← 一覧へ
セキュリティ・個人情報
#위협헌팅#Pyramid of Pain#MITRE ATT&CK#PEAK#탐지엔지니어링
最終更新 · 2026-11-10

脅威ハンティング(Threat Hunting)と仮説駆動型の能動的脅威検知

1. 概要

定義: 脅威ハンティング(Threat Hunting)とは、既存の自動検知(シグネチャ・ルール・アラート)では捕捉できなかったまだアラートの鳴っていない侵害がネットワーク内部にすでに存在すると仮定(Assume Breach)し、アナリストが仮説を立ててテレメトリ(Telemetry)データを能動的に探索し、攻撃者の痕跡(TTP・アーティファクト)を見つけ出す人間主導の先制的・反復的な検知活動である。

脅威ハンティングが登場した背景は、「検知の限界」と「滞留時間(Dwell Time)」という二つの構造的問題にある。SIEM・IDS・アンチウイルスといった従来の防御体系は「既知の悪(Known-bad)」を前提とする。すなわち、すでに悪性と判明したハッシュ・IP・シグネチャがあって初めてアラートが鳴る。しかし標的型攻撃(APT)、ファイルレス(Fileless)攻撃、正規ツールを悪用するLotL(Living off the Land)手法はシグネチャを残さず正常トラフィックに紛れて侵入するため、自動検知網を悠々と通過する。その結果、侵害が発生してからそれを認知するまでに数週間から数か月を要する滞留時間が生じる。Mandiant M-Trends 2024によれば、2023年の全世界の侵害における滞留時間の中央値は10日へと大きく改善したが、依然として相当数の侵害が外部(第三者)の通報によって発見されるという点は、内部検知の空白を示している。

とりわけLotL手法は脅威ハンティングの必要性を最も劇的に示す。攻撃者がpowershell.exe、wmic.exe、certutil.exeといったOS標準の内蔵ツールのみで偵察・永続化・流出を行うと、これらはすべて正規に署名された合法プログラムであるため、アンチウイルスやシグネチャ型検知はまったく反応しない。結局「このツールが実行されたか」ではなく「このツールが普段と異なる文脈で実行されたか」を判断せねばならず、これは本質的に文脈・意図を読む人間の分析を要する。まさにこの点が自動検知と脅威ハンティングの分かれる境界である。

この空白を埋めようとする発想の転換が脅威ハンティングである。従来の検知が「アラートが来たら対応する」という受動的(Reactive)モデルであるなら、脅威ハンティングは「アラートがなくてもすでに侵入したとみなし、先んじて探しに出る」という能動的(Proactive)モデルである。中核となる前提は三つである。第一に、完全な予防は存在しない——境界防御は必ず突破される。第二に、侵害は痕跡を残す——攻撃者は必ずプロセス・ネットワーク・認証ログに異常なパターンを残す。第三に、人間の直観が必要である——文脈と意図を読む判断は自動化のみでは代替されない。すなわち脅威ハンティングは、ツールではなくアナリストの仮説立案能力と組織の可視性(Visibility)を資源とする運用モデルである。

脅威ハンティングは、インシデント対応(IR)とも異なる。インシデント対応はすでに確認された事故を収拾する事後活動である一方、脅威ハンティングは事故が「宣言される前」に潜伏した脅威を見つけ出す先制活動である。成功したハンティングの成果物は、単に一件の侵害を見つけることにとどまらず、その過程で発見した検知の空白を新たな自動検知ルール(Detection Engineering)へ転換し、以後は機械が捕捉するようにする点にある。この意味で脅威ハンティングは、SOCの検知能力を継続的に引き上げるフィードバック(Feedback)エンジンとして理解すべきである。

2. 脅威ハンティングの全体構造とハンティングループ

脅威ハンティングは即興の探索ではなく、仮説 → データ調査 → パターン発見 → 自動化へと続く反復循環過程である。以下の概念図は、入力(脅威インテリジェンス・環境理解)から出力(新規検知・対応連携)までの全体構造を表す。

flowchart TB
  subgraph IN["入力(トリガー)"]
    TI["脅威インテリジェンス(TTP)"]
    BL["ベースライン/異常兆候"]
    NEW["新規脆弱性/事案"]
  end
  subgraph LOOP["ハンティングループ(分析層)"]
    HYP["1.仮説立案(Hypothesis)"]
    DATA["2.データ調査(収集・クエリ)"]
    TECH["3.技法適用(スタッキング・クラスタリング)"]
    FIND["4.パターン/侵害発見"]
  end
  subgraph OUT["出力(価値化)"]
    DET["新規検知ルール(Sigma/EDR)"]
    IR["インシデント対応(IR)連携"]
    KB["知識化(ATT&CKカバレッジ)"]
  end
  TI --> HYP
  BL --> HYP
  NEW --> HYP
  HYP --> DATA --> TECH --> FIND
  FIND -->|"侵害確認"| IR
  FIND -->|"再現可能"| DET
  FIND --> KB
  KB -.->|"次のハンティング改善"| HYP
  DET -.->|"自動化へ移管"| BL

