Autonomous Cyber Red Team

自律型サイバー・レッドチーム MCP サーバー

ApifyForge で表示 | Apify Store で使用

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します。

{
  "mcpServers": {
    "autonomous-cyber-red-team-mcp": {
      "url": "https://ryanclinton--autonomous-cyber-red-team-mcp.apify.actor/mcp"
    }
  }
}

---

AI エージェント向けの自律型サイバー・レッドチームインテリジェンスです。この MCP サーバーを使うと、Claude、GPT-4o、および MCP 対応エージェントは、厳密に実装された8つの数学的フレームワークを用いて、定量的な攻撃シミュレーションの実行、エクスプロイトチェーンの合成、脆弱性の発生予測、敵対者の行動モデリングを行えます。単一のツール呼び出しで、構造化され再現可能なサイバーリスクインテリジェンスを必要とするセキュリティエンジニア、脅威アナリスト、AI エージェント向けに構築されています。

このサーバーは、15のサイバーセキュリティ情報源（NVD、CISA KEV、Censys、DNS、SSL の透明性ログ、WHOIS、GitHub、StackExchange、Hacker News、OFAC、OpenSanctions、IP ジオロケーション、技術スタック検出、ウェブサイト監視、FRED 経済データ）からライブデータを並列に集約し、重み付けされた攻撃グラフを構築します。その後、ゲーム理論、確率過程、極値理論のアルゴリズムを適用し、キーワード検索や CVSS スコアの照会をはるかに超える定量的な出力を生成します。

どのようなデータにアクセスできますか？

データ項目	情報源	例
📋 CVSS 基本スコアと CWE 分類を含む CVE レコード	NVD CVE Search	CVE-2021-44228、CVSS 10.0（Log4Shell）
🚨 CISA の修正期限が設定された、既知の悪用済み脆弱性	CISA KEV Catalog	現在悪用されている1,000件以上の CVE
🌐 外部に公開されたホスト、開放ポート、サービスバナー	Censys Search	443/tcp nginx 1.18.0、証明書 CN=*.target.com
🔍 DNS レコードの列挙（A、AAAA、MX、TXT、CNAME、NS）	DNS Lookup	mail.acmecorp.com → 203.0.113.42
🔒 SSL/TLS 証明書と透明性ログのエントリー	SSL Certificate Search	*.acmecorp.com、SAN=admin.acmecorp.com
📝 ドメイン登録情報、レジストラー、有効期限	WHOIS Lookup	2008年登録、2026年失効、GoDaddy
📍 国と ISP を含む IP から ASN への対応付け	IP Geolocation	AS14618 Amazon、us-east-1
🛠️ HTTP ヘッダーと HTML から特定した技術スタック	Tech Stack Detector	Apache 2.4.51、PHP 7.4、WordPress 5.8
💻 概念実証エクスプロイトのリポジトリとセキュリティツール	GitHub Repo Search	CVE-2021-44228 POC、スター数3.2K
💬 セキュリティコミュニティの Q&A と手法に関する議論	StackExchange (Security.SE)	「AD での Pass-the-Hash の仕組みは？」
📰 脆弱性の公表とセキュリティニュース	Hacker News Search	「OpenSSL に新たな0-day、今すぐパッチを」
🏛️ 米国財務省 OFAC の特別指定国民リスト	OFAC Sanctions Search	脅威アクターのエンティティ審査
🌍 複数の管轄区域にわたる制裁リストと監視リスト	OpenSanctions Search	100以上のプログラム、EU、UN、Interpol
📡 セキュリティ勧告およびポリシーページの変更	Website Change Monitor	CISA 勧告ページの差分
💰 サイバーセキュリティ市場への支出とサイバー保険指数	FRED Economic Data	米国のサイバーセキュリティ GDP 構成要素

MCP ツール

ツール	料金	アルゴリズム	最適な用途
simulate_attack_defense_posg	$0.045	HSVI2 によるポイントベースの価値反復とアルファベクトルの枝刈りを用いた POSG	最適な攻撃者／防御者の戦略、ゲーム価値の計算
synthesize_exploit_chains	$0.040	CVSS の許容的ヒューリスティック h(n) = max CVSS on path を用いた AND-OR グラフの A*	複数ステップの攻撃経路の発見、修復の優先順位付け
predict_vulnerability_emergence	$0.035	べき乗則カーネルを用いた Hawkes 自己励起過程、間引きシミュレーション	30／90 日の CVE 予測、パッチサイクルの計画
optimize_defender_allocation	$0.040	架空プレイによるナッシュ均衡を用いた Colonel Blotto ゲーム	セキュリティ予算の配分、支配戦略の排除
model_adaptive_adversary	$0.035	Exp3 マルチアームバンディット、重要度加重による報酬の更新	APT 手法の予測、プロアクティブな防御計画
compute_lateral_movement_risk	$0.035	吸収マルコフ連鎖、基本行列 N=(I-Q)^-1、エピデミック閾値	ネットワーク伝播リスク、セグメンテーションの検証
assess_zero_day_tail_risk	$0.035	確率加重モーメントを用いた GPD 極値理論	VaR／CVaR の定量化、サイバー保険の価格設定
forecast_threat_landscape_evolution	$0.030	レプリケーターダイナミクス dx_i/dt = x_i(f_i − φ)、ESS の特定	長期的な脅威戦略、EMERGING／DECLINING の分類

Autonomous Cyber Red Team MCP を利用する理由

手動で脅威評価を行うセキュリティチームは、CVE フィードの相関付け、ホワイトボード上での攻撃経路のマッピング、予算配分の推測に何時間も費やしています。コンサルティング会社によるレッドチームのエンゲージメントには 15,000～50,000 ドルかかりますが、攻撃対象領域の一部しか網羅できず、数週間で古くなる結果しか得られません。

この MCP サーバーは、その作業の定量分析部分を自動化します。AI エージェントが単一のツールを呼び出すと、サーバーは 15 のデータソースに並行してアクセスし、最新の攻撃グラフを構築して、ゲーム価値、確率分布、侵害までの期待ステップ数、テールリスク推定値など、数学的根拠に基づく結果を 60～180 秒以内に返します。

