AIサプライチェーンセキュリティとは?モデル、パッケージ、MCPツールを保護する
.webp)
Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
多くのチームはモデルのセキュリティを確保する一方で、その周辺のすべてを無視しています。プロバイダーの安全実績を評価し、ガードレールを調整し、APIエンドポイントをロックダウンする一方で、そのエンドポイントに実際に到達するコードパスは、同じ厳密さでレビューされていないサードパーティのパッケージ、SDK、ツールサーバーのスタックを経由して実行されています。そのスタックこそがAIサプライチェーンであり、2026年に実際のインシデントが多発した場所でもあります。
サプライチェーン攻撃は、モデル自体を破壊するものではありません。セキュリティコントロールがリクエストを検知する前に、モデルのコードが依存しているコンポーネントを破壊します。悪意のあるパッケージバージョンはpip install中に実行されます。侵害されたSDKはインポート時に環境変数を読み取ります。なりすましのMCPサーバーは、汚染されたツールの説明をエージェントに渡します。いずれの場合も、攻撃者はアプリケーションの権限をそのまま継承します。これには通常、アプリケーションが業務を実行するために付与されていたプロバイダーキー、クラウドの資格情報、社内ネットワークへのアクセス権が含まれます。
本記事では、AIサプライチェーンの攻撃面を一つずつ洗い出し、2026年に十分に文書化された公開インシデントを事例として取り上げ、被害半径を確実に小さくする対策を解説します。その中でも最も重要な対策は、プロバイダーのシークレットをパッケージをインストールするすべてのサービスに撒き散らすのではなく、統制された単一の層の背後に集約することです。
プロバイダーのシークレットを各パッケージのインストール環境ではなく、監査された単一のゲートウェイの背後に保管したいですか? デモを予約する。
AIサプライチェーンの攻撃面(サーフェス)ごとの解説
「サプライチェーン」とは、アプリケーションが推論を生成するために信頼しているあらゆる外部のリソースを意味します。攻撃面は5つあり、それぞれ異なる形で問題が発生します。
モデルの重み(Model Weights)。ダウンロードまたはファインチューニングのベースとなる重み。リスク:オープンリポジトリから取得した、改ざんされたチェックポイントやバックドアが仕込まれたチェックポイント、あるいは出所(プロベナンス)を検証できないチェックポイント。そのアーティファクトが名目通りのものであり、転送中や保管時に変更されていないことを前提に信頼している状態です。
プロバイダーとそのAPI。呼び出し対象となるホストされたモデルエンドポイント。リスク:侵害されたプロバイダーアカウント、漏洩したプロバイダーキー、あるいはプロバイダー自身が提供する依存関係。ここでのリスクは、主に認証情報とその分散範囲に起因します。
SDKとパッケージ。モデルを呼び出すためにインストールするクライアントライブラリおよびその間接依存関係(transitive dependencies)。リスク:パブリックレジストリに公開された悪意のあるバージョン、タイポスクワッティング、または乗っ取られたメンテナーのアカウント。このコードは自身のロジックが実行される前、多くの場合インストール時やインポート時にユーザーと同じ権限で実行されます。
MCPサーバーとツール。エージェントにツールを公開するModel Context Protocol(MCP)サーバー。リスク:悪意のあるサーバーやなりすましサーバー、汚染されたツールの説明、接続時にデータを過剰に収集するサーバー。エージェントは渡されたツールカタログを信頼しますが、デフォルトではそのカタログの送信元を検証する仕組みがありません。
プロンプトとプロンプトテンプレート。共有システムプロンプト、テンプレート、およびプロンプトライブラリ。リスク:共有テンプレートにコミットされた注入指示(インジェクション)、または実行時に信頼できないソースから取得されたプロンプト。これはコード層ではなく、指示層におけるサプライチェーンの侵害です。