上記構造の出発点は仮説(Hypothesis)である。仮説は「何を、どこで、どのように探すか」を規定するハンティングの設計図である。良い仮説は検証可能(Testable)でなければならず、組織環境・データに裏打ちされ、特定の攻撃者行為(TTP)に具体的に結びついていなければならない。たとえば「攻撃者はrundll32.exeを用いて署名されていないDLLをロードし防御を回避するであろう」という仮説は、プロセス生成ログにおけるrundll32の異常な親子関係とネットワーク接続を照会する具体的な調査へつながり得る。一方「我が社の網にハッキングがあるであろう」といった漠然とした仮説は検証が不可能であるため、ハンティングの出発点とはなり得ない。

仮説が立てばデータ調査段階へ移る。この際、可視性が決定的である。どれほど良い仮説でも関連ログが収集されていなければ検証できないからである。中核となるデータソースには、エンドポイントのプロセス生成ログ(例: Windows Sysmon Event ID 1)、ネットワークフロー(NetFlow)・DNSクエリログ、認証ログ、PowerShellスクリプトブロックログ、クラウド監査ログなどがある。続く技法適用段階では、後述するスタッキング・クラスタリング・グルーピングといった分析技法で膨大なデータから外れ値を絞り込む。最後にパターン発見段階で、仮説が真(侵害確認)であればインシデント対応へ、偽であればそれ自体「当該脅威が存在しない」ことを確認した価値ある結果として記録しつつ、再現可能な検知条件を見つけたならば必ず自動検知ルールへ移管する。

このループで特に注目すべき設計原理はフィードバック(点線の矢印)である。知識化の成果が次のハンティングの仮説を改善し、新規検知ルールがベースラインの「正常」の定義を精緻化する。すなわちハンティングループは、一周するたびに組織の検知水準を一段引き上げる累積型の好循環である。たとえばある金融機関が「リモートデスクトップ(RDP)を介した異常な横移動」という仮説でハンティングし、特定の踏み台サーバの悪用を発見したならば、その条件は即座に自動検知へコード化され、同時に「RDP正常使用パターン」のベースラインが更新されて、次からはより微細な偏差まで捕捉するようになる。このように脅威ハンティングの成果物は、一回限りの摘発ではなく検知資産の恒久的な増分として蓄積されねばならない。

3. ハンティング類型とPyramid of Pain

脅威ハンティングは、何がハンティングを誘発するかによって三つの類型に分かれる。Splunk SURGeが2023年に提唱したPEAKフレームワーク(Prepare, Execute, Act with Knowledge)は、この三類型を明示的に区分する。以下の表は各類型のトリガーと特徴を整理したものであるが、各類型の実務的含意は表の下の段落で述べる。

類型 トリガー(出発点) 代表技法 適合状況
仮説駆動(Hypothesis-driven) 脅威インテリジェンスのTTP ATT&CKマッピング、IOC拡張 特定の攻撃者・キャンペーン追跡
ベースライン(Baseline) 「正常」の定義と偏差 頻度分析、異常検知 未知の脅威、内部者
モデル補助(M-ATH) MLモデルのクラスタ・スコア クラスタリング、教師なし学習 大容量・高次元データ

仮説駆動型ハンティングは脅威インテリジェンスから出発する。たとえば特定のAPTグループがscheduled taskで永続性を確保するという報告を受ければ、ハンターは自社環境で類似のタスクスケジューラ生成ログを探す。この方式は標的が明確で効率的であるが、既知のTTPに依存するため、まったく新しい攻撃には弱い。ベースラインハンティングは「正常状態」をまず定義し、そこからの偏差を追う。たとえば平素、特定のサーバアカウントが業務時間にのみログインするというベースラインを立てておけば、深夜3時のログイン成功は直ちに調査対象となる。この方式は未知の脅威と内部者脅威に強いが、正常の範囲が広い環境では誤検知が多い。モデル補助ハンティング(M-ATH)は機械学習で数百万件のイベントをクラスタ化して希少な集団を自動的に浮かび上がらせた後、人間がそのクラスタを解釈する。データが膨大であるほど効果的だが、モデルの説明可能性とラベル確保が課題である。

