🔖 キーワード索引

📍 あなたが今見ているもの

用語集 → セキュリティ → なりすまし (Impersonation / Spoofing)。認証・アクセス管理・電子署名 と表裏一体です。

統計・データ解析コンペでは、SSDSE-B-2026 の都道府県分布を「正規ユーザの所在地分布」とみなし、ログイン履歴に都道府県外れ値が出現したらアラートを出すという 異常検知のおもちゃモデル を作ります。実運用では Web アプリの監査ログを SSDSE で正規化した期待分布と突き合わせるだけで、初期スクリーニングとして十分有効です。

電子署名は「本人だけが鍵を持つ」前提でなりすましを防ぎますが、その鍵自体が盗まれると元も子もありません。なりすましは「鍵やパスワードや属性そのものを盗む」攻撃側面なので、署名と表裏一体で学ぶ必要があります。

🎨 直感で掴む

「他人の顔・声・身分証で本人になりすます」のデジタル版です。窓口で他人の保険証を出して診察を受けるのと同じことを、ネット上ではパスワード・Cookie・トークン・SIM カード・MAC アドレスなどを使って行います。

なりすましの種類:

なりすましの 3 ステップ： ① 真の利用者を特定する偵察、② 認証情報を奪う or 偽装する、③ 取得した属性でシステムに侵入し操作する。本ページでは ③ の段階でログから検出する側に立ちます。

📐 数式・定義

定義 (なりすまし攻撃): 認証システム $\mathcal{A}$ に対し、攻撃者 $E$ が真の利用者 $U$ の認証情報 $c_U$ を持たないにも関わらず、$\mathcal{A}$ から $U$ として認められる確率。

$$ \mathrm{Pr}_{\mathrm{impersonate}} = \Pr\bigl[ \mathcal{A}(E) \to \mathrm{accept~as~} U \mid E \neq U \bigr] $$

多要素認証によるリスク低減：

$$ \Pr_{\mathrm{MFA}} = \prod_{i=1}^{K} \Pr_i $$

各要素が独立に突破される確率 $\Pr_i$ の積。$K=2$ で「パスワード+ TOTP」、$K=3$ で「+ FIDO2」。要素が独立であることが鍵。

ベイズ的な異常スコア (リスクベース認証):

$$ \mathrm{score}(x) = \log \frac{p(x \mid \mathrm{legit})}{p(x \mid \mathrm{attack})} $$

$x$ は IP / 端末指紋 / 時刻 / 都道府県などの特徴量。スコアが閾値を下回ると追加認証を要求。

FAR / FRR (生体認証):

$$ \mathrm{FAR} = \Pr[\mathrm{accept} \mid \text{他人}], \quad \mathrm{FRR} = \Pr[\mathrm{reject} \mid \text{本人}], \quad \mathrm{EER}: \mathrm{FAR} = \mathrm{FRR} $$

なりすましの成功率はそのまま FAR。EER (等エラー率) が指標として使われる。

カイ二乗適合度検定 (都道府県分布の異常検知):

$$ \chi^{2} = \sum_{i=1}^{47} \frac{(O_{i} - E_{i})^{2}}{E_{i}} $$

$O_i$ は都道府県 $i$ からの観測ログイン数、$E_i$ は SSDSE 人口比から期待される件数。$\chi^2$ が大きく $p$ 値が小さければ、分布逸脱 (= なりすましの可能性) を示唆。

🔬 数式を言葉で読み解く

🧮 実値で計算してみる — SSDSE-B-2026 で都道府県ベース異常検知

「あるサービスの正規ユーザは概ね SSDSE-B-2026 の人口分布に従って各都道府県から来る」と仮定し、それを逸脱するログインをなりすまし候補として扱います。

→ 「人口比 0.44%」の鳥取から「全体の 8.5%」のログインがあるのは異常。VPN や踏み台経由のなりすまし攻撃の可能性が高い、と判断できます。

MFA リスク低減の実値:

🐍 Python 実装 — SSDSE-B-2026 で都道府県分布の異常検知

① 期待分布を SSDSE から作る

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
pop = df.groupby('Prefecture')['Total_population'].mean()
expected = pop / pop.sum()      # 都道府県別の期待比率
print(expected.sort_values(ascending=False).head(10))

② カイ二乗適合度検定で全体の乖離を見る

from scipy import stats

observed = pd.Series({'東京都': 1080, '大阪府': 720, '愛知県': 590, '神奈川県': 880,
                       '鳥取県': 850, '島根県': 610}, name='count')
N = observed.sum()
exp = expected.reindex(observed.index).fillna(1e-4) * N

chi2, p = stats.chisquare(observed, exp)
print(f'カイ二乗 = {chi2:.1f}, p = {p:.2e}')
# p が極小 → 都道府県分布が SSDSE 想定と乖離 → 攻撃の疑い

