CVE急増時代にAIで脆弱性診断・レッドチーミングを先手で回す方法

AIが脆弱性を大量発見——CVE対策の前提が変わった

2026年10月20日、PHPに重大な脆弱性「CVE-2026-109618」および「CVE-2026-109619」（通称「php2shell」）が判明し、PHPファンデーションが緊急パッチを発行した（Fortune）。Cloudflareは情報公開後わずか45分以内に数万件、2時間で数十万件、同日夜には数百万件の攻撃試行を観測している（PBS News）。米FBI、英国・フィンランド・日本政府が対応を呼びかけるなど、事態は国際的な規模に達した。影響を受けた組織の担当者や利用者に対し、まず配慮を述べた上でこの事例を教訓として取り上げる。

この事例が示す変化は単なる速度の問題ではない。AnthropicのClaude Mythos Previewが主要OSとブラウザを含む数千件の高深刻度脆弱性を発見したことが報告され（Anthropic公式）、中国の360 Digital SecurityもAIエージェントを使ってMicrosoft OfficeやOpenClawなどの未知の脆弱性約1,000件を発見した（Startup Fortune、2026年7月）。攻撃側がAIを使って脆弱性を探索し始めた以上、防御側が同じ技術を持たなければ非対称な戦いになる。MicrosoftはAIスキャンハーネス「MDASH」により脆弱性発見率が上昇すると事前に警告しており（Startup Fortune、2026年7月）、その予測は現実になりつつある。

オープンソース開発者のEric S. Raymondは、LLMによる脆弱性発見の急増を「Bugpocalypse」と命名し、防御と修復にこそAIを活用すべきだと主張している（x.com）。「発見者がAIになった」という現実への応答として、防御側のAI活用を考えるのが本記事の主題だ。

脆弱性が悪用された後に実際どんな被害が出たかは、日本・世界の主な被害一覧で解説しています。

関連記事AIによる情報漏洩とは？原因や経路は？

なぜ従来の脆弱性診断・レッドチーミングでは間に合わないのか

従来のペネトレーションテストや脆弱性スキャンは、実施が年1〜2回であることが多く、スキャンから報告書作成まで数週間を要する体制が一般的だ。しかしphp2shellの事例が示すとおり、攻撃者は開示後数十分で動き出す。「診断の頻度」と「対応速度」の両方に根本的なギャップがある。

問題は速度だけではない。360 Digital Securityが約1,000件を、AnthropicのClaude Mythos Previewが数千件を短期間で発見したという事実は、人手によるトリアージが追いつかない「量」の問題をも示している。セキュリティ担当者が全てのCVEを手動で追い、影響範囲を評価し、パッチ適用の優先順位を判断するプロセスは、AIが介在する現在の脅威環境には設計として合っていない。

日本企業・自治体が具体的に直面している課題は三層に整理できる。第一に、ソフトウェア資産（SBOM）が整理されておらず、どのコンポーネントが影響を受けるか即座に特定できない「発見の遅れ」。第二に、CVSSスコアだけでは実環境への影響が読めず、パッチ適用順序の判断が属人化している「優先度付けの手薄さ」。第三に、パッチ適用のテスト・承認フローが手動で、適用まで数日から数週間かかる「修復の遅延」だ。

AIを使ったCVE対策・レッドチーミングの具体的な実装

AIによる脆弱性診断とレッドチーミングは、「未然に防ぐ」「早く見つける」「被害を小さくする」の三段階で整理すると実装しやすい。

未然に防ぐ：コード解析とSBOM自動管理

LLMベースの静的解析ツール（GitHub Copilot AutofixやSnykのDeepCode AIなど）をCI/CDパイプラインに組み込むことで、プルリクエスト段階で脆弱なパターンを検出できる。SBOMの自動生成ツール（Syftなど）とNVD/MITRE CVEデータベースを連携させれば、新たなCVEが公開された時点で影響を受けるコンポーネントを自動でリスト化し、担当チームに通知する運用が構築できる。PHPベースのシステムを運用する組織がphp2shellの開示直後に影響を受けるシステムを特定できた背景には、SBOMが整備されていたかどうかの差がある。

早く見つける：AIレッドチームの活用

AnthropicのProject Glasswingは2026年4月7日に発表され、AWS・Apple・Microsoft・Google・Cisco・CrowdStrikeなど主要企業が参加した（Anthropic公式）。最大1億ドルの利用クレジットと400万ドルのオープンソースセキュリティ寄付を約束しており、AIを使った継続的なセキュリティ強化のエコシステムを形成しようとするものだ。こうした動向が示すように、主要ベンダーはAIによるレッドチーミングを「定期イベント」から「常時稼働」へ転換しつつある。

自社でAIレッドチームを実装する際の実務的な手順は次のとおりだ。まずLLMに自社のコードベースや設定ファイルを入力し、既知の攻撃パターン（OWASP Top 10、MITRE ATT&CK）に照合した潜在的な脆弱性を列挙させる。次に、その出力をセキュリティ担当者が確認し、実環境への影響度を加味して優先度を再評価する。この「AI出力→人間による確認」のループを週次で回すことで、年1回の外部診断に頼る体制を補完できる。

被害を小さくする：パッチ管理の自動化

パッチ管理プラットフォーム（Automox、Qualys PATCHなど）にAIを組み合わせると、CVSSスコア・資産の重要度・稼働状況を加味した自動優先度付けと、テスト環境への自動適用が可能になる。php2shellのように「開示後45分で攻撃が始まる」ケースでは、少なくとも「影響を受けるシステムの一覧化」と「緊急パッチの適用判断」をAIで自動化しておくことが、対応速度の差を生む。

