AIデータ分類とは
AIデータ分類とは、機械学習アルゴリズムを用いて、データの内容と機密度に基づきデータを自動的に分類し、ラベル付けするプロセスです。つまり、クレジットカード番号や社会保障番号を見つけるルールを手作業で記述する代わりに、これらのパターンを認識するようmodelをtrainingし、ラベルを自動的に付与します。
従来の分類は、完全一致のパターンマッチングに依存しています。たとえば、クレジットカード番号の可能性がある16桁の数字を探すといった方法です。AI分類はさらに一歩進み、contextを理解し、例から学習し、ルールを頻繁に更新しなくても新しいデータタイプに適応します。
クラウド環境でこれが重要なのは、ストレージバケット、データベース、サーバーレス関数、コンテナに分散した膨大な量のデータを扱うためです。手作業の分類では、その規模にも、データが移動・変化するスピードにも追いつけません。
クラウド環境におけるAIデータ分類の仕組み
AIデータ分類は、まずクラウド環境をスキャンし、すべてのデータassetを見つけることから始まります。システムはAPIを通じてクラウドストレージサービス、データベース、データレイクに接続し、どのようなデータがどこに存在するかを示す完全なinventoryを構築します。
存在するデータを把握したら、分類エンジンが各データを分析し、ファイルタイプ、コンテンツのパターン、メタデータ、データ間の関係といった特徴を抽出します。これらの特徴は、AI modelが機密度を判断する手がかりになります。次にシステムは、クラウドネイティブな仕組みを使って分類ラベルを付与します。AWSではS3オブジェクトタグ、AzureではAzure Blobインデックスタグ、Google CloudではGCSオブジェクトラベルを使用します。これらのタグはデータとともに保持され、自動化されたポリシーをトリガーできます。
その後、modelはtraining中に学習した内容を適用してデータを分類します。教師あり学習の場合、modelはユーザーが提供したラベル付きの例から学習しています。教師なし学習の場合は、事前に例を用意しなくても、パターンを見つけて類似データをグループ化します。
このプロセスは、新しいデータが環境に入るたびに継続的に実行されます。分類システムは、イベント駆動型のトリガー（S3 Event Notifications、Azure Event Grid、GCS Pub/Sub）を使って新しいオブジェクトを即座に検出するか、データベースやファイルシステムに対して定期的なバッチスキャンを実行します。S3にファイルをアップロードすると、イベント通知がLambda関数をトリガーし、その関数が分類APIを呼び出して数秒から数分以内にラベルを付与します。データがサービス間を移動したり、リージョン間でレプリケートされたりした場合も同様です。
クラウド特有の課題には、複数のリージョンやアベイラビリティゾーンにまたがるデータの扱い（データレジデンシーやデータ主権の懸念が生じます）、ストレージサービスやAPIが異なるAWS、Azure、GCP間での一貫した分類の維持、数秒で起動・停止するLambda関数やコンテナのような一時的なresourceへの対応があります。分類システムは、数分しか存在しないコンテナや、データをその場で処理するサーバーレス関数にも対応する必要があります。
AIデータ分類の手法の種類
AIデータ分類には主に4つのアプローチがあり、ニーズや扱うデータに応じてそれぞれ異なる働き方をします。
教師あり分類では、ラベル付きのtraining datasetを用意する必要があります。「これは個人を特定できる情報（PII）です」「これは公開データです」のように各カテゴリの例をmodelに示すと、modelは新しいデータに含まれる類似パターンを認識できるよう学習します。代表的なアルゴリズムには、決定木、サポートベクターマシン、ニューラルネットワークがあります。この手法は、カテゴリが明確で、trainingに十分なラベル付きの例がある場合に効果的です。
教師なし分類は、何を探すべきかを指示しなくてもパターンを見つけます。modelはクラスタリングアルゴリズムを用い、自ら発見した特性に基づいて類似データをグループ化します。このアプローチは、存在を把握していなかった機密データの種類を見つけたり、手作業でのラベル付けでは膨大な時間がかかる大規模なdatasetで新たなパターンを発見したりするのに役立ちます。
半教師あり分類は、その中間に位置します。少数のラベル付きの例を用意すると、modelはそれらと大量のラベルなしデータを組み合わせて学習します。これにより、良好な精度を維持しながら手作業を削減できるため、手作業ではとてもラベル付けしきれないほど大量のデータを抱えるクラウド環境で実用的です。
Human-in-the-loop（人間参加型）やアクティブラーニングのアプローチは、フィードバックを通じて分類を継続的に改善します。セキュリティアナリストが誤分類を修正したりエッジケースを検証したりすると、システムはその修正をtrainingの再実行サイクルに取り込み、自社固有のデータパターンや組織独自の機密度の定義に対する精度を段階的に高めます。つまり、運用を続けるほど分類の精度が上がり、組織のデータやニーズの変化に適応していきます。
