自動運転車の脆弱性をAIが紐解く、脅威情報の構造化に挑む最新研究

「船を発明するとき、あなたは同時に難破も発明している」。

哲学者ポール・ヴィリリオのこの言葉は、自動運転車にもそのまま当てはまります。

Connected and Autonomous Vehicles（CAV）は、センサーや電子制御ユニット、通信機器など多数の部品が連携する複雑なシステム。

そこには常に脆弱性が潜んでいます。

このたび発表された研究では、そうした脆弱性情報をAIで構造化する試みが評価されました。

通常、脆弱性はCVE（Common Vulnerabilities and Exposures）データベースに平文で記録されますが、現場のセキュリティ担当者にとっては、影響を受ける資産や攻撃の手口が構造化されている方がはるかに対策を立てやすい。

そこで、脅威情報の共通フォーマットであるSTIX（Structured Threat Information Expression）に自動変換するオープンウェイトLLMの実力が検証されたのです。

研究の舞台裏：11のモデルと新しいデータセット

研究チームはまず、CAV関連のCVE記述とSTIXの対応関係を示すデータセット「CAV-STIXGen」を構築。

STIXでは、ドメインオブジェクト（SDO）やリレーションシップオブジェクト（SRO）といった要素で脅威を表現しますが、このデータセットをもとに、パラメータ数4Bから120Bまでの11種類のLLMを様々なプロンプト戦略でテストしました。

単一モデルでは、SDO生成でF1スコア0.94、CWE（脆弱性の種類）のマッピングで0.99と高い精度を示した一方、SROは0.63にとどまり、MITRE ATT&CK（攻撃手法の分類）への完全なマッピングは困難でした。

面白いのは、複数のAIを協調させるマルチエージェント構成で、Gemma-4-31BがSDOで0.91、Codestral-22BがSROで0.43と、役割分担によって総合力を発揮する様子も見えた点です。

この研究の意義は、脆弱性情報の構造化をAIが肩代わりすることで、交通セキュリティの現場がより迅速にリスクを評価し、防御の優先順位をつけられるようになる点にあります。

CWEとATT&CKの共起パターンを分析する試みも、CAV領域に特有の脅威傾向を浮き彫りにしました。

とはいえ、まだ完全自動化には道半ば。

特に攻撃シナリオの関係性を正確に捉える部分は、AIにも一筋縄ではいかないようです。

それでも、こうした地道な研究が積み重なることで、私たちの移動がより安全なものへと変わっていく。

自動運転の未来に、少しだけ希望が持てる結果だと感じています。