ハンティングの「優先順位」を定める理論的な羅針盤が、David Biancoが2013年に提示した苦痛のピラミッド(Pyramid of Pain)である。これは、ある指標(Indicator)を検知・遮断する際に攻撃者が感じる「苦痛(回避コスト)」の大きさを階層として表したモデルである。以下の概念図はピラミッドの階層構造を示す。

flowchart TB
  TTP["TTPs(戦術・技法・手順) — 苦痛最大"]
  TOOL["Tools(ツール)"]
  ART["Network/Host Artifacts(アーティファクト)"]
  DOM["Domain Names(ドメイン)"]
  IP["IP Addresses(IPアドレス)"]
  HASH["Hash Values(ハッシュ) — 苦痛僅少"]
  TTP --> TOOL --> ART --> DOM --> IP --> HASH

このピラミッドは「なぜIOC共有だけでは不十分か」を説明する。脅威インテリジェンスフィードが提供する悪性ハッシュ・IPのリストは受け取った途端に古びる。攻撃者が一日のうちにも数十のC2ドメインを入れ替えるからである。そのためピラミッド下段のみに依存する組織は、常に「昨日の攻撃」を追う。一方、TTP水準の検知資産を蓄積した組織は攻撃インフラが変わっても同一の行為パターンを捕捉するため、検知の寿命が根本的に長い。

ピラミッドの最下段のハッシュ値は、攻撃者がファイルを1ビットだけ変えても即座に無力化されるため、検知しても攻撃者にほとんど苦痛を与えない。その上のIP・ドメインも、攻撃者がインフラを容易に交換できるため苦痛が小さい。一方、頂上のTTPは攻撃者の「行動様式」そのものであるため、これを検知されると攻撃者は自らの作戦方式全体を変えねばならない。たとえば「正規プロセスにコードを注入する」という技法を組織が安定的に検知すれば、攻撃者は注入技法そのものを放棄せねばならない大きなコストを支払う。したがって成熟した脅威ハンティングは、容易に変わるハッシュ・IP(IOC)の追跡にとどまらず、変わりにくいTTP中心(IOA, Indicator of Attack)の検知へと登っていかねばならない。この際、MITRE ATT&CKマトリクスがTTPを体系的に分類・マッピングする共通言語の役割を果たす。

4. 中核となる分析技法とハンティング成熟度モデル

ハンターがテラバイト級のログから少数の悪性痕跡を見つけ出すには、いくつかの定型化されたデータ分析技法が用いられる。検索(Searching)は特定の条件に合致するアーティファクトを照会する最も基本的な技法である。スタッキング(Stacking, 頻度分析)は特定の属性値の出現頻度を集計して「最も稀なもの(Least Frequency of Occurrence)」を探す方法であり、たとえば全社1万台のPCのうちわずか2台でのみ実行された稀なサービスは、強い調査候補となる。グルーピング(Grouping)は複数の弱い指標が特定の時間・ホストに同時に現れるかを束ねて見て、クラスタリング(Clustering)は統計・MLで類似の行為を自動的にクラスタ化する。これらの技法に共通する戦略は、「正常の海の中で統計的に突出した少数」をアナリストの検討範囲まで絞り込むことである。

これらの技法は具体的な事例で見ると理解しやすい。C2(コマンド制御)通信を探すベースラインハンティングにおいて、正常なユーザのウェブ接続は要求間隔が不規則でセッション長もまちまちである一方、マルウェアのビーコン(Beaconing)は「60秒ごとに±2秒の誤差で同一サイズのパケットを外部へ送信する」といった機械的な規則性を示す。この微細な規則性(低いジッタ・一定のバイト数)を統計的にスタッキングすれば、数百万件の正常トラフィックの中から少数のビーコン候補を選り分けられる。また別の例として、全社1万台の端末で特定のサービスバイナリのハッシュを集計したとき、9,998台が同一ハッシュで2台のみ異なるハッシュであれば、その2台は正常なアップデートかもしれないが、サプライチェーンの改竄やバックドアかもしれないため、必ず調査対象となる。このように「希少性」と「異常な規則性」は、ハンターが最も信頼する二つの手がかりである。

組織の脅威ハンティング能力がどの水準にあるかは、やはりDavid Biancoのハンティング成熟度モデル(HMM, Hunting Maturity Model)で測る。以下の表はHMM0〜HMM4の段階別の特徴を要約したものであるが、段階上昇の実務的条件は表の下で説明する。