AIを活用したデータ分類によるセキュリティ上のメリット
AIを活用したデータ分類により、クラウド環境全体の機密データを継続的かつ自動的に保護できます。すべてを手作業で追跡しなくても、データの保存場所、アクセスしているユーザー、存在するリスクに関するvisibilityを維持できます。
システムは、すべてのクラウドサービスにわたって機密情報を自動的に検出します。個人を特定できる情報、保護対象保健情報、決済カードデータ、知的財産に加え、独自に定義したカスタムの機密データタイプも見つけ出します。データがS3バケットやRDSデータベースに保存されている場合も、Lambda関数で処理される場合も同様です。
データが分類されると、適切なセキュリティポリシーを自動的に適用できます。分類ラベルに基づき、許可されたユーザーとサービスだけが機密情報にアクセスできるようになります。この制御は、データが環境内を移動する際にほぼリアルタイム（通常は数秒から数分以内）で適用されます。統合ポリシーエンジンはAWS、Azure、GCP全体で制御の標準化を支援し、ポリシーの不一致がセキュリティギャップを生みやすい開発環境と本番環境の間のdriftを抑えます。
compliance対応も大幅に容易になります。システムがGDPR、HIPAA、PCI DSS、SOC 2、ISO 27001などのフレームワークにデータを対応付け、エビデンスレポートを生成するためです。最近の業界調査によると、70%の組織がAI/MLのデータ利用governanceに注力する予定であり、この点は重要です。手作業でデータを収集しなくてもcomplianceレポートが得られ、違反に至る前にシステムがギャップを指摘します。
データ損失防止（DLP）では、分類ラベルが保護アクションのトリガーになります。分類済みのデータを不適切に移動または公開しようとする操作があれば、DLPソリューションがラベルに基づいてブロックできます。これはメール、ファイル共有、クラウドストレージ全体で機能します。
セキュリティインシデントの発生時には、分類が即座にcontextを提供します。影響を受けたデータの種類と機密度がすぐにわかるため、より迅速に対応し、通知要件を満たすことができます。
AI modelは、ファイルタイプ、周辺のテキスト、メタデータ、データ間の関係といったcontextのsignalを取り込むことで、単純なパターンマッチングに比べてfalse positiveを削減できます。たとえば、実際のクレジットカード番号と、テストファイル内のランダムな16桁の数列を区別できます。セキュリティ運用に関する調査でも示されているとおり、誤アラート率が高いとアナリストの判断精度が低下し、対応が遅れるため、この点は重要です。
導入時の課題とセキュリティ上の考慮事項
クラウドでAIデータ分類を導入する際には、安全かつ効果的に機能させるために対処すべき具体的な課題があります。
最初に考慮すべきはmodelのセキュリティです。攻撃者はデータ保護のパターンを把握したり、データの分類方法を操作したりしようとするため、分類model自体が標的になります。ID権限、ネットワークexposure、misconfigurationをdatastoreと関連付けるcontext対応型のplatformは、実際のattack pathに基づいてmodelとデータのリスクに優先順位を付けるのに役立ちます。たとえば、分類用のサービスアカウントが本番datastoreに対して過剰な権限を持っている場合や、modelファイルがインターネットからアクセス可能なS3バケットに保存されている場合にフラグを立てます。modelファイルを保護し、アクセスできるユーザーを制御し、不正な変更を監視する必要があります。
モデルポイズニングは、攻撃者がtraining datasetを改ざんしたり入力を操作したりして、誤分類を引き起こす攻撃です。ポイズニングされたmodelは、機密データを公開データとしてラベル付けしたり、保護対象の情報を識別できなかったりする可能性があります。対策としては、training datasetのソースを検証し、modelファイルに暗号学的な整合性チェックを実装し、分類精度の指標の急激な低下を監視し、侵害の兆候となる異常な分類パターンに注意を払います。
パフォーマンスとscalabilityも実務上の課題になります。膨大なクラウドデータを処理するには、相当なコンピューティングresourceと堅牢なデータ統合pipelinesが必要です。組織は、AI駆動型の分類workloadにおける主な技術的障壁として、データ統合の複雑さ、APIレート制限、コンピューティングコストを挙げることが一般的です。求める分類の精度と、必要な処理速度、そしてコストのバランスを取る必要があります。リアルタイムのデータストリームや大規模なオブジェクトストアでは、このバランスがさらに難しくなります。
複数のクラウドプロバイダー間で一貫した分類を維持するには手間がかかります。プロバイダーごとに、ストレージの種類（S3、Azure Blob、GCS）、アクセス制御の方式（AWSのIAM、AzureのRBAC、Google CloudのIAM）、ネイティブの分類サービス（Amazon Macie、Microsoft Purview、Google Cloud DLP）が異なります。3つのplatformすべてで機能する統一的なポリシーとメタデータスキーマが必要です。modelとポリシーは、こうした違いを考慮しつつ、統一された分類基準を適用できなければなりません。