Apify プラットフォームで実行するメリット：

• スケジュール設定 — cron スケジュールで週次の脅威環境予測を実行し、リスク態勢の経時変化を追跡できます
• API アクセス — Apify API を介して、ツールの出力を SIEM、SOAR、またはカスタムダッシュボードに直接統合できます
• 支出上限 — セッションごとの最大クレジット支出を設定し、AI エージェントがコスト予算を超過しないようにできます
• Webhook — 脆弱性バーストの確率がしきい値を超えた場合に、Slack または PagerDuty へのアラートをトリガーできます
• インフラ不要 — MCP サーバーは Apify のスタンバイモードで実行されるため、セルフホストのインフラは必要ありません

機能

• 8 種類の独立した数学的フレームワーク — POSG、AND-OR A*、Hawkes 過程、Colonel Blotto、Exp3 バンディット、吸収マルコフ連鎖、一般化パレート分布（GPD）極値理論、レプリケータダイナミクス。それぞれを TypeScript で第一原理から実装しています
• 15 のライブデータソースに並列でクエリ — すべてのツール呼び出しで、NVD、CISA KEV、Censys、DNS、SSL、WHOIS、IP ジオロケーション、テックスタック、GitHub、StackExchange、Hacker News、OFAC、OpenSanctions、ウェブサイトモニター、FRED に同時に問い合わせます
• 異種入力からの攻撃グラフ構築 — buildAttackGraph() は、15 のすべてのソースの出力を、VulnNode および AttackEdge 型を使用する統一された重み付き有向グラフに正規化します。CVSS で重み付けされたエッジ、AND/OR 前提条件フラグ、手法ラベルを備えています
• HSVI2 による信念空間計画 — simulateAttackDefensePOSG() は、アルファベクトルの枝刈りを用いた点ベースの価値反復により、信念単体上で NEXPTIME 完全な POSG を解き、収束したゲーム値と信念状態戦略を返します
• CVSS に基づく許容可能な A ヒューリスティック* — synthesizeExploitChains() は、h(n) = 残りの経路上の最大 CVSS スコアを用いて、最小コストの攻撃経路を保証します。AND ノードではすべての前提条件を満たす必要があり、OR ノードではいずれか 1 つを満たせば十分です
• べき乗則 Hawkes カーネル — predictVulnerabilityEmergence() は、λ(t) = μ + Σ_i α(1 + (t−t_i)/c)^(−(1+ω)) を用いて、長期記憶を持つ CVE のクラスタリングを捉えます。間引きシミュレーションにより、30 日および 90 日の件数を予測します
• 虚偽プレイによるナッシュ均衡 — optimizeDefenderAllocation() は、セキュリティドメインを戦場として Colonel Blotto ゲームを実行します。各反復では、経験的な相手の分布に対する最適応答を返し、収束するまで続けます
• Exp3 の重要度加重更新 — modelAdaptiveAdversary() は、w_i(t+1) = w_i(t) × exp(η × r̂_i / K) と最適な η = √(2 ln K / T) を適用し、敵対者がどの攻撃手法を選好するかを追跡します
• ガウス・ジョルダン法による基本行列 — computeLateralMovementRisk() は完全ピボット選択を用いて (I−Q) の逆行列を計算し、N = (I−Q)^-1 を求めます。これにより、すべての一時状態から吸収状態までの期待ステップ数を算出します。感染閾値 β_c = ⟨k⟩/⟨k²⟩ によって、臨界値を超える拡散かどうかを判定します
• 確率加重モーメントによる GPD の当てはめ — assessZeroDayTailRisk() は、閾値を超える CVSS 値に一般化パレート分布を当てはめ、VaR(95%)、VaR(99%)、CVaR(95%)、CVaR(99%)、再現期間を返します
• ESS 検出を伴うレプリケータダイナミクス — forecastThreatLandscapeEvolution() は dx_i/dt = x_i(f_i − φ̄) を積分し、成長率と適応度に基づいて各手法を EMERGING、GROWING、MATURE、DECLINING に分類します。進化的に安定な戦略は、侵入耐性によって特定します
• 再現性を確保するシード付き PRNG — クエリから導出したシードを用いる mulberry32 PRNG により、同じ入力に対して実行ごとに決定論的な出力を生成します
• 支出上限の適用 — すべてのツールは実行前に Actor.charge() を呼び出し、eventChargeLimitReached を確認して、呼び出し元が設定したセッションごとの予算上限を遵守します

自律型サイバー・レッドチームインテリジェンスのユースケース

ペネトレーションテストの準備

レッドチーム演習を準備するセキュリティエンジニアは、synthesize_exploit_chains を使用して、テスト開始前に対象環境の AND-OR 攻撃グラフ全体をマッピングします。A* 検索は、人間のテスターが見落とす可能性のある複数段階の経路を明らかにします。たとえば、外部に公開されたレガシー SSH サービスから、設定ミスのあるジャンプホストを経由してドメインコントローラーに至る攻撃経路を、各経路の CVSS 総コストおよび推定実行時間とともに提示します。

セキュリティ予算の配分と CISO 向けレポート

CISO やセキュリティディレクターは、optimize_defender_allocation を使用して、脅威データをリソース配分の推奨事項に変換します。Colonel Blotto の出力は、どのセキュリティドメイン（境界、ID、エンドポイント、クラウド、ネットワーク）がナッシュ均衡と比べて防御不足なのかを示し、現在の支出では限界的な保護効果が得られない、支配された戦略を特定します。

脆弱性管理とパッチ適用の優先順位付け

脆弱性管理チームは、predict_vulnerability_emergenceを使用して、Linux kernel、Apache、Windows Active Directoryなどの特定のテクノロジーにおけるCVE公開率を、30日および90日の期間で予測します。ホークス過程のバースト確率からクラスタリングイベントの発生可能性が高いタイミングを特定し、開示の波が来る前に修復リソースを事前に配置できます。

