AIエージェント時代の防御、その鍵は「コンテキスト」 

防御側の非対称性。 可視性のギャップ。 防御側のジレンマ。 こうした言葉が示しているのは、サイバーセキュリティにおける長年の課題です。攻撃者は、防御側が把握していない情報、あるいは把握していても迅速に対処できない情報を見つけ出し、それを優位性へと変えて攻撃を成功させます。

あらゆる侵害は、まず「情報収集」から始まります。 攻撃者は実際に攻撃を仕掛ける前に、資産、アイデンティティ、脆弱性、そして侵入や横展開につながる可能性のある攻撃経路を調べ上げます。 こうして環境全体を理解することが、攻撃者にとって大きな武器となります。しかし、本来は防御側のほうが、自社環境についてはるかに多く、しかも正確な情報を持っています。ユーザー、デバイス、アプリケーション、ネットワークトラフィック、セキュリティイベント、ポリシーなど、組織内部で起きているさまざまな情報を把握できる立場にあるからです。問題は、こうした情報が複数のツールやシステムに分散し、互いに分断されていることです。セキュリティチームは大量のデータを持っていても、それらをすばやく関連付け、「いま何が起きているのか」「次に何をすべきか」という実際の対応につながるインサイトへ変換することができません。つまり、不足しているのはデータではありません。不足しているのは、それぞれの情報を結びつける共通のコンテキストです。そして、このコンテキストの欠如こそが、Agentic AIを活用する攻撃者にとって、いまや格好の標的となりつつあります。

共有コンテキストが力関係を変える

個別に分断されたポイントソリューションとは異なり、Catoの統合インスペクションエンジンは、企業全体から収集した共通のコンテキストをもとに、すべての接続を評価します。

• ユーザーとアイデンティティに関する情報

• デバイス、アプリケーション、資産に関する情報

• ネットワーク上の挙動

• セキュリティイベントと脆弱性

• データの利用状況と脅威インテリジェンス

これらの情報は、個別に見るよりも、組み合わせて評価することで、はるかに大きな価値を持ちます。単独では無害に見えるアクティビティでも、アイデンティティ、アプリケーション、脆弱性、ネットワークといった情報と関連付けて見ることで、そこに潜む攻撃経路が見えてくることがあります。

こうした共有コンテキストこそが、Catoの「Agentic Threat Prevention（AIエージェントを活用した脅威防御）」の大きな強みです。Agentic Threat Preventionは、AIエージェントを活用する攻撃者の能力を、逆に防御側の優位性へと転換するために開発されました。他のAIエージェントと同様、その効果は、与えられる情報の質と網羅性によって大きく左右されます。Catoは、ユーザー、アプリケーション、デバイス、イベント、ネットワーク上のアクティビティを統合的に把握できます。そのためAgentic Threat Preventionは、攻撃を単に「検知する」だけでなく、その先の「予測」まで可能にするのです。

コンテキストが予測精度を高める

Cato Agentic Threat Preventionは、共有コンテキストを活用して各組織の環境を詳しく把握し、不審なアクティビティを継続的に監視・評価するとともに、個別に発生したイベントを相互に関連付けて分析します。

例えばデモ動画で紹介されているように、あるホストがPsToolsをダウンロードしたという事実だけでは、必ずしも悪意のある行動とは限りません。 しかし、共有コンテキストを組み合わせることで状況は大きく変わります。Agentic Threat Preventionは、そのホストが財務部門のユーザーによるものであること、PsToolsをダウンロードするのが初めてであること、操作が勤務時間外に行われたこと、さらにダウンロード元が不審なドメインであることまで把握できます。 こうした複数の情報を総合することで、防御側のAIエージェントは、次にツールが実行される可能性や、その後にラテラルムーブメント（横方向への侵害拡大）が行われる可能性を予測できます。さらに、組織の攻撃対象領域を深く理解しているため、攻撃者がその環境内で次にどのような経路をたどって攻撃を進める可能性があるのかまで見極めることができます。

組織について把握しているコンテキストが豊富であるほど、防御側のエージェントは、想定される攻撃経路をより正確に特定し、その組織固有の攻撃対象領域に適した防御策を提案できるようになります。つまり、一般的な脅威検知にとどまらず、それぞれの顧客環境に即した予測が可能になるのです。

予測が適応型の防御アクションにつながる

予測によって次に起こり得ることは見えてきますが、実際に攻撃を防ぐには、そこから具体的なアクションにつなげる必要があります。先ほどのAIエージェントを活用した攻撃者が、次にOpenClawのインストールを試みた場合も、共有コンテキストによって、それまでの分析や判断が引き継がれます。この動きは単独のイベントとして扱われるのではなく、同じホスト上で先に発生した不審なPsToolsのダウンロードと関連付けて評価されます。そこから、攻撃者がさらにツールの取得を続ける可能性が予測されるため、Agentic Threat Preventionは、その後のスキルのインストールや、他のツールへのアクセスをブロックします。共有コンテキストは、「これまでに何が起きたのか」「次に何が起こりそうなのか」、そして「どのような制御によって攻撃経路を遮断すべきか」をつなぐ役割を果たします。

さらに、こうした制御は統合プラットフォーム上で一元的に管理されるため、分断されたツールや手作業のワークフローによって対応が遅れることなく、環境全体に適用できます。その結果、AIによる攻撃がマシンスピードで進むのと同じように、防御側もマシンスピードで動作する、予測型かつ適応型の脅威防御を実現できるのです。

スケーラビリティが安定した防御を支える

近年見られる、マシンスピードで進行するAIエージェント型の攻撃は、AIによって攻撃の規模とスピードが飛躍的に高まり、それに伴ってセキュリティイベントの量も急増することを示しています。例えば、最近発生したHugging Faceへの攻撃では、わずか2日間で17,000件を超えるイベントが発生しました。こうしたAIエージェント型の攻撃手法が広く使われるようになれば、セキュリティプラットフォームには、検知精度やパフォーマンスを維持したまま、これまで以上に大量のトラフィックを詳細に検査する能力が求められます。

アプライアンスをベースとした従来型のアーキテクチャとは異なり、Cato SASE Cloudは、需要の増加に応じて処理リソースを柔軟に拡張できます。このクラウドネイティブなアーキテクチャによって、AIを活用した攻撃が急増するような状況でも、検査の深度を落とすことなく、一貫したポリシー適用を維持することができます。

防御側の優位性を活かす

攻撃者は、組織の環境を把握するために偵察活動を行い、その全体像を推測しなければなりません。一方、防御側は、自社環境を正確に理解するために必要な、信頼できるコンテキストをすでに持っています。

CatoのAgentic Threat Preventionは、この防御側が本来持っている優位性を、実際の防御へとつなげます。共有コンテキストを活用することで、それぞれの組織環境に即した精度の高い予測を行い、 その判断をもとにポリシーを自動的に適応させ、AIエージェントを活用した多段階の攻撃チェーンを断ち切ります。 AIエージェント型の攻撃がさらに高速化・大規模化しても、Catoのクラウドネイティブプラットフォームなら、運用の複雑さを増やすことなく、一貫したトラフィック検査とポリシー適用を維持できます。

Cato Agentic Threat Preventionが、AIエージェント型の攻撃に対して組織が一歩先を行くために、どのように役立つのか。詳しくは、catonetworks.com/agentic-threat-preventionをご覧ください。

出典：
Hugging Face Security Incident Disclosure, July 2026