Webエンジニア向けプログラミング解説動画をYouTubeで配信中!
▶ チャンネル登録はこちら

【ITニュース解説】Building GraphGuard: How a Graph Database Transformed Cybersecurity Investigation

2026年10月19日に「Dev.to」が公開したITニュース「Building GraphGuard: How a Graph Database Transformed Cybersecurity Investigation」について初心者にもわかりやすく解説しています。

作成日: 更新日:

ITニュース概要

セキュリティ監視で多発するアラートの関連性不明問題を解決する「GraphGuard」は、グラフデータベースFalkorDBとAIを活用。分断されたセキュリティ情報を繋がりとして可視化し、複雑な攻撃経路を高速分析。調査効率を高め、安全なサイバー防御を支援する。

ITニュース解説

セキュリティ運用センター(SOC)は、日々膨大な数のセキュリティアラートに直面している。多様なセキュリティシステムから発生するアラートは量が多すぎて、個々の詳細な調査が難しい「アラート疲労」という問題がある。しかし、真の問題はアラートの多さだけでなく、個々のアラートが持つ背景や関連性が断片的にしか見えず、全体像の把握が困難な点にある。

例えば、「既知のTor通信終了ノードへの疑わしい外部接続」というアラートが一つだけ表示された場合、担当者は深刻ではないと判断してしまうかもしれない。しかし、このアラートの裏には、その接続元のPCが「高リスク」と評価された特定の社員によって使われ、数時間前に社内ネットワークのスキャンをしていたこと、接続先のIPアドレスが既知の攻撃サーバーと関連していること、これらすべてが「情報漏洩キャンペーン」という進行中の大規模な攻撃の一部であり、企業の「決済処理サービス」や「人事ポータル」といった重要なシステムを脅かしている、といった複雑なストーリーが隠されている可能性がある。

従来のセキュリティ情報イベント管理(SIEM)ツールやリレーショナルデータベースでは、複数の情報源にまたがるこのような関連性を発見するために、何段階もの複雑なデータベース結合処理や、高度なログ分析クエリを手動で記述する必要があった。限られた時間の中で、セキュリティ担当者がこれらの複雑なクエリを作成し実行することは現実的ではない。セキュリティデータは単なる平面的な表計算シートではなく、本質的に互いに関連し合った「グラフ」のような構造を持っている。この「点と点」をつなぎ合わせる能力が、サイバーセキュリティ調査において決定的に不足していた。

この情報間のギャップを埋めるのが、「GraphGuard」というシステムである。GraphGuardは、高性能なグラフデータベース「FalkorDB」を中核として利用し、断片的なセキュリティイベントを相互に接続されたグラフデータとして表現する。FalkorDBが選ばれた理由は複数ある。第一に、「グラフ探索」の速さだ。セキュリティ調査ではAIエージェントが複数のステップを経て、関連する情報(隣接するノードや攻撃経路)を次々とたどる必要があるが、FalkorDBは高速に動作し、10ミリ秒未満というクエリ実行時間を実現するため、AIによる調査が瞬時に行われているかのように感じられる。第二に、OpenCypherという表現豊かなクエリ言語に対応している点がある。リレーショナルデータベースで何行ものコードが必要となるような複雑な多段階の関係性も、Cypherを使えば数行で簡単に問い合わせできる。第三に、データの「冪等性(べきとうせい)」を保証する「MERGE」コマンドを完全にサポートしている点だ。これにより、新しい情報が追加されても、既存のエンティティを重複させることなく関係性だけを更新できるため、安定したシステム運用が可能となる。最後に、FalkorDBはAIエージェントの永続的な記憶としても機能する。完了した調査結果や発見された証拠を、データベース内のノードとして直接保存するため、将来の調査において過去の調査結果をグラフパターンとして問い合わせ、継続的に知識を活用できる。

GraphGuardでは、サイバーセキュリティの運用を、特定の意味を持つ「ノード」(点)と、それらのノード間の関連性を示す「リレーションシップ」(線)で構成される「プロパティグラフ」としてモデル化している。具体的には、「ユーザー」「デバイス」「IPアドレス」「アラート」「インシデント」「サービス」「調査」「証拠」といった8種類のノードがあり、それぞれに名前やID、リスクレベルなどの属性情報(プロパティ)が持たされる。「ユーザーがデバイスを使う」「デバイスがIPアドレスと通信した」「デバイスがアラートを発した」「アラートがあるインシデントの一部である」といった10種類の関係性が定義され、情報間の繋がりを明確に表現する。

GraphGuardの核心となるのは、これらのグラフデータを探索し、関連情報を見つけ出すための「Cypherクエリ」である。システムには20以上の定型化されたCypherクエリが用意されており、調査エンジンを動かす。例えば、あるアラートが選択された際に、そのアラートから最大4段階のつながりをたどり、関連するデバイス、接触したIPアドレス、その他の関連アラート、所属するインシデント、そして危険にさらされている重要なサービスをすべてマッピングするクエリがある。これにより、単一のアラートから、その背景にある攻撃経路と影響範囲を瞬時に可視化できる。また、時間も場所も異なるため一見無関係に見える二つのアラートが、実は同じIPアドレスを介して間接的に繋がっていた、といった隠れた関連性も、IPアドレスを軸にグラフを探索するクエリによって効率的に発見できる。さらに、調査が完了した際には、その調査の質問、要約、結果、推奨される対処ステップといった詳細を、データベースに永続的に保存するクエリも用意されている。