サイバー保険の引受と保険数理による価格設定

引受担当者と保険数理担当者は、assess_zero_day_tail_riskを使用して、保険契約者のテクノロジースタックに含まれる脆弱性の深刻度分布を定量化します。GPDでフィッティングしたVaRおよびCVaR指標は、最大損失の推定と保険料の計算に統計的な根拠を提供し、経験則に基づくサイバーリスクのスコアリングに代わるものです。

APTの追跡と脅威インテリジェンス

脅威インテリジェンスのアナリストは、model_adaptive_adversaryを使用して、既知のAPTグループ（APT29、Lazarus、Sandworm）が特定の防御態勢に対して技術の選択をどのように適応させるかをモデル化します。Exp3バンディットの出力は、過去の適応速度と推定報酬に基づいて、今後のキャンペーンで優先されるMITRE ATT&CK技術を予測します。

セキュリティの戦略的計画

セキュリティアーキテクトと長期計画担当者は、forecast_threat_landscape_evolutionを使用して、どの攻撃技術が進化適応度を高め、どの技術が低下しているかを把握します。レプリケーターダイナミクスによって進化的安定戦略（いったん優勢になると、代替手段による置き換えに抵抗する技術）を特定できます。これにより、昨年の脅威環境ではなく、明日の脅威環境に備えた防御への投資が可能になります。

このMCPサーバーへの接続方法

ステップ1 — Apify APIトークンを取得する

apify.comでサインアップし、アカウント設定からAPIトークンをコピーします。無料プランには、毎月5ドル分のクレジットが含まれています。

ステップ2 — MCPクライアントに追加する

Claude Desktop — claude_desktop_config.jsonに追加します：

{
  "mcpServers": {
    "autonomous-cyber-red-team": {
      "url": "https://autonomous-cyber-red-team-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor / Windsurf / Cline — MCPサーバーの設定で、同じURLとAuthorizationヘッダーを追加します。

ステップ3 — ツールを呼び出す

エージェントに「apache log4j corporate networkのエクスプロイトチェーンを統合して」または「金融サービスを標的とするAPT29の適応型敵対者をモデル化して」と尋ねます。エージェントがツールを呼び出し、サーバーが15のデータソースを集約して、定量分析を含む構造化JSONを返します。

ステップ4 — 結果を解釈する

各ツールは、アルゴリズム固有のフィールドに加え、ライブデータから構築されたノード数とエッジ数を示すgraphSummaryを含むJSONオブジェクトを返します。ノード数とエッジ数が多いほど、データソースから得られるシグナルが豊富であることを示します。

ツールのパラメーター

8つのツールはすべて、次の2つの入力パラメーターを共有します。

パラメーター	型	必須	デフォルト	説明
query	string	はい	—	対象のドメイン、テクノロジー、脅威アクター、またはシナリオ（例：「apache log4j corporate network」、「APT29 nation-state attack」、「ransomware healthcare sector」）
maxResults	number	いいえ	30～50（ツールによって異なります）	アクターごとに取得する結果の最大数。範囲：5～100。値を大きくするとモデルの品質は向上しますが、応答時間が長くなります。ツール3と7は、統計的推定の精度を高めるため、デフォルト値が50です。

入力例

特定のCVEを対象としたエクスプロイトチェーンの統合：

{
  "query": "apache log4j CVE-2021-44228 corporate network",
  "maxResults": 30
}

大量のデータを用いたAPT敵対者のモデリング：

{
  "query": "APT29 nation-state attack financial sector",
  "maxResults": 50
}

テクノロジーポートフォリオのゼロデイ・テールリスク：

{
  "query": "linux kernel remote code execution",
  "maxResults": 50
}

迅速な脅威環境の予測：

{
  "query": "ransomware healthcare sector",
  "maxResults": 20
}

入力のヒント

• クエリは具体的にします — 「windows active directory pass-the-hash」のほうが、「windows security」よりも対象を絞った攻撃グラフが生成されます。クエリは15個すべてのデータソースに渡されるため、ドメイン固有の用語を使うと、より関連性の高い情報を抽出できます。
• 統計ツールでは maxResults を増やします — predict_vulnerability_emergence と assess_zero_day_tail_risk は、分布の当てはめにサンプルサイズを必要とします。この2つのツールでは maxResults ≥ 50 を使用してください。
• バージョン情報を含めてテクノロジー名を指定します — 「Apache HTTP Server 2.4」を指定すると、「web server」よりも正確な CVE と Censys のデータが返されます。
• ツールを組み合わせて包括的に評価します — 同じクエリに対して8つのツールをすべて実行すると、エクスプロイト経路、防御側のリソース配分、攻撃者の適応、テールリスクを網羅した全体像を、対象ごとに合計 $0.295 で把握できます。

出力例

simulate_attack_defense_posg の出力

{
  "gameValue": 0.623,
  "attackerValue": 0.741,
  "defenderValue": 0.259,
  "converged": true,
  "iterations": 847,
  "alphaVectorCount": 23,
  "optimalAttackPath": [
    "CVE-2021-44228-entry",
    "corp-jumphost-pivot",
    "ad-domain-controller-target"
  ],
  "optimalDefenseAllocation": {
    "perimeter": 0.38,
    "identity": 0.31,
    "endpoint": 0.18,
    "cloud": 0.13
  },
  "beliefStates": [
    { "state": "undetected", "probability": 0.67 },
    { "state": "partial-detection", "probability": 0.24 },
    { "state": "full-detection", "probability": 0.09 }
  ],
  "graphSummary": { "nodes": 47, "edges": 83 }
}