プライバシーとcomplianceは、さらに複雑さを増す要素です。分類プロセス自体もデータ保護規制に準拠する必要があります。分析中に機密データを公開してはならず、分類メタデータから保護対象の情報が読み取れてもいけません。規制によってはデータがなぜそのように分類されたのかの説明が求められるため、判断根拠を示せるmodelが必要になります。
クラウドセキュリティにおけるAIデータ分類のユースケース
AIデータ分類は、クラウド環境を保護し、ビジネスの運営を支える具体的なセキュリティ機能を実現します。
shadow dataの検出では、想定外の場所にある機密情報を見つけます。システムは開発環境、バックアップシステム、放置されたストレージバケットをスキャンし、想定されるパターンと一致しないデータや、指定された保存場所の外に存在するデータを特定します。datastore、ID、exposureの経路をグラフでマッピングすることで、トキシックコンビネーション（危険な組み合わせ）を悪用される前に迅速に解消できます。たとえば、本番環境のPIIを含む開発用S3バケットが、インターネットからアクセス可能で、かつ全従業員が読み取れる状態になっているケースです。
合併・買収（M&A）の際には、買収先企業のデータを迅速に分類し、保護する必要があります。AI分類により、クラウド移行や統合の過程で即時の保護や特別な取り扱いが必要な機密情報をすばやく特定できます。これにより、セキュリティを維持しながらプロセスを迅速化できます。
zero trustに基づくデータアクセスでは、リアルタイムの分類を用いて動的なアクセス制御を実装します。システムはコンテンツの変更や移動に応じてデータを継続的に再分類し、現在の分類、ユーザーのcontext、データの機密度に基づいて権限を調整します。これにより、アクセスポリシーが実際のデータの状態と常に一致します。
内部脅威検知では、分類済みデータへのアクセス状況を監視します。システムは、機密情報の一括ダウンロードや、通常の職務範囲外のデータへのアクセスといった異常な行動を特定します。こうしたパターンを捉えることで、データが環境外に持ち出される前に脅威を発見できます。
クラウドworkload保護では、ライフサイクル全体を通じてデータを追跡します。分類メタデータは、S3オブジェクトタグ、Azure Blobインデックスタグ、GCSオブジェクトラベルといったクラウドネイティブな仕組みにより、データとともに移動します。これらのタグはデータがコンテナ、サーバーレス関数、仮想マシンを移動しても保持されるため、データがどこで処理されても適切なセキュリティ制御が適用されます。
開発環境のセキュリティでは、本番環境の機密データが開発環境やテスト環境に紛れ込むのを防ぎます。システムはすべての環境でデータを継続的にスキャン・分類し、本番データが本来あるべきでない場所に現れた時点でフラグを立てます。
Wizが機密データの検出と分類を保護する仕組み
Wizは、データの検出と分類を単なるcomplianceのチェック項目ではなく、プロアクティブなリスク低減の手段として捉えています。このplatformは、modelの整合性、アクセスパターン、training datasetの来歴を監視するAIセキュリティ態勢管理（AI-SPM）の機能を通じて、分類に使用するAI modelとpipelinesを保護し、モデルポイズニングや分類システムへの不正アクセスのリスクを低減します。
Wiz DSPMは、agentlessスキャンを用いて、マルチクラウド環境全体の機密データを自動的に検出・分類します。workload内のエージェントではなくクラウドプロバイダーのAPIを使用するため、workloadへのパフォーマンスの影響を最小限に抑えられます。ただし、API呼び出しはクォータを消費し、大規模なスキャンではデータ転送コストが発生する場合があります。datastore、データベース、ファイルシステムに対する完全なvisibilityが得られます。スキャンはクラウドプロバイダーのAPIを通じて行われ、すべてのresourceにエージェントを導入する必要はありません。
Wiz Security Graphは、分類済みデータ、クラウドresource、ID、潜在的なattack pathの関係をマッピングし、トキシックコンビネーションを洗い出して、最初に修正すべき項目に優先順位を付けます。たとえば、顧客のPIIを含むデータベースが過剰な権限を持つサービスアカウントからアクセス可能で、インターネットに公開されたEC2インスタンス上で稼働し、未修正の脆弱性を抱えている場合、即時の修正が必要な重大なattack pathとして示します。機密データの所在だけでなく、攻撃者がそこにどう到達し得るかも把握できます。このattack path分析により、分類済みの機密データが脆弱性、misconfiguration、過剰な権限と重なるトキシックコンビネーションを特定します。
AIデータ分類をクラウド全体でどのように可視化し、リスクの優先順位付けに活用できるか、Wizの実際の動作をご確認ください。 Wizの実際の動作を見る