段階 名称 データ収集 ハンティング方式
HMM0 Initial ほとんどない 自動アラートのみに依存
HMM1 Minimal 一部 IOC基盤の検索
HMM2 Procedural 多い 他者が作った手順の適用
HMM3 Innovative 多い 独自の新規分析手順を創案
HMM4 Leading 多い 成功ハンティングの全面自動化

HMM0〜HMM1の組織は事実上アラート対応の水準であり、真のハンティングはHMM2から始まる。注目すべき点は、最高段階であるHMM4の本質が「自動化」であるという事実である。すなわち成熟した組織は人間が発見したハンティングの成果を手作業で反復せず、即座に自動検知へ転換して、人間の創造力を常に「新たな未知の脅威」へ投入する。これは脅威ハンティングと検知エンジニアリング(Detection Engineering)が分離した活動ではなく一つの好循環であることを示す。成功したハンティングはSigmaルールやEDR検知ロジックへコード化され、その自動検知が再びベースラインハンティングの「正常」基準を精緻化することに寄与する。

5. 類似概念との比較

脅威ハンティングは、侵入テスト・レッドチーム・BAS・IRなど隣接する防御活動としばしば混同されるが、観点と成果物が明確に異なる。中核となる差異は「攻撃者の役割を演じるか、防御者の観点から隠れた侵害を探すか」にある。以下の表はその差異を整理したものであるが、差異が生じる理由は表の下の段落で述べる。

活動 観点 目的 主要成果物
脅威ハンティング 防御者(能動) 潜伏侵害の先制発見 新規検知ルール、侵害報告
侵入テスト 攻撃者(単発) 脆弱性の悪用可能性の立証 脆弱性・侵入経路
レッドチーム 攻撃者(持続) 検知・対応能力の試験 検知空白の評価
BAS 攻撃者(自動) 統制の有効性の継続検証 統制ギャップレポート
インシデント対応(IR) 防御者(事後) 確認された事故の収拾 復旧・根絶報告

この区分が実務でなぜ重要かは、予算・人員配分で明らかになる。組織が「セキュリティ点検」を外注して侵入テストのみを反復すれば、脆弱性リストは積み上がるが「すでに入った攻撃者」は永遠に発見できない。逆に脅威ハンティングのみを行い攻撃者観点の検証をしなければ、自社検知体系の盲点を体系的に把握できず、ハンティング仮説が偏る。したがって成熟した防御組織は四つの活動を相互補完的に組み合わせる。

侵入テストとレッドチームは攻撃者の役割を遂行して防御体系を能動的に叩く活動である。侵入テストは「この脆弱性が実際に悪用可能か」を立証する単発のプロジェクトであり、レッドチームはより広く組織の検知・対応能力全体を長期間試験する。一方、脅威ハンティングは攻撃を遂行せず、すでに入っているかもしれない攻撃者の痕跡を防御者の観点から探す。BAS(侵害・攻撃シミュレーション)は既知のTTPを自動再現して統制の作動を検証する点で、レッドチームの自動化版に近い。これら「攻撃者観点」の活動が防御体系の穴を露わにすることを目的とするなら、脅威ハンティングはその穴からすでに入った侵入者を探す活動である点で相互補完的である。実務では、レッドチームが見つけた検知空白をハンターが仮説として採ってハンティングし、その結果をBASで継続検証するという形で、三つの活動が一つの検証エコシステムをなす。

6. 深化 — PEAKフレームワークと検知エンジニアリングへの収斂

近年の脅威ハンティング分野における最も顕著な変化は、「アドホック(ad-hoc)なハンティングの工程化・知識化」である。かつてのハンティングは熟練アナリストの暗黙知に依存し、再現性が低く成果の測定が難しかった。これを克服すべく、Splunk SURGeのDavid Bianco・Ryan Fettermanは2023年にPEAKフレームワークを発表した。PEAKはPrepare(準備: 主題選定・調査・範囲設定) → Execute(実行: データ調査と仮説検証) → Act with Knowledge(知識化: 発見の自動検知化・文書化・共有)の三段階でハンティングを反復可能な工程にする。とりわけ最後の「知識化」段階は、すべてのハンティングがその結果に関わらず(侵害を見つけたか否かにかかわらず)必ず組織の資産——新規検知ルール、ATT&CKカバレッジ地図、ベースライン更新——を残すよう強制する点で重要である。