synthesize_exploit_chains の出力

{
  "attackSurfaceScore": 8.14,
  "chainCount": 12,
  "criticalPath": {
    "path": ["log4j-rce-entry", "lateral-smb-pivot", "lsass-dump-target", "dc-sync-exfil"],
    "totalCvss": 34.7,
    "probability": 0.43,
    "andNodes": ["lsass-dump-target"],
    "orNodes": ["log4j-rce-entry", "lateral-smb-pivot"],
    "techniques": ["T1190", "T1021.002", "T1003.001", "T1003.006"],
    "estimatedTime": 4.2
  },
  "averageChainLength": 3.8,
  "maxCvssChain": 34.7,
  "chains": [
    {
      "path": ["log4j-rce-entry", "lateral-smb-pivot", "lsass-dump-target", "dc-sync-exfil"],
      "totalCvss": 34.7,
      "probability": 0.43,
      "techniques": ["T1190", "T1021.002", "T1003.001", "T1003.006"],
      "estimatedTime": 4.2
    }
  ],
  "graphSummary": { "nodes": 47, "edges": 83 }
}

predict_vulnerability_emergence の出力

{
  "baselineIntensity": 0.032,
  "currentIntensity": 0.187,
  "hawkesParams": {
    "alpha": 0.71,
    "omega": 1.23,
    "c": 0.45
  },
  "predictedEvents30d": 8,
  "predictedEvents90d": 21,
  "burstProbability": 0.68,
  "criticalVulnForecast": 3,
  "clusterSizes": [2, 4, 3, 5, 2],
  "intensityTimeline": [
    { "t": 0, "lambda": 0.187 },
    { "t": 7, "lambda": 0.143 },
    { "t": 14, "lambda": 0.112 },
    { "t": 30, "lambda": 0.089 }
  ],
  "graphSummary": { "nodes": 61, "edges": 104 }
}

assess_zero_day_tail_risk の出力

{
  "gpdParameters": {
    "shape": 0.14,
    "scale": 1.82,
    "threshold": 7.0
  },
  "var95": 8.6,
  "var99": 9.4,
  "cvar95": 9.1,
  "cvar99": 9.7,
  "maxObserved": 10.0,
  "tailIndex": 0.14,
  "portfolioRisk": 0.83,
  "exceedanceProbabilities": [
    { "severity": 8.0, "probability": 0.31 },
    { "severity": 9.0, "probability": 0.12 },
    { "severity": 9.5, "probability": 0.04 }
  ],
  "returnPeriods": [
    { "severity": 9.0, "returnPeriodDays": 28 },
    { "severity": 9.5, "returnPeriodDays": 84 }
  ],
  "graphSummary": { "nodes": 58, "edges": 96 }
}

ツール別の出力フィールド

simulate_attack_defense_posg

フィールド	型	説明
gameValue	number	ナッシュ均衡でのゲーム値（0～1）。値が高いほど攻撃者が有利です
attackerValue	number	最適な戦略をとった場合の攻撃者の期待効用
defenderValue	number	最適な戦略をとった場合の防御側の期待効用
converged	boolean	HSVI2 の反復が許容誤差内で収束したかどうか
iterations	number	ポイントベースの価値反復サイクル数
alphaVectorCount	number	プルーニング後に保持されているアルファベクトル数
optimalAttackPath	string[]	最適な攻撃経路上のノード ID
optimalDefenseAllocation	object	セキュリティドメインごとの正規化された予算配分
beliefStates	array	最適なプレイにおける検知状態の確率
graphSummary.nodes	number	構築された攻撃グラフのノード総数
graphSummary.edges	number	構築された攻撃グラフのエッジ総数

synthesize_exploit_chains

フィールド	型	説明
attackSurfaceScore	number	攻撃対象領域の総合的な重大度スコア
chainCount	number	検出されたエクスプロイトチェーンの総数
criticalPath	object	コストが最も低い（CVSS が最も高い）エクスプロイトチェーン
criticalPath.path	string[]	エントリーポイントからターゲットまでのノード ID
criticalPath.totalCvss	number	チェーン上の CVSS スコアの合計
criticalPath.probability	number	推定成功確率
criticalPath.andNodes	string[]	すべての前提条件を必要とするノード（AND ロジック）
criticalPath.orNodes	string[]	いずれかの前提条件を必要とするノード（OR ロジック）
criticalPath.techniques	string[]	MITRE ATT&CK の手法 ID
criticalPath.estimatedTime	number	推定攻撃実行時間（時間）
averageChainLength	number	すべてのチェーンのステップ数の平均
maxCvssChain	number	すべてのチェーンにおける累積 CVSS の最大値
chains	array	CVSS コスト順に並べられた、最大10件のエクスプロイトチェーン

predict_vulnerability_emergence

フィールド	型	説明
baselineIntensity	number	バックグラウンドでの CVE 発生率 μ
currentIntensity	number	励起を含む現在の強度 λ(t)
hawkesParams.alpha	number	励起の大きさを表すパラメーター
hawkesParams.omega	number	べき乗則の減衰指数
hawkesParams.c	number	べき乗則のオフセットパラメーター
predictedEvents30d	number	今後30日間に予想される CVE 件数
predictedEvents90d	number	今後90日間に予想される CVE 件数
burstProbability	number	クラスタリングによるバーストイベントの発生確率
criticalVulnForecast	number	重大な脆弱性（CVSS ≥ 9.0）の CVE 件数予測
clusterSizes	number[]	観測された過去のクラスターサイズ
intensityTimeline	array	時間経過に伴う強度の減衰曲線

optimize_defender_allocation

フィールド	型	説明
defenderBudget	number	防御側のリソース単位
attackerBudget	number	攻撃側のリソース単位
battlefields	array	ドメインごとの配分と勝率
battlefields[].name	string	セキュリティドメイン名
battlefields[].defenderAlloc	number	配分された防御側の単位数
battlefields[].attackerAlloc	number	配分された攻撃側の単位数
battlefields[].defenderWinProb	number	この戦場における防御側の勝率
nashEquilibrium	object	ドメインごとのナッシュ均衡配分
defenderExpectedPayoff	number	ナッシュ均衡における防御側の期待利得
attackerExpectedPayoff	number	ナッシュ均衡における攻撃側の期待利得
dominatedStrategies	string[]	反復支配によって除外された戦略
iterations	number	架空プレイの収束までの反復回数

