Cloudflareのマルチエージェントセキュリティハーネス、アラート疲れを軽減

2026年10月7日、CloudflareはManaged Defenseサービス内で採用した、セキュリティ運用向けの新しいマルチAIエージェントアーキテクチャの詳細を発表しました。このシステムは、大量のセキュリティ通知が人間のアナリストを圧倒する「アラートのパラドックス」に対処するため、データ収集と初期トリアージを自動化します。汎用性の高い単一モデルではなく専門化されたエージェントを使用することで、精度の向上とハルシネーションの削減を図っています。

何が起きたか

セキュリティチームはしばしば、本物の脅威なのかノイズなのかを判断するために手動での相関分析を必要とする膨大なアラートに直面します。Cloudflareのエンジニアリングチームは、調査全体を管理するために単一の汎用AIエージェントに依存していた初期プロトタイプでは、信頼性に課題があることを発見しました。テレメトリ、ポリシー詳細、脅威インテリジェンスが単一のプロンプトにフラット化されていたため、エージェントは証拠に基づかない主張を頻繁にハルシネーションとして生成していました。これにより異なるデータソースの役割が混同され、以下の3つの具体的な障害モードが発生しました。コンテキストが権限と誤認されること、アカウントや時間範囲にわたるスコープの逸脱、そしてタイムアウトが否定結果と見なされる曖昧な障害状態です。

これらの問題を解決するため、Cloudflareはワークフローを決定論的な偵察フェーズと、それに続く専門化されたAI分析へと再構築しました。大規模言語モデル（LLM）が呼び出される前に、アプリケーションコードはバージョン管理されたAPI呼び出しを使用して固定の偵察ワークフローを実行します。このプロセスでは、顧客ID、検出履歴、トラフィックベースライン、適用結果を収集し、各データのソースとタイムスタンプを保存します。証拠収集と推論を分離することで、入力データの一貫性と再現性を確保し、専門家エージェントが実行間に変化するライブデータを取得するのではなく、静的なスナップショットを解釈できるようにしています。

新しいハーネスは、Workers AI上で動作するCloudflareのオープンソース意思決定モデルであるClefを使用して、早期にノイズをフィルタリングします。偽陽性である可能性が高いアラートは受動的（passive）として分類され、アクティブキューから除外されます。より深いレビューが必要なアラートに対しては、コーディネーターエージェントが4つの専門エージェントを並列でディスパッチします。トラフィック分析、顧客コンテキスト、グローバルテレメトリ、脅威インテリジェンスの各担当です。その後、シンセシス（統合）エージェントがこれらの型付き発見事項を単一の助言レポートに結合しますが、承認済みの用語集に限定され、独立して新しい証拠を取得することはできません。

仕組み

核心的な革新は、証拠収集とスコープ強制をプロンプトエンジニアリングに頼るのではなく、アプリケーションコード側で行う点にあります。システムは、対象、スコープ、時間アンカー、承認済み証拠を含むバージョン管理されたエビデンスパッケージを作成します。専門エージェントはこのパッケージ内の項目を引用する必要があり、アプリケーションコードはすべての引用が存在し、主張をサポートしているかを検証します。検索が失敗したりタイムアウトしたりした場合、システムはそのギャップを明示的に「未チェック」として記録し、「チェック済みだが該当なし」と混同しません。この区別により、モデルが欠損データに基づいて仮定を立てることが防止されます。

グローバルコンテキストは、顧客プライバシーを損なうことなく統合されます。グローバルテレメトリ専門エージェントは、アラートをCloudflareネットワーク全体で見られる集約パターンと比較します。例えば、あるIPアドレスが数千のサイトをスキャンしているか、初めて出現したかなどです。他の顧客の個別レコードには決してアクセスしません。シンセシスエージェントは、このグローバル評価を特定の顧客の履歴と対比して重み付けし、広範なパターンが孤立した無害な活動に対して自動的にインシデント対応を引き起こさないようにします。最後に、Clefが集められた証拠をスコアリングし、決定を下すのに十分かどうかを判断し、攻撃分類の縮小リストから選択します。

主要な詳細

• Cloudflareは、初期トリアージ後の深層分析のためにOpenAI DaybreakおよびAnthropicモデル（GPT-5.6 CyberやMythosなど）を使用しています。
• システムは3つの証拠状態を区別します。「未チェック」、「チェック済みだが一致なし」、そして「チェック済みで不在を支持する証拠あり」です。
• 専門エージェントはコーディネーターの下で並列実行され、シンセシスエージェントがそれらの発見事項を最終的な助言レポートに統合します。
• 決定論的コードが証拠の承認と検証を処理し、モデルがテナント境界を越えたり自律的に行動したりすることを防ぎます。
• アーキテクチャは、ステートの維持とステージの調整のためにCloudflare Workers、Workflows、D1、R2、Durable Objectsに依存しています。
• 最終的な決定責任は人間のアナリストに残ります。AIは関連アラートの統合ビューと推奨次のステップを提供します。

なぜ重要か

ソフトウェアエンジニアやセキュリティリーダーにとって、単一エージェントからマルチエージェントアーキテクチャへのこの転換は、信頼できるAIシステム構築における重要な教訓を浮き彫りにします。モデルにデータ取得やスコープ定義を任せてはならないということです。これらの責任を決定論的コードに移すことで、Cloudflareはエージェント型ワークフローで一般的な落とし穴であるハルシネーションとスコープ逸脱のリスクを低減します。「まず偵察、次に推論」というこのパターンにより、AIモデルは検証済みで静的なコンテキスト上で動作することになり、出力の監査可能性と一貫性が高まります。

実用的な影響は、アナリストがバラバラのアラートを相関させるために費やす時間の大幅な短縮です。トラフィックログ、過去の処置履歴、グローバル脅威フィードを手動で確認する代わりに、アナリストは引用付きの証拠を備えた事前パッケージ化された助言レポートを受け取ります。これにより、チームは反復的なデータ収集ではなく、修復と戦略的緩和策に集中できます。AIツールがセキュリティ運用でますます普及する中、それらを検証可能な証拠に基づかせる方法を理解することは、信頼性と運用効率を維持するために不可欠となります。

実施できること

• スコープ逸脱を防ぎ、再現可能な入力を保証するために、AIアプリケーションにおいてデータ取得とモデル推論を分離してください。
• モデルの引用が提供されたエビデンスパッケージ内に存在するかを確認する厳格な検証レイヤーを実装してから、出力を受け入れてください。
• トラフィック分析や脅威インテリジェンスなどの明確なタスクには、単一の汎用モデルに頼るのではなく、専門化された狭いスコープのエージェントを使用してください。
• タイムアウトや失敗を「未チェック」として明示的に記録し、欠損データに基づく誤った仮定を防いでください。
• グローバルコンテキストを利用する際は、顧客プライバシーを保護するために、集約パターンとの比較のみを行い、他顧客の個別データにはアクセスしない設計にしてください。
• AIによる自動化を進める際も、最終的な意思決定権限は人間の専門家に保持させ、AIは補助的な洞察と推奨事項を提供する役割に留めてください。