GraphGuardはFalkorDBと、Google Gemini(LLM)、LangChainを組み合わせて対話型の調査プラットフォームを構築している。ユーザーはWebインターフェースを通じてシステムとやり取りし、AIエージェントがFalkorDBに保存されたグラフデータを活用して調査を進める。ここで重要なのは、AIエージェントに無制限なデータベース操作権限を与えず、事前に定義された7つの「安全なツール」のみを呼び出すように制限している点である。これにより、AIが誤った情報(「幻覚」と呼ばれる現象)を生成したり、意図しない破壊的な操作を行ったりするリスクを排除している。

システムは、AIが生成した情報についても厳格な区別を行う。ユーザーインターフェース上では、「確認された事実」(FalkorDBへのCypherクエリ結果に基づき直接導き出された情報)と、「推論」(LLMが生成した仮説であり、「INFERRED」という接頭辞が付く)、そして「不明な点」(グラフデータにはまだ存在しない未解決の疑問)が明確に区別して表示される。これによりアナリストは情報の信頼性を認識し、AIの提案を盲目的に受け入れず慎重に判断できる。また、GraphGuardは防御的な意思決定支援システムとして設計されており、自動的に破壊的なアクションを実行することはない。すべての推奨されるアクションには、必ず人間の確認と承認が必要となる。外部AIサービスの接続に問題が生じた場合でも、GraphGuardはFalkorDBを基盤とした決定論的なグラフ調査オーケストレーターに自動的に切り替わるため、セキュリティ運用の継続性が損なわれることはない。

GraphGuardは、ユーザーが直感的に操作できる4つのビューを提供している。一つ目は「概要ダッシュボード」で、FalkorDBのリアルタイムな統計情報を表示する。二つ目の「調査ワークスペース」では、アナリストがアラートを選択するか質問を入力すると、GraphGuardが数秒以内にFalkorDBをクエリし、AIエージェントを起動して、インシデントの全体像、グラフによる証拠の経路、関連するアラート、影響を受けるサービス、そして防御的な推奨事項を出力する。三つ目の「グラフエクスプローラー」は、対話型の2Dグラフ表示機能で、ユーザーは視覚的なグラフを通じてノードや関係性をたどれる。最後の「調査履歴」は、FalkorDBに保存された過去の調査ノードを検索し、以前の調査内容や結果を確認できる。

具体的な調査の例として、「アラートA-104:Tor経由の外部接続」のケースを見てみよう。システムはまず、アラートの詳細と、それが「WORKSTATION-07」というデバイスから発せられたことを特定する。次に、そのデバイスを調査し、高リスクのシニア開発者である「Marcus Chen」が使用しており、以前にも「内部ポートスキャン(アラートA-105)」を引き起こしていたことを発見する。続いて、このアラートから関連するパスをたどり、接続先のIPアドレス「185.220.101.45」が悪意のあるTor出口ノードであることを突き止める。さらに、このIPアドレスに関連する他のアラートを探すと、「C2ビーコン試行(アラートA-106)」も同じIPアドレスに関連していることが判明する。これらすべての情報は、「データ漏洩キャンペーン(インシデントINC-001)」という一つのインシデントに繋がり、それが企業の「決済処理サービス」や「人事ポータル」といった極めて重要なサービスに影響を与えていることが明らかになる。最終的に、GraphGuardはこの一連の調査結果をFalkorDBに永続的に保存する。このように、GraphGuardはわずか3秒足らずで、一見すると優先度の低いアラートが、企業の金融インフラを脅かす多段階のデータ漏洩キャンペーンの一部であったことを特定し、その深刻度を大幅に引き上げたのだ。

GraphGuardのようなシステムの導入は、サイバーセキュリティ防御において不可欠である。攻撃者は常に情報間の繋がりを悪用して攻撃を仕掛けるが、従来の防御側はしばしば断片的な情報しか見ることができなかった。GraphGuardは、攻撃者の思考様式に合わせて情報をグラフとして捉え、この情報格差を解消する。これにより、脅威の検出から対応までの時間(MTTD/MTTR)を大幅に短縮できる。アナリストは単一のクエリで全ての関連するコンテキストを得られる。高リスク環境におけるAIの「幻覚」問題も排除され、Cypherクエリの結果にAIエージェントの判断が固定化されることで、アナリストはAIの推奨事項を信頼できる。さらに、SOCチームの人材の入れ替わりがあっても、GraphGuardに永続的に保存された調査履歴と知識は失われることなく、組織全体のセキュリティ知識が継続的に蓄積され、「組織のグラフ脳」として機能する。

GraphGuard開発を通じ、グラフデータベースが大規模言語モデルにとって自然な文脈エンジンであることが認識された。LLMに生のデータを与えるだけでは、情報間の関係性を推測するしかないが、グラフデータベースを与えることで、LLMは明確で検証済みの関係性を非常に正確にたどれるようになる。また、AIエージェントに無制限な権限を与えるのではなく、安全なパラメーター化されたクエリツールに限定することで、非常に堅牢なシステムが構築できた。データの冪等性を確保する「MERGE」コマンドの活用も、安定したテスト環境と信頼性の高いパイプラインを構築する上で重要であった。GraphGuardはセキュリティ運用の未来を示すプロトタイプである。

関連コンテンツ

関連IT用語