model_adaptive_adversary

フィールド	型	説明
optimalArm	string	敵対者が収束した攻撃手法
predictedNextAction	string	次の攻撃手法の予測
adaptationSpeed	number	ラウンド間で重みが集中する速度
regret	number	最良の固定戦略に対する累積リグレット
explorationRate	number	現在の探索確率
rounds	number	Exp3 シミュレーションのラウンド数
arms	array	手法ごとの重み、確率、報酬、選択回数

compute_lateral_movement_risk

フィールド	型	説明
epidemicThreshold	number	β_c = ⟨k⟩/⟨k²⟩の臨界伝播しきい値
currentBeta	number	現在の推定伝播率
supercritical	boolean	currentBeta > epidemicThreshold の場合は true（侵害が拡大）
meanDegree	number	ネットワークの平均次数 ⟨k⟩
meanSquareDegree	number	次数の二次モーメント ⟨k²⟩
expectedSteps	object	開始ノードごとの侵害までの期待ステップ数
absorptionProbabilities	object	各ソースから各ターゲットに到達する確率
highRiskPaths	array	侵害までの期待ステップ数に基づく上位10経路
fundamentalMatrixSize	number	N = (I-Q)^-1 の次元

assess_zero_day_tail_risk

フィールド	型	説明
gpdParameters.shape	number	GPD の形状パラメーター ξ（裾の重さ）
gpdParameters.scale	number	GPD の尺度パラメーター σ
gpdParameters.threshold	number	超過しきい値 u
var95	number	95パーセンタイルにおけるCVSSのバリュー・アット・リスク
var99	number	99パーセンタイルにおけるCVSSのバリュー・アット・リスク
cvar95	number	95%における条件付きVaR（期待ショートフォール）
cvar99	number	99%における条件付きVaR（期待ショートフォール）
maxObserved	number	データセットで観測されたCVSSスコアの最大値
tailIndex	number	裾の重さの指標（正の値はヘビーテールを示す）
portfolioRisk	number	ポートフォリオ全体のサイバーリスクスコア（0～1）
exceedanceProbabilities	array	深刻度のしきい値における P(X > x)
returnPeriods	array	深刻度の超過が発生するまでの期待日数

forecast_threat_landscape_evolution

フィールド	型	説明
ess	string[]	進化的に安定な戦略（侵入耐性のある手法）
emergingThreats	string[]	EMERGING に分類された手法
decliningThreats	string[]	DECLINING に分類された手法
replicatorConvergence	number	レプリケーター・ダイナミクスの収束度（0～1）
timeToEquilibrium	number	安定分布に至るまでの推定時間ステップ数
landscapeEntropy	number	手法の頻度分布のシャノンエントロピー
techniques	array	手法ごとの名前、頻度、適応度、フェーズ、成長率

自律型レッドチーム・インテリジェンスの料金はいくらですか？

各ツールはイベントごとの従量課金制です。ツール呼び出しが正常に開始された場合にのみ料金が発生します。料金は計算の複雑さによって異なります。

ツール	1回あたりの料金	10回	50回
simulate_attack_defense_posg	$0.045	$0.45	$2.25
synthesize_exploit_chains	$0.040	$0.40	$2.00
predict_vulnerability_emergence	$0.035	$0.35	$1.75
optimize_defender_allocation	$0.040	$0.40	$2.00
model_adaptive_adversary	$0.035	$0.35	$1.75
compute_lateral_movement_risk	$0.035	$0.35	$1.75
assess_zero_day_tail_risk	$0.035	$0.35	$1.75
forecast_threat_landscape_evolution	$0.030	$0.30	$1.50
8ツールによる完全評価（対象1件）	$0.295	—	—

MCP クライアントまたは Apify の組み込み利用額制限を使って、セッションごとの上限額を設定できます。サーバーは各ツールの実行前に eventChargeLimitReached を確認し、予算に達している場合は適切なエラーを返します。

Apify の無料プランには月額5ドル分のクレジットが含まれており、8ツールによる完全評価を16回、無料で実施できます。

これを、Recorded Future や Mandiant Advantage のような商用脅威インテリジェンス・プラットフォームと比較すると、定量的なモデリング機能がないアナリスト選定のフィードに、年間30,000～150,000ドルがかかります。

自律型サイバー・レッドチーム MCP の仕組み

フェーズ1 — データ集約（並列処理、60～150秒）

各ツール呼び出しでは、actor-client.ts の runActorsParallel() を介して、最大15件のアクター呼び出しを並列で実行します。各アクターには、ユーザーのクエリとアクターごとの maxResults 上限が渡されます。180秒のアクタータイムアウトにより、攻撃グラフの構築前に並列処理が完了します。個々のデータソースで障害が発生した場合も適切に処理され、そのソースは空の配列を返し、残りのシグナルからグラフが構築されます。

15のデータソースは、キルチェーン全体を網羅するよう選定されています。NVD と CISA KEV が脆弱性ノードを提供し、Censys と技術スタック検出が資産ノードを提供します。DNS と SSL がネットワーク境界を明らかにし、GitHub が有効なエクスプロイトコードを提示します。StackExchange と Hacker News は、エクスプロイト手法の実現可能性に関するコンテキストを提供します。OFAC と OpenSanctions は脅威アクターの帰属を扱い、FRED はリスク定量化のための経済的コンテキストを提供します。

フェーズ2 — 攻撃グラフの構築

scoring.ts の buildAttackGraph() は、15のすべてのソース出力を、型付きの VulnNode と AttackEdge 構造を持つ統一された AttackGraph に正規化します。ノードには、CVSS スコア、エクスプロイト可能性、影響、KEV フラグ、技術スタックのラベル、カテゴリ（侵入／ピボット／標的／情報流出）、検知難易度が含まれます。エッジには、手法名、成功確率、CVSS の重み、AND／OR の前提条件タイプが含まれます。シード値付きの mulberry32 PRNG（seed=42）により、入力が同一であればグラフ構築も決定的になります。生成された重み付き隣接行列が、以降のすべてのアルゴリズムを支えます。