PEAKはまた、ハンティングを測定可能な活動に変える。準備段階でハンティングの範囲・データソース・検証するATT&CK技法を明示し、実行段階で所要時間・クエリ結果を記録し、知識化段階で新規検知数・カバレッジ増加を集計する。このデータが蓄積されれば、「どの戦術(Tactic)に検知空白が多いか」「どの仮説が高い的中率を示すか」を統計的に把握でき、次四半期のハンティング投資の優先順位を根拠に基づいて定められる。すなわちフレームワークの導入は、ハンティングを職人の芸術から管理可能な工学へと引き上げる転換点である。

もう一つの流れは、脅威ハンティングと検知エンジニアリング(Detection Engineering)の結合、そして生成AIの導入である。ハンターが立てた仮説と発見はSigma(プラットフォーム中立の検知ルール標準)へコード化され、複数のSIEM・EDRへ配備され、この過程がCI/CDのようにバージョン管理・テストされる「検知 as コード(Detection-as-Code)」へと発展している。2024年以降は、LLMを活用して自然言語の仮説をクエリ(例: SPL・KQL)へ変換したり、膨大なログから疑わしいパターンを要約・優先順位付けするAI補助ハンティングが急速に拡散している。ただしLLMのハルシネーション(Hallucination)とデータ流出リスクのため、AIはアナリストの判断を代替するものではなく、仮説生成とデータ要約を増強する補助ツールとして位置づけられている。あわせてGartnerが提示したCTEM(継続的脅威エクスポージャ管理)パラダイムの中で、脅威ハンティングは「検証(Validation)」と可視性確保を担う中核構成要素として再配置される趨勢にある。

7. 考慮事項および示唆点

技術士の観点から脅威ハンティングの導入を設計する際には、次のような戦略的考慮が必要である。

  • 可視性(データ)への先行投資が成否を分ける: 脅威ハンティングは「あるログでできる分だけ」可能である。EDR・Sysmon・クラウド監査ログなど良質なテレメトリが先行しなければどのような仮説も検証できないため、ハンティングプログラムに着手する前にログソースの範囲・保存期間・正規化(スキーマ標準化)への投資を優先せねばならない。データ保存コストと検知範囲との間のトレードオフを明示的に設計する。

  • 成果指標を「侵害件数」ではなく「能力向上」で定義する: ハンティングは侵害を見つけられなくとも「脅威が存在しない」ことを確認した成功でありうる。したがってKPIは摘発件数ではなく、▲検証した仮説数 ▲新規に生成した検知ルール数 ▲ATT&CKマトリクスのカバレッジ増加率 ▲滞留時間短縮として設定せねば、運用が歪まない。指標設計を誤ると、ハンターが「容易な摘発」にのみ固執するようになる。

  • 自動化と人的専門性の均衡: 反復可能なハンティングは速やかに自動検知へ移管(HMM4)して、人間の時間を未知の脅威へ再投資せねばならない。しかし文脈・意図の判断は依然として人間の領分であるため、AI・自動化に過度に依存すると新たな攻撃様式を見逃す。自動化で篩い分けた後に人間が深層分析する階層的な役割分担が望ましい。

  • 組織・プロセスの定着とフレームワークの採択: 脅威ハンティングは一回限りのイベントではなく継続プログラムでなければならない。PEAK・TaHiTIといった工程フレームワークとMITRE ATT&CKの共通言語を採択して再現性と引継ぎ可能性を確保し、レッドチーム・BAS・IR・CTEMとの連携プロセスを制度化せねばならない。中小組織はMDR(マネージド検知・対応)の外注で能力を補完しつつ、自社環境の知識は内部に蓄積するハイブリッド戦略が現実的である。

  • 法的・倫理的境界とプライバシーの均衡: 脅威ハンティングは従業員の端末・ネットワーク・認証活動を広範に覗き込むため、過度なモニタリングは個人情報保護・労働者監視規制と衝突しうる。データ収集範囲をセキュリティ目的に比例するよう最小化し、ログアクセス権限を分離・監査し、個人情報影響評価(PIA)と社内規定を通じて正当性を確保せねばならない。「セキュリティのためなら何でも収集する」という接近はまた別の内部脅威になりうる点で、可視性の拡大とプライバシー保護との間の均衡設計が技術士水準の中核課題である。

参考資料


一言まとめ: 脅威ハンティングは「すでに突破された」という前提のもと、アナリストが仮説を立てて潜伏侵害を先制的に見つけ出し、その成果をTTP中心の自動検知へ転換してSOCの能力を継続的に向上させる、能動的・反復的な防御運用モデルである。