③ ユーザ単位の異常スコア (都道府県+時刻+ジャンプ)

import math

def login_risk(pref, hour, prev_pref):
    base = -math.log(expected.get(pref, 1e-4))
    night = 1.5 if hour < 5 or hour > 23 else 0
    geo_jump = 3.0 if prev_pref and prev_pref != pref else 0
    return base + night + geo_jump

# 普段は東京、 深夜 3 時に島根からログイン
print('リスク:', login_risk('島根県', 3, '東京都'))

④ IsolationForest でログ全体を学習

from sklearn.ensemble import IsolationForest

prof = df.groupby('Prefecture').agg(
    pop=('Total_population','mean'),
    inc=('Income_per_capita','mean'),
    age=('Aging_rate','mean')).dropna()
clf = IsolationForest(contamination=0.05, random_state=0).fit(prof)
prof['anomaly'] = clf.predict(prof)
print(prof[prof['anomaly'] == -1])  # 通常分布から外れる「目立つ」県

⑤ MFA 効果のシミュレーション

p_password = 0.10
p_totp     = 0.01
p_fido2    = 1e-4

print(f'パスワードのみ: {p_password:.4f}')
print(f'+ TOTP       : {p_password * p_totp:.6f}')
print(f'+ FIDO2      : {p_password * p_totp * p_fido2:.10f}')

⑥ メール From のスプーフィング検査 (DMARC 簡易ロジック)

def header_check(msg_from, envelope_from, dkim_d, spf_pass):
    from_domain = msg_from.split('@')[-1].lower()
    return (from_domain == envelope_from.split('@')[-1].lower()
            and from_domain == dkim_d.lower()
            and spf_pass)

print(header_check('ceo@example.co.jp', 'attacker@badnet.ru',
                   'badnet.ru', spf_pass=True))  # False → なりすまし

⚠️ よくある落とし穴

🌐 関連手法・派生

• 多要素認証 (MFA / 2FA) — 知識・所持・生体の組み合わせ。
• FIDO2 / WebAuthn — パスワードレス。公開鍵暗号で端末バインド。
• リスクベース認証 — IP・端末・地理・時刻・速度から動的にスコア。
• DMARC / SPF / DKIM — メールなりすましの送信ドメイン認証。
• TLS / mTLS — サーバ・クライアントの正当性を相互証明。
• 生体認証 — 指紋・顔・虹彩・声紋。Liveness 検出が重要。
• ゼロトラスト — 「内部だから信頼」を捨て、毎回検証。
• SIEM / UEBA — ログを集約し、振る舞いの異常を機械学習で検知。
• カイ二乗適合度検定 — 都道府県分布等の統計検定。
• IsolationForest / LOF — 機械学習による異常検知。

🔗 関連用語

前提：

並列：

発展：

🗺 概念マップ

なりすまし (Impersonation) ★
├─ 対象別
│   ├─ 人  → フィッシング・BEC・ディープフェイク
│   ├─ 端末 → MAC / ARP / DHCP spoofing
│   ├─ ネット → IP / DNS spoofing
│   └─ サービス → 偽サイト・偽証明書
├─ 突破される認証要素
│   ├─ 知識 (パスワード) → 漏洩・推測
│   ├─ 所持 (端末・SIM) → 盗難・SIM スワップ
│   └─ 生体 (顔・指紋)   → 写真・ゲルキャスト
└─ 対策
    ├─ MFA / FIDO2 / WebAuthn
    ├─ 電子署名 / TLS / mTLS
    ├─ DMARC / SPF / DKIM
    └─ リスクベース認証 / 異常検知

📰 実世界の事件・事例

❓ FAQ

Q1. 一般家庭ユーザは何から始めればよい？
A. ① 主要アカウント (Google/Apple/銀行) に MFA。② パスワードマネージャ導入。③ メール宛先・URL を毎回確認。④ 古い携帯番号での認証はやめる。

Q2. なりすましと不正アクセスの違いは？
A. なりすましは「他人を装う行為そのもの」、不正アクセスは「権限なくシステムに入る行為」。なりすましは不正アクセスの主要な手段。

Q3. 統計データ解析でなりすましをテーマにするとき何を可視化する？
A. (1) ログイン都道府県分布の経時変化、(2) IP→地理→端末指紋の遷移、(3) 失敗回数の急増、(4) 異常スコア分布のヒストグラム。SSDSE-B-2026 の人口分布を「正規ベースライン」として重ねるとプロが書く図になります。

Q4. ディープフェイクを技術的に防ぐには？
A. (a) C2PA など来歴メタデータ、(b) AI 検知モデル、(c) 通話に共有秘密合言葉、(d) 動画なら liveness 検出 + チャレンジレスポンス。

Q5. 認証ログが個人情報なのでは？
A. はい。IP・端末ID・地理位置は個人情報になり得るので、機密性 (Confidentiality) と両立する設計が必要。 機密性 ページも参照。

📚 関連グループ教材

• 📚 AI 倫理・公平性 — セキュリティ含む横断教材
• 📚 AI 応用 — 異常検知・不正検知
• 📚 AI クラウド — IAM とリスクベース認証