Security, Identity, & Compliance | Amazon Web Services ブログ

自動推論に立ちはだかる 3 つの難題

自動推論の分野に 30 年以上携わってきた著者が、生成 AI で正しい推論を実現するうえで最も厄介だと考える 3 つの難題を紹介します。あいまいな自然言語から構造化された論理への変換、絶えず変化し、時には矛盾するルールのもとでの真理の定義、そして SAT (充足可能性問題) ソルバーでも越えられない計算量の壁やゲーデルの不完全性定理が示す確定的な推論の限界です。これらは単なる技術的ハードルにとどまらず、技術の限界と人間が作る仕組みの複雑さの両方に根ざした問題です。Amazon Bedrock Guardrails の自動推論チェックがこれらにどのように取り組んでいるかを解説します。

はじめての自動推論

Amazon Science の研究領域に新たに加わった自動推論について、予備知識のない方に向けてわかりやすく解説します。簡単な C と Python のコード例を使い、網羅的テストでは 1,300 年以上かかる検証を自動推論がミリ秒で示せる理由、テストが今後も必要な理由、停止性問題ゆえに「Don’t know」という答えが避けられない事情、論理・定理証明・形式手法といった関連用語の違いを説明します。IAM Access Analyzer や VPC Reachability Analyzer など AWS での活用例と、学習用の書籍・ツールの一覧も紹介します。

セキュリティにおける AI の現在地: 信頼構築に最も重要な指標の測定

セキュリティ業務で AI を活用する際、脆弱性を発見できるかだけでなく、安全なコードを誤検出しないかが信頼の鍵になります。本記事では、実際の脆弱性と誤検出を見分ける能力を測る初のベンチマーク Deception Benchmark を紹介します。16 のプログラミング言語、70 を超える CWE カテゴリの 14,822 サンプルで 12 モデルを評価した結果、FPR (偽陽性率) と FNR (偽陰性率) の両方を 10% 未満に抑えられた構成はありませんでした。設計手法と結果、実務への示唆を詳しく解説します。

AWS AI セキュリティフレームワーク: レイヤーとフェーズに応じた適切なセキュリティコントロール

AWS AI Security Framework は、適切なコントロールを適切なユースケース・レイヤー・フェーズに対応づけ、AI をプロトタイプから本番、そしてスケールまで安全に進めるための体系的なモデルです。多層防御を「インフラストラクチャ」「アイデンティティとデータ」「AI アプリケーション」の 3 レイヤーに整理し、Foundational / Enhanced / Advanced の 3 フェーズで段階的にセキュリティを強化する方法を解説します。

AWS Shield Advanced が AWS WAF Anti-DDoS マネージドルールグループを採用: 変更点と準備方法

AWS Shield Advanced は、アプリケーションレイヤー (L7) DDoS 保護のデフォルトとして AWS WAF Anti-DDoS マネージドルールグループを採用し、将来的には唯一の保護機能とします。2026 年 7 月 27 日から、対象のウェブ ACL への Count モードでのルールグループの追加が始まります。既存の L7 自動緩和と並行して動作するため、トラフィックへの影響はありません。この記事では、Anti-DDoS マネージドルールグループの機能、2027 年 1 月 1 日の Shield Advanced アプリケーションレイヤー自動緩和の終了までの 5 つのフェーズ、請求、モニタリングとメトリクスの変更点、IaC や AWS Firewall Manager ポリシーの更新など、移行に向けた準備方法を解説します。

エージェンティックセキュリティ: マシンスピードでの検出と対応

自律型 AI エージェントの台頭は、セキュリティポスチャにとってクラウドへの移行以来最大の変化です。本記事では、SANS Institute と共同執筆した 2026 Cloud Security Exchange eBook の章から、エージェントのアイデンティティとガバナンス、振る舞いの監視とオブザーバビリティによる検出の進化、段階的な自動対応、マルチエージェントエコシステムへの備えという 4 つの基礎領域を紹介します。Amazon GuardDuty、Amazon Inspector、AWS Security Hub を活用し、マシンスピードでの検出と対応を実現する実践的なフレームワークを解説します。