フェーズ 3 — アルゴリズムの適用

各ツールは、同じ攻撃グラフに対して異なるアルゴリズムを適用します。

• POSG（ツール 1） — HSVI2 は信念空間の点を反復処理し、上下界の差が許容誤差を下回るまで値を計算します。各反復では、支配関係のチェックによってアルファベクトルを枝刈りします。収束した値は、無限期間の割引ゲームにおけるナッシュ均衡を表します。
• AND-OR A（ツール 2）* — 優先度付きキューで AND-OR グラフを探索します。ここでは f(n) = g(n) + h(n) であり、g は累積 CVSS コスト、h = 残りの CVSS の最大値を許容可能なヒューリスティックとして使用します。AND ノードはすべての前提条件が満たされた場合にのみ展開され、OR ノードは前提条件が 1 つでも満たされると展開されます。
• Hawkes 過程（ツール 3） — べき乗則カーネル λ(t) = μ + Σ_i α(1 + (t−t_i)/c)^(−(1+ω)) を、CVE のタイムスタンプデータから調整します。間引きシミュレーションにより、30 日および 90 日の予測用の標本経路を生成します。
• Colonel Blotto（ツール 4） — 架空プレイでは、各反復でセキュリティの戦場全体における現在の経験的な相手の分布に対して最適応答し、混合戦略がナッシュ均衡に収束するまで続けます。
• Exp3（ツール 5） — 指数重み更新 w_i(t+1) = w_i(t) × exp(η × r̂_i / K) と、重要度重み付き推定量 r̂_i = r_i / p_i により、敵対者の手法選択を追跡します。最適な学習率 η = √(2 ln K / T) は解析的に計算されます。
• 吸収マルコフ（ツール 6） — ガウス・ジョルダン法による逆行列計算で、Q が一過性状態間の部分行列となる N = (I−Q)^-1 を計算します。吸収行列 B = NR により、侵害確率が得られます。平均場理論に基づく流行閾値 β_c = ⟨k⟩/⟨k²⟩ により、超臨界の拡散が判定されます。
• GPD（ツール 7） — 確率加重モーメントを用いて、しきい値 u を超える CVSS 超過値に GPD パラメーター（形状 ξ、尺度 σ）を適合させます。P(X > x | X > u) = (1 + ξ(x−u)/σ)^(−1/ξ) により、VaR および CVaR の計算に使う超過確率が得られます。
• レプリケーター動学（ツール 8） — φ̄ = Σ_j x_j f_j が平均適応度となる dx_i/dt = x_i(f_i − φ̄) を、オイラー法で積分します。手法は成長率の符号と適応度のパーセンタイルによって分類されます。ESS 候補は摂動に対する安定性から特定されます。

フェーズ 4 — 応答のシリアル化

結果は json() ヘルパーを介して JSON にシリアル化され、content[0].type = 'text' の MCP CallToolResult として返されます。数値フィールドはすべて、読みやすさのために丸められます。呼び出し側がデータの豊富さを評価できるよう、graphSummary フィールドがすべての応答に追加されます。

最良の結果を得るためのヒント

1. テクノロジーとコンテキストを組み合わせてクエリする — 「apache log4j 2.14 corporate internal network」は「log4j」よりも豊富なグラフを構築します。クエリは15個すべてのアクターにそのまま渡されるため、具体性が各ソースで効果を発揮します。

2. predict_vulnerability_emergence を先回りして活用する — 最もリスクの高いテクノロジーコンポーネントに対して、毎週実行してください。burstProbability が0.6を超えたら、パッチチームを事前に配置しましょう。週1回の実行コストは$0.035で、緊急対応を防げる可能性があります。

3. 予算の検討では、POSGをBlottoより先に実行する — simulate_attack_defense_posg でゲームの値（攻撃者の優位性）を算出し、続いて optimize_defender_allocation でそれに対抗するための予算再配分を確認します。CISOレベルの議論では、両方の出力を合わせて提示してください。

4. テールリスクとHawkesのツールではmaxResultsを50以上に設定する — GPDのフィッティングとHawkesのキャリブレーションは、サンプル数を増やすと大幅に改善します。assess_zero_day_tail_risk と predict_vulnerability_emergence では、常にmaxResults: 50以上を使用してください。

5. forecast_threat_landscape_evolution を四半期ごとに実行する — レプリケーターダイナミクスにより、手法のライフサイクル段階がわかります。現在EMERGINGに分類される手法は、6～12か月後にはGROWINGになります。四半期ごとの予測により、次に主流となる手法への防御策を構築するためのリードタイムを2～3四半期確保できます。

6. WHOIS Domain Lookup と Website Tech Stack Detector を組み合わせる — これらのアクターはMCPのデータ集約に組み込まれていますが、先に単独で実行すると、8つのツールによる完全な評価の前に、対象が正しく特定されていることを検証できます。

7. 傾向分析のために結果をデータセットにエクスポートする — Apifyのデータセットストレージを使って、ツールの出力を継続的に保存します。simulate_attack_defense_posg の gameValue を月ごとに比較すると、攻撃対象領域の変化を客観的に測定できます。

他のApifyアクターとの組み合わせ

アクター	組み合わせ方
Website Tech Stack Detector	まずテクノロジースタックを検出し、特定したテクノロジーをクエリとして synthesize_exploit_chains に渡し、対象を絞ったエクスプロイトチェーン分析を行います
WHOIS Domain Lookup	サブドメインと登録データを列挙し、ドメインリストを simulate_attack_defense_posg に渡して、境界の攻撃対象領域をモデル化します
Company Deep Research	企業のインテリジェンスレポートを作成し、テクノロジーに関する記述を抽出して、特定した各テクノロジーに対して predict_vulnerability_emergence を実行します
Website Change Monitor	CISAの勧告ページとベンダーのセキュリティページを監視し、新しい勧告が検出されたらWebhook経由で synthesize_exploit_chains を実行します
Cyber Attack Surface Report	パッシブな攻撃対象領域の完全なレポートを実行し、その出力を compute_lateral_movement_risk に渡して、ネットワーク内の伝播を分析します
B2B Lead Qualifier	テクノロジースタックで見込み客をスクリーニングし、そのスタックに対して assess_zero_day_tail_risk を使用して、サイバーセキュリティ製品の有望な高リスク顧客を特定します
Company Due Diligence Report	assess_zero_day_tail_risk と forecast_threat_landscape_evolution でデューデリジェンスレポートを拡充し、買収に伴うサイバーリスクの項目を補強します

