Solving the Cross-Sector Generalization Gap: A Generalizable AI Framework for Detecting Known and Unseen Cyberattacks in Critical Infrastructure

現代の世界は、機械とネットワークによる広大で目に見えない神経系によって動いています。私たちの蛇口を清潔に保つ水処理施設から、都市に明かりを灯す電力網、鉄道を動かす鉄道システム、海洋を航行する船舶、そして製品を製造する工場に至るまで、これらのシステムはオペレーショナル・テクノロジー（OT）に依存しています。これは、物理的なプロセスを監視・制御するための特殊なソフトウェアとハードウェアです。数十年にわたり、セキュリティの専門家は、これらの各セクターを個別の「島」として扱ってきました。彼らは水処理施設には独自の防御策を、電力網にはまた別の防御策を、そして鉄道にはさらに別の防御策を構築してきました。これは、ある業界のセンサーが使う独自の言語は、別の業界のために設計されたシステムには理解できないという前提に基づいています。このアプローチは、相互接続が進む世界において、あらゆる仕事に対して異なるツールを必要とする断片化された状況を生み出しました。これは、システムがより密接に結びつくにつれて、コストがかかり、拡張が困難な手法となります。

国際イスラム大学チッタゴン（International Islamic University Chittagong）の研究チームは、この長年の仮説に挑戦しました。彼らはシンプルかつ深遠な問いを投げかけました。「単一の人工知能システムが、たとえその特定の産業を見たことがなくても、あらゆる異なる産業にわたるサイバー攻撃の普遍的な兆候を認識することを学習できるだろうか？」という問いです。彼らの研究は、その答えは「イエス」であることを示唆しています。コンピューターモデルに対し、センサーの具体的な名称ではなく、データの「振る舞い」を見るように学習させることで、彼らは、5つの異なる重要インフラ部門における既知の攻撃と未知の脅威の両方を検知できる統一された検出器を作り上げました。その結果は、単一の適応可能なシステムが、最終的には専門化された多数の検出器に取って代わり、社会が依存する不可欠なサービスを保護するための、より効率的で理解しやすい方法を提供できることを示しています。

研究者たちは、水および廃水処理、電力網、鉄道信号、海上航行、および産業製造という、多様な5つのセクターに焦点を当てました。現実の世界では、これらのシステムは異なる言語を話します。水処理施設は圧力や水の透明度を監視するかもしれませんが、電力網は電圧や電気周波数を追跡します。鉄道システムはブレーキ圧や列車の速度を監視し、船舶はエンジンの回転数や舵角を監視します。従来、水データの学習を行った人工知能は、電力網に対しては役に立ちません。なぜなら、そのAIは関与する具体的な数値の意味を理解できないからです。研究者たちは、センサーの名前は異なっても、機械が攻撃を受けている時の挙動には共通のパターンがあるのではないかということに気づきました。

これをテストするために、彼らは各セクターからの生データを共通の簡略化された言語へと翻訳するフレームワークを構築しました。コンピューターに生のセンサー値を入力する代わりに、彼らは一定の時間窓（ウィンドウ）ごとの統計的な要約を算出しました。数値がどれほど速く変化しているか、どれほど激しく変動しているか、そして値がどの程度分散しているかを調べました。これらの要約により、各セクターに対して固定された単一の数値リストが作成されました。これにより、水や電気といった特定の語彙を剥ぎ取り、データの数学的な形状だけを残したのです。これにより、彼らは一つの単一のコンピューターモデル（決定木の一種であるランダムフォレスト）を、5つの全セクターのデータを用いて同時に学習させることができました。

チームはこの単一のモデルに対し、それが真に汎用性を持ち得るかどうかを確認するため、厳格な一連のテストを実施しました。まず、学習を行ったセクター内での攻撃を検知できるかを確認しました。モデルは成功し、水、電力、鉄道、海事、および産業システムにおいて、約79パーセントから86パーセントの範囲の精度で攻撃を正しく特定しました。これは、モデルが各業界の特有のニュアンスを学習できることを証明しました。しかし、真のテストは、その知識を転移させた時に訪れました。彼らは4つのセクターでモデルを学習させた後、そのモデルに、一度も見せていない第5のセクターにおける攻撃を特定させました。驚くべきことに、モデルはこれらの新しい環境においても、80パーセントから86パーセントの精度を達成し、同様に優れた性能を発揮しました。これは、システムが特定の業界のセンサー名を単に暗記したのではなく、攻撃の根底にある論理を学習したことを示しています。

おそらく最も重要な発見は、未経験の攻撃を検知するシステムの能力でした。サイバーセキュリティの世界において、最も危険な脅威は、防御側にとって新しく未知のものである「ゼロデイ」攻撃です。研究者たちは、特定の隠密型の攻撃をトレーニングデータから完全に除外することで、モデルをテストしました。この未知の攻撃をモデルに提示した際、モデルは高い信頼度でそれを特定することに成功し、82パーセントを超える検出率を達成しました。このことは、モデルが、たとえその特定のトリックを見たことがなくても、サイバー侵入を特徴づける微細で不規則な振る舞いを認識できることを示唆しています。

研究者たちはまた、極めて重要な運用上の問題、すなわち「悪意のあるサイバー攻撃」と「単純で無害な機械の故障」を区別することにも取り組みました。過去には、経年劣化によるセンサーのドリフトやモーターの摩耗を、意図的な攻撃と誤認してしまい、偽陽性（誤報）が発生して信頼を損なうことがよくありました。彼らのフレームワークは、サイバー攻撃と物理的な故障を、90パーセント近い精度で区別することができました。これは、オペレーターが日常的な機器の摩耗に気を取られることなく、真の脅威に対して警告を発できるようにするために不可欠な能力です。

最後に、チームは、このシステムが理由を説明せずに答えだけを出す「ブラックボックス」ではないことを確認しました。彼らは、モデルが意思決定を行う際にどの統計的特徴に最も依存しているかを分析しました。その結果、システムは主に「変化率の揮発性（ボラティリティ）」、つまり、データがいかに激しく、かつ素早く跳ね回っているかによって駆動されていることを見出しました。これは直感的に理解しやすいことです。なぜなら、サイバー攻撃はしばしば滑らかで予測可能な機械データの流れを乱し、突然の不規則なスパイクを引き起こすからです。モデルがこれらの明確で理解可能な統計的ルールに基づいて構築されているため、セキュリティ担当者は、なぜアラートがトリガーされたのかを正確に把握でき、単なる謎めいたラベルではなく、透明性のある証拠の追跡を提供することができます。

この研究には境界もあります。学習およびテストに使用されたデータは、現実世界の物理現象を模倣するように設計されたコンピューター・シミュレーションによって生成されたものであり、稼働中のライブネットワークから取得されたものではありません。シミュレーションは、現実的なノイズや複雑さを含むよう注意深く作成されていますが、研究者たちは、現実世界のシステムにはシミュレーションでは捉えきれない追加の予測不可能な層が存在することを認めています。また、現在のシステムは意思決定に関する一般的な説明を提供するものの、個々のアラート一つひとつに対する詳細な理由まではまだ説明できないことも指摘しています。それにもかかわらず、これらの結果は、重要インフラのセキュリティに対する将来の有望なビジョンを提示しています。新しい業界や新しい種類のセンサーごとに新しいカスタム防御を構築する代わりに、単一の適応可能な知能が、機械の振る舞いの普遍的な言語を学習し、私たちの水、電力、輸送、そして産業を、統一され、透明性が高く、効果的な盾によって守るというビジョンです。