AIを活用した脆弱性診断ツールの比較

ツール・サービス	主な用途	AI活用の特徴	適した規模・場面
GitHub Advanced Security	静的解析・依存関係スキャン	Copilot Autofixによる自動修正候補提示	GitHub利用の開発チーム全般
Snyk（DeepCode AI）	SCA・SAST・コンテナスキャン	LLMによる脆弱コードパターン検出と修正提案	CI/CDへの組み込みを重視するチーム
Microsoft Defender XDR	EDR・クラウドセキュリティ統合	Copilot for Securityによる脅威調査の自動化	Microsoft 365・Azure環境の中大規模企業
Qualys VMDR	脆弱性管理・パッチ優先度付け	TruRiskスコアによるAI優先度付けと自動修復	資産数が多い企業・自治体
Semgrep	静的解析・カスタムルール	LLMアシストによるルール作成と誤検知低減	独自コードベースを持つ開発チーム

日本企業・自治体が今すぐ着手できる場面

自治体のシステム担当者にとってまず有効なのは、SBOMの整備だ。自治体が運用するウェブサービスや申請システムの多くはオープンソースのCMSやフレームワークを使用しており、PHPベースのシステムはphp2shellの直撃対象となった。SBOMを整備しAIでCVEとの照合を自動化すれば、担当者が全てのCVE情報を手動で追う必要がなくなる。

中規模企業のセキュリティ担当者にとっては、既存のクラウド環境にAI搭載のセキュリティサービス（Microsoft Defender XDRのAI機能、AWS Security HubとAmazon GuardDutyの組み合わせなど）を追加することが、追加コストを抑えながら診断能力を向上させる現実的な選択肢だ。自社でレッドチームを常設できない規模の企業は、LLMを使ったペネトレーションテストサービスを定期的に外部委託する形でも対称性を確保できる。

開発チームには、コードレビュープロセスへのAI静的解析ツールの組み込みが即効性が高い。セキュリティ専任がいないチームでも、CIパイプラインにSnyk、Semgrep、またはGitHub Advanced SecurityのAI機能を追加することで、脆弱なコードが本番に入る前にフラグを立てる仕組みを作れる。

AIで解決できないこと——現場が知っておくべき限界と注意点

AIによる脆弱性診断・レッドチーミングには、見落とせない限界がある。

誤検知と見逃し：AIが出力した脆弱性リストは必ず人間が精査する必要がある。誤検知（False Positive）が多ければ対応疲れを引き起こし、重要な脆弱性が埋もれる。AIは学習データに含まれないゼロデイやロジックの欠陥を見逃す可能性があり、最終判断は常に人間が行う必要がある。

過剰監視とプライバシー：社内システムやコードへのAI解析を広範に適用する場合、個人情報や機密情報が解析プロセスに流入するリスクがある。外部クラウドサービスを使う場合は、どのデータがどこに送信されるかを契約レベルで確認し、個人情報保護法・各種規制への準拠を先に整理する必要がある。

コストと運用工数：AI診断ツールの導入は初期コストだけでなく、継続的なチューニングと監視の工数を要する。アラートのトリアージ・ルールの更新・誤検知の見直しを継続する体制がなければ、ツールは形骸化する。

規制・認証との整合：金融・医療・インフラなどの規制業種では、ペネトレーションテストの実施範囲・記録・報告が規制で定められている場合がある。AIツールで実施した診断が規制要件を満たすかどうかを所管省庁の指針と照合することが必要だ。

AIが解決しない根本：脆弱性が生まれ続ける根本原因は、開発プロセスにおけるセキュリティ設計の後付けにある。AIによる自動検出は「事後の発見速度」を上げるが、設計段階でのセキュリティ要件の組み込み（Secure by Design）を代替しない。

明日から試せる実務的な一歩

まず着手しやすいのは、自社が使用しているオープンソースコンポーネントの棚卸しだ。GitHubのDependency GraphやOSSレビューツールを使い、現在の依存ライブラリとバージョンを一覧化する。次に、NVD（米国立標準技術研究所 脆弱性データベース）のAPIを使った自動照合スクリプトを用意するか、既存のSCAツール（Software Composition Analysis）に接続する。これだけで「自社への影響があるCVEをリアルタイムで知る」という最低限の体制が整う。

AIレッドチーミングを試したい場合は、GitHubのパブリックリポジトリや検証環境に限定してLLMベースの静的解析ツールを実行し、出力の質と誤検知率を評価することから始めるのが安全だ。本番環境や個人情報を含むシステムへの適用は、プライバシーリスクと規制適合性を確認してから段階的に広げる。

php2shellの事例では、パッチ適用の意思決定が速かった組織と遅かった組織の間に、同日内での対応の差が生まれた（PBS News）。対応速度の差は技術力の差ではなく、「誰が何を判断するか」の事前設計の差であることが多い。AIはその判断の補助として機能するが、判断の枠組みを作るのは人間の側だ。

---

参考文献

• Startup Fortune（2026年7月27日）https://startupfortune.com/ai-is-finding-software-vulnerabilities-faster-than-security-teams-can-fix-them/
• Fortune https://fortune.com/2026/10/21/ai-tools-discovered-the-php-vulnerability-that-could-take-down-70-of-the-internet-now-the-race-is-on-to-patch-it-before-ai-powered-hackers-attack/
• PBS News https://www.pbs.org/newshour/nation/ai-discovered-a-software-vulnerability-that-could-impact-70-of-websites-worldwide-the-rush-is-on-to-patch-it
• www.anthropic.com https://www.anthropic.com/glasswing
• x.com https://x.com/i/trending/2114100474047504596