ハード・ポジティブ: 本物のIDと、それらが共通して存在していても、その組み合わせでは決して起こり得ない会話を混ぜ合わせる。

彼らは、この新しいAIを他の5つの手法（頻度カウント、最近傍探索、オートエンコーダー、クラスタリング）と比較しました。

結果は明白でした：

• JA4-JEPAモデルは、両方のタイプのトリックに対して強力に機能した唯一のモデルでした。シャッフルのトリックに対しては0.922のAUC（1.0が完璧なスコア）、ハード・ポジティブに対しては0.925のAUCを記録しました。
• 他の手法は、少なくとも一方のテストで失敗しました。例えば、単純な頻度カウンターは新しい組み合わせに対して完全に盲目であり、最近傍探索はデータが増えるにつれて速度が低下し、混乱が生じました。
• 速度: このAIは標準的なCPU上で毎秒8,000ペアを処理でき、データベースが大きくなっても速度が低下しませんでした。対照的に、最近傍探索法は、データが増えるにつれて速度が毎秒3,400ペアからわずか250ペアへと低下しました。

この論文が「言っていないこと」

この魔法のようなトリックがまだ「できないこと」を知っておくことも重要です。

• マルウェアを見通す水晶玉ではない: 論文では、このシステムはウェブブラウザ、DNSサーバー、SSHの違いを判別できるものの、まだ「どの特定のアプリ（例：「Chrome」対「Firefox」）」が実行されているか、あるいは通信が「悪意があるか」までは判別できないと明記されています。彼らが持っていたラベルは、あまりにも広範すぎたためです。
• すべてを「見る」ことは完璧ではない: トレーニングデータに欠落があったため（すべての4つのビューを揃えて持っているサンプルは存在しなかったため）、AIは常に存在する一つの要素（JA4）に強く依存して残りを推測している可能性があります。著者らは、結果は有望であるものの、AIがすべてのビューの間に深い繋がりを学習したと100%確信することはできないと示唆しています。なぜなら、トレーニング中に完全な全体像を見たことがないからです。
• 「キャリブレーション（較正）」はまだ進行中である: このAIはインポスターを「ランク付け」することには長けていますが（どれが最も怪しいかを知る）、特定の「アラームライン（閾値）」を設定することは依然として困難です。5%の誤検知予算において、このモデルはトリッキーな「ハード・ポジティブ」の異常を**53%**しか捉えられませんでした。ランキングは強力ですが、正確なアラーム設定にはさらなる作業が必要です。

結論

この論文は、ネットワークのフィンガープリントの「欠けた部分を推測させる」ようにAIを教えることが、通信を理解するための強力な新しい方法であることを示唆しています。それは軽量で高速、かつスマートなシステムを生み出し、現在の手法よりも異常な組み合わせを見つけることに優れています。しかし、これはまだ解決された問題ではありません。研究者たちは慎重に前向きです。この手法は通信タイプを分類し、異常を検知することには機能しますが、特定のウイルスやアプリを捕まえるような実世界のセキュリティツールにするためには、より詳細なラベルと、すべてのパズルのピースが実際に揃っているデータが必要になります。

要するに、AIは「欠けたピースを当てる」ゲームを非常にうまく学習した結果、たとえ絵が破れていても、全体の姿を理解し始めたのです。しかし、群衆の中に隠れている特定の「悪い奴ら」を特定する方法を、私たちはまだ教え込む必要があります。