人工知能（AI）企業のAnthropicによると、同社の最新大規模言語モデルClaude Opus 4.6は、広く利用されているオープンソースライブラリ全体で、これまで知られていなかった重大な脆弱性を500件以上特定した。
「…人間の研究者と同じようにコードを読み、推論します。過去の修正を調べて対処されていない類似バグを見つけたり、問題を引き起こしやすいパターンを特定したり、あるいはコードのロジックを十分に理解して、どのような入力があれば確実に壊れるのかを把握したりします」と、Anthropicはブログで述べた。
オープンソースコードのAI分析
オープンソースソフトウェアは現代のアプリケーションを支えているため、広く利用されているライブラリの脆弱性は、多数の下流製品に影響を及ぼし得る。
Anthropicは、影響を受けたプロジェクトであるGhostscript、OpenSC、CGIFが企業システム、開発者向けツール、オペレーティング環境で広く利用されており、根底にある欠陥の影響範囲を拡大させると報告した。
Anthropicによると、Claude Opus 4.6は、カスタムプロンプトや特定タスク向けのセキュリティツールに頼ることなく、深刻な脆弱性を発見するという異例の能力を示した。
このモデルはソースコードとコミット履歴を調べ、危険なコーディングパターン、欠落した境界チェック、メモリ破壊につながり得る微妙なロジックエラーを特定した。
あるケースでは、過去に修正された問題と、対処されないまま残っていた類似のロジック経路を関連付けることで、Ghostscriptにクラッシュを引き起こす欠陥を発見した。
別のケースでは、安全でない文字列操作ルーチンを分析し、OpenSCのバッファーオーバーフローを指摘した。
Anthropicは、モデルの能力を示す例として、CGIFにおけるヒープバッファーオーバーフローを挙げた。
この欠陥を正しく特定するには、LZW圧縮アルゴリズムとGIFファイル形式の相互作用を概念的に理解する必要があった。
同社は、完全な行カバレッジや分岐カバレッジでさえ、こうした欠陥を見逃す可能性があると指摘した。これは、エクスプロイトがランダムな入力ではなく正確なロジックに依存する場合、ファジングには限界があることを浮き彫りにしている。
AnthropicのFrontier Red Teamは、誤検知や幻覚ではないことを確認するため、管理された仮想化環境で各発見結果を検証した。
また、このモデルは最も重大な問題の優先順位付けにも利用され、サービス拒否攻撃や、特定の条件下では任意コード実行を現実的に可能にするメモリ破壊バグに重点が置かれた。
Anthropicは、これら特定の欠陥が実際に悪用されている証拠はないと報告する一方、その深刻度から、ソフトウェアサプライチェーン全体の下流リスクを低減するため、直ちに修正する必要があると強調した。
ソフトウェアサプライチェーンの強化
ソフトウェアサプライチェーンが複雑化し、AIによって悪用が加速する中、組織には個々の脆弱性へのパッチ適用にとどまらない対策が必要になる。
多くの問題は、入れ子構造の依存関係、安全でないメモリ処理、あるいは従来のテストでは検出が難しいロジック経路に起因する。
このリスクを管理するには、可視性を高め、本番環境での優先順位付けを改善し、悪用が発生した際に対応できる態勢を整える必要がある。
- 導入ソフトウェア部品表（SBOM）を活用し、推移的依存関係を継続的に可視化するとともに、新たな欠陥が公表された際に影響を迅速に評価できるようにする。
- 可能な限りメモリ安全なデフォルトを適用し、高リスクのコンポーネントでは、メモリ安全な言語やコンパイラのハードニングオプション（ASLR、スタックカナリア、サニタイザー）を優先する。
- 悪用可能性を踏まえた優先順位付けを導入し、CVSSに到達可能性、実行時の露出、権限レベルなどの状況要因を組み合わせて、修正作業を重点化する。
- ランタイムの挙動を継続的に監視し、アプリケーションのテレメトリーと異常検知を利用して、予防的な対策をすり抜けた悪用の試みを検出する。
- 高リスクのコンポーネントを分離してサンドボックス化し、特に信頼できない入力を処理するライブラリ（ファイルパーサーや画像コーデックなど）について、欠陥が引き起こされた場合の影響範囲を限定する。
- 重要な依存関係に対して敵対的テストとレッドチーム演習を実施し、従来のファジングでは見逃す可能性があるロジックベースの悪用ケースも対象にする。
- サプライチェーンのシナリオにおけるインシデント対応計画をテストし、依存関係が侵害された際に、チームが脆弱なコンポーネントを迅速に隔離し、ビルドをロールバックし、認証情報をローテーションし、ホットフィックスを適用できるようにする。
これらの対策を組み合わせることで、影響範囲を限定しながら、ソフトウェアサプライチェーン全体のレジリエンスを高められる。
Anthropicの発見は、AIを活用した分析がソフトウェアサプライチェーンリスクの発見と管理の両方を変えつつあることを示している。
Claude Opus 4.6のようなモデルは、従来のツールでは検出が難しい脆弱性の種類を明らかにできる。特に、複雑なロジックやメモリ処理に根ざした脆弱性でその力を発揮する。
こうした発見は、個々の脆弱性だけでなく、それらが拡散するより広範なソフトウェアサプライチェーンも保護することの重要性を浮き彫りにしている。