制限事項

• パッシブ分析のみ — このサーバーは、ターゲットのインフラストラクチャにパケットを送信することはありません。アクセスするのは、政府機関のレジストリ、証明書の透明性ログ、DNS、コミュニティデータベースから取得できる公開データのみです。公開されていない脆弱性を発見することはできません。
• 攻撃グラフの品質はデータソースの網羅性に左右されます — ニッチな技術や独自技術に関するクエリでは、NVD や GitHub のデータが少なくなり、攻撃グラフが小さく、モデルの出力の統計的信頼性が低くなる場合があります。graphSummary.nodes を確認してください。ノード数が 10 未満のグラフは慎重に解釈する必要があります。
• 数学的モデルは確率的であり、決定論的ではありません — POSG のゲーム値、Hawkes 予測、GPD の裾推定は、利用可能なデータに基づく統計的な出力であり、真の評価ではありません。これらはリスクを定量化するものであり、リスクを保証するものではありません。
• 実行時のエクスプロイト実行には対応していません — これは自動エクスプロイトフレームワークではありません。攻撃経路を特定して優先順位付けしますが、その実行には人間のレッドチームが必要です。
• 15 のデータソースにはそれぞれレート制限があります — トラフィックが多い時間帯には、個々のデータ提供元（特に Censys と GitHub）が、上流のレート制限により maxResults より少ない結果を返す場合があります。適切に処理されますが、グラフの密度が低下する可能性があります。
• Hawkes の較正には過去の CVE タイムスタンプが必要です — ニッチなクエリに対して NVD の検索結果が少ない場合、Hawkes モデルの較正に利用できる過去のデータが限られるため、基準強度の推定値にフォールバックします。
• GPD のフィッティングにはしきい値を超える超過値が必要です — しきい値（デフォルトは u = 7.0）を超える CVSS スコアが 5 件未満の場合、GPD の形状と尺度の推定値は信頼性が低くなります。maxResults: 50 に設定すると、この問題を軽減できます。
• 認証のバイパスや認証情報のテストは行いません — このサーバーは、システムへのログイン、デフォルトの認証情報のテスト、認証済みスキャンの実行を試みません。

インテグレーション

• Apify API — Python または Node.js アプリケーションから個々のツールを直接呼び出すか、REST 経由で MCP の応答を SIEM/SOAR パイプラインに統合します
• Webhooks — burstProbability または gameValue がしきい値を超えたときに、後続のアクション（PagerDuty アラート、Jira チケット、Slack 通知）をトリガーします
• Zapier — 脅威ランドスケープの予測を毎週スケジュールし、追跡用に Google Sheets または Notion データベースに結果を送信します
• Make — 複数ステップの自動化を構築します：ウェブサイトの変更を検出 → エクスプロイトチェーンの合成を実行 → 検出結果をセキュリティチケット管理システムに送信
• Google Sheets — 週次の VaR、CVaR、ゲーム値の指標をスプレッドシートにエクスポートし、取締役会向けのサイバーリスク報告に活用します
• LangChain / LlamaIndex — MCP ツールの出力を RAG パイプラインの構造化コンテキストとして使用し、AI を活用した脅威レポートの生成に役立てます

トラブルシューティング

攻撃グラフが空、または非常に小さい（graphSummary.nodes < 5） — クエリに対して、NVD と関連ソースから返された結果が少なかった可能性があります。より広範なクエリを試してください。バージョン番号を付けずにテクノロジー名を使用するか、「vulnerability」という語を追加してください。また、maxResults が 20 以上であることを確認してください。非常にニッチなテクノロジーの場合、maxResults の値にかかわらず、攻撃グラフは疎になります。

ツールが { "error": true, "message": "Spending limit reached" } を返す — ツールの実行前に、セッションごとのイベント課金上限に達しました。Apify アカウント設定または MCP クライアントのセッション設定で、課金上限を引き上げてください。これは安全機能であり、バグではありません。

応答に 3 分以上かかる — 上流の 15 個のアクターのうち、1 つ以上が 180 秒のタイムアウトに達しました。これは通常、Censys または GitHub の負荷が高いときに発生します。正常に完了したアクターのデータを含む結果は引き続き返されます。負荷の低い時間帯に再試行するか、maxResults を減らしてアクターの呼び出しを高速化してください。

POSG の出力で converged: false と表示される — HSVI2 は反復回数の上限内に収束しませんでした。攻撃グラフのノード数が多く、信念単体が大きい場合に発生します。返されたゲーム値は境界値であり、正確なナッシュ値ではありません。正確な数値としてではなく、傾向を把握するために結果を使用してください。

GPD の形状パラメーター ξ が極端な値（> 1 または < -0.5） — しきい値を超える値が非常に少なく、モーメント推定が不安定になっていることを示します。maxResults を 50 以上に増やし、クエリが重大度の高い既知の CVE を持つテクノロジーを対象としていることを確認してください。CVSS データでは、形状パラメーターが [−0.5, 0.5] の範囲にあるのが統計的に正常です。

責任ある使用

• このサーバーは、一般公開されている脆弱性データ、DNS レコード、証明書透明性ログ、およびコミュニティが生成したコンテンツのみを取得します。
• コンピューターシステムへの不正アクセスを計画、助長、または実行するためにこのツールを使用しないでください。一般公開データの受動的な分析は合法ですが、許可のない侵入テストは違法です。
• アセスメントを実施する際は、所属組織のセキュリティポリシーおよび適用されるコンピューター不正利用関連法（CFAA、Computer Misuse Act、EU NIS2）を遵守してください。
• 運用上の意思決定に使用する前に、有資格のセキュリティ専門家が結果を確認してください。
• 公開データを使用したセキュリティ調査の合法性に関するガイダンスについては、ウェブスクレイピングの合法性に関する Apify のガイドを参照してください。

よくある質問

無料プランの利用枠がなくなるまで、ツールを何回呼び出せますか？ Apify の無料プランには、月額 5 ドル分のクレジットが含まれています。1 回あたり 0.030～0.045 ドルの場合、個別のツール呼び出しを 111～166 回、または 8 つのツールを使った完全なアセスメントを 16～17 回（各 0.295 ドル）実行できます。クレジットは毎月リセットされます。

自律型のレッドチーム分析は、内部ネットワークのターゲットでも機能しますか？ ツールは任意のクエリ文字列で動作しますが、結果は一般公開されているデータに限られます。内部ネットワーク（192.168.x.x アドレスや内部ホスト名）の場合、NVD と Censys からは何も返されません。このツールは、インターネットに公開されたインフラストラクチャ、テクノロジースタック、既知の脅威アクター、CVE のカテゴリを対象とする場合に最も効果を発揮します。

手動で CVSS を検索するのとは何が違いますか？ CVSS の検索では、単一の CVE に対する単一の重大度スコアが得られます。この MCP は、15 のソースから複数ノードの攻撃グラフを構築し、そのグラフにゲーム理論、確率過程、極値統計を適用します。出力されるのは、攻撃者と防御者のゲーム値、最適な割り当ての推奨事項、AND-OR の前提条件を持つエクスプロイトチェーン、テールリスクの推定値であり、スコアの一覧ではありません。

コンプライアンスや監査の要件を満たすために、これを使用できますか？ 出力は、特に SOC 2、ISO 27001、NIST CSF のアセスメントにおけるリスク定量化のセクションなど、コンプライアンス業務の参考や補助として使用できます。ただし、正式な侵入テストや監査に代わるものではありません。通常、コンプライアンスフレームワークでは、明示的な書面による許可を得て、有資格の専門家が実施するテストが求められます。 Hawkes 脆弱性予測の精度はどの程度ですか？ Hawkes 過程は、特定のテクノロジーカテゴリにおける CVE 公開の時間的な集中を捉えます。予測は確率的なものです。predictedEvents30d: 8 は、モデルが 30 日間に約 8 件の CVE を予測していることを意味し、予測期間が長くなるほど不確実性も高まります。maxResults を大きくすると（較正に使える過去のタイムスタンプが増えるため）、また、記録された CVE が多いテクノロジーほど、精度が向上します。

CISA KEV、NVD、Censys のデータを照会することは合法ですか？ はい。NVD は米国政府の公開データベースです。CISA KEV は公開されている勧告カタログです。Censys はインターネットスキャンデータを公開リソースとして提供しています。この MCP が使用する 15 のデータソースはすべて、公開アクセスが可能です。詳しくは、Apify の法的ガイドをご覧ください。

Recorded Future のような商用脅威インテリジェンスプラットフォームとはどう違いますか？ Recorded Future などのプラットフォームは、アナリストが精選して人手でラベル付けした脅威インテリジェンスを、独自のダークウェブ情報源や HUMINT 情報源とともに提供します。この MCP は、オープンソースデータにゲーム理論、確率過程、極値理論などの数学的モデリングを適用します。両者は互いに補完し合います。アトリビューションや攻撃者のインテリジェンスには商用プラットフォームを、定量的なリスクモデリングやリソース配分にはこの MCP をご利用ください。

上流の 15 の Actor のいずれかが失敗した場合はどうなりますか？ runActorsParallel() 関数は Actor ごとにエラーを捕捉し、そのソースについて空の配列を返します。攻撃グラフは、残りのソースから構築されます。レスポンスの graphSummary には、実際に構築されたノードとエッジの数が反映されるため、データの完全性を確認できます。

同じターゲットに対して 8 つすべてのツールを並列実行できますか？ はい。各ツールは独立した MCP 呼び出しです。AI エージェントは 8 つすべてを並列で呼び出し、結果を集約できます。1 つのターゲットを並列で完全に評価する場合、費用は $0.295 で、60～180 秒で完了します（合計時間ではなく、並列データ取得のうち最も遅い処理時間に左右されます）。

simulate_attack_defense_posg の gameValue はどのように解釈すればよいですか？ gameValue は、0～1 の尺度で表される攻撃・防御ゲームのナッシュ均衡値です。1 は攻撃者が全面的に優位であることを、0 は防御側が全面的に優位であることを示します。値が 0.6 を超える場合、現在の攻撃対象領域と防御リソース配分において、攻撃者が構造的に優位であることを示します。optimalDefenseAllocation を使うと、予算の再配分によってゲーム値を最も低減できる箇所を特定できます。

この MCP を自律型 AI エージェントのパイプラインで使用できますか？ はい。これが主な想定用途です。このサーバーは Apify Standby モードで動作するため、コールドスタートの遅延なく、エージェントからの呼び出しにいつでも応答できます。LangChain agents、AutoGen、CrewAI、カスタムのエージェントループなど、MCP 互換のあらゆるエージェントフレームワークで動作します。

改善にご協力ください

問題が発生した場合は、Apify アカウントで実行の共有を有効にしていただくと、より迅速なデバッグに役立ちます。

1. Account Settings > Privacy に移動します
2. Share runs with public Actor creators を有効にします

これにより、問題発生時に実行の詳細を確認できるようになります。データを閲覧できるのは Actor の開発者のみで、一般公開されることはありません。

サポート

バグを見つけた場合や機能のリクエストがある場合は、この Actor のページにある Issues タブから課題を登録してください。カスタムのセキュリティ統合やエンタープライズ導入については、Apify プラットフォームを通じてお問い合わせください。