主な事例:2026年のLiteLLMパッケージインシデント
パッケージ層がなぜ重要なのかを最も明確に示す例が、2026年に広く使用されているオープンソースLLM SDKであるLiteLLMに影響を与えた一連の公開インシデントです。これらは、パッケージサプライチェーン攻撃のメカニズムを説明するため、公式のアドバイザリで報告された事実に基づいて記載されています。特定のプロジェクトを非難することが目的ではありません。広く依存されているパッケージはすべてターゲットになり得るのであり、LiteLLMの普及率の高さこそが攻撃者にとって格好の標的となった理由です。
2026年3月:PyPI上の悪意のあるバージョン。PyPI(Python Package Index)に2つの悪意のあるリリース(バージョン 1.82.7 および 1.82.8)が公開されました。報告された根本原因は、プロジェクトの継続的インテグレーション(CI)パイプラインの侵害、具体的にはTrivyスキャンステップの脆弱性が悪用され、メンテナーのPyPI公開認証情報が盗まれたことでした。攻撃者はその認証情報を使用して、正当なプロジェクト名のもとで改ざんされたパッケージを公開しました。それらのバージョンに含まれるマルウェアは、インストールしたすべてのマシンから環境変数、SSHキー、クラウドの資格情報を収集し、バックドアをインストールしました。注目すべき点として、プロジェクトの公式Dockerイメージは攻撃者が制御できないパスでビルドおよび配布されていたため、影響を受けなかったと報告されています。PyPIでは汚染され、公式コンテナでは安全であったというこの結果の違い自体が教訓となります。つまり、侵害は特定の配布チャネルの認証情報に限定されていたということです。
2026年10月:盗まれたトークンによる悪意のあるリリース。その後のインシデントでは、盗まれたGitHubトークンを使用して悪意のあるリリース(バージョン 1.107.0)がプッシュされました。これはPyPIとDocker配布の両方に到達し、latestおよびmain-latestタグも含まれていたため、PyPIからインストールしたチームだけでなく、最新のコンテナを取得したチームも露出することになりました。攻撃ベクトルはCIスキャナーの侵害ではなく、盗まれたソース管理およびパブリッシュ用のトークンでしたが、パターンは同じでした。正当な認証情報を使用して、信頼された名前で不正なアーティファクトを公開するという手法です。
関連するCVE。パッケージの汚染イベントとは別に、同期間中にこのプロジェクトで複数の脆弱性が報告されました。少なくとも1つは非常に深刻で、米国CISAの悪用既知の脆弱性(KEV)カタログに追加された、APIキーの保持者によって悪用可能なリモートコード実行(RCE)の問題でした。もう1つの報告された問題は、任意のベアラートークンでMCPセッションを確立できるというもので、ツールパス上の認証バウンダリを弱体化させるものでした。
これらのインシデントを総合すると、パッケージ攻撃面の全貌が浮き彫りになります。インストールするコードはビルドやパブリッシュの認証情報の侵害を通じて汚染される可能性があり、ユーザーの権限で実行されてシークレットに直接アクセスします。そして、コードレベルの個別の脆弱性によって、パッケージ自体が本物であっても攻撃者に実行権限を与えたり、認証チェックをバイパスさせたりする可能性があるのです。

なぜインストールステップはこれほど危険なのか
汚染されたパッケージが一般的なアプリケーションのバグよりも悪質な理由は、そのタイミングと権限にあります。パッケージのインストールおよびインポートフックは、アプリケーションのロジックが実行される前に、インストール環境が保持しているあらゆる権限で動作します。典型的なAIサービスにおいて、その環境には攻撃者が喉から手が出るほど欲しいものが含まれています。プロバイダーのAPIキー、インスタンスのロールから得られるクラウド資格情報、SSHキー、そして社内サービス用のトークンなどです。悪意のあるコードは、アプリ内の脆弱性を探す必要すらありません。アプリがビルドまたは起動される瞬間にアプリとして実行され、アプリに委託されていたシークレットを読み取るのです。
これこそが、「シークレットをどこに保持するか」が被害を制限するための最も重要なアーキテクチャ上の決定である理由です。

TrueFoundryが集中型シークレットと監査によってAIサプライチェーンの被害半径をどのように最小化するかをご覧ください。デモを予約する。
サプライチェーンの攻撃ベクトルとしてのMCPツール
パッケージ層は以前から存在する攻撃面ですが、MCP層は新しい攻撃面です。しかし、その構造は同じです。エージェントは外部コンポーネントを信頼しており、その信頼はデフォルトではほとんど検証されていません。
エージェントがMCPサーバーに接続すると、サーバーはツールのセットをアピールします。各ツールには名前と、モデルにいつどのように使用すべきかを指示する自然言語による説明が付与されています。その説明は、モデルが処理する指示データそのものです。悪意のあるサーバーはこれを汚染することができます。ツールの説明に隠された指示を埋め込み、コンテキストの持ち出し、別のツールの呼び出し、またはセーフティルールの無視をエージェントに命令します。エージェントは怪しい点に一切気づきません。なぜなら、ツールの説明を読み取って信頼することこそがMCPの本来の仕組みだからです。これが「ツール汚染(Tool Poisoning)」であり、エージェントの指示層に対するサプライチェーン攻撃です。このメカニズムの詳細はMCPツールの汚染とゲートウェイによる防御で解説しています。
なりすましは問題をさらに複雑にします。接続しようとしているMCPサーバーが本物であることを証明する固有の信頼アンカー(Trust Anchor)が存在しません。周知の名前を不法占拠(スクワッティング)しているサーバーや、設定ミスのあるエンドポイント経由でアクセスされたサーバーは、正当なツールプロバイダーになりすまし、エージェントが送信したあらゆるデータを収集できます。検証されていないサーバー、過剰なツールのアクセス権限、データの過剰収集といったリスクの広範なカタログは、MCPセキュリティ:リスクとベストプラクティスおよびMCPサーバーセキュリティのベストプラクティスにまとめられています。
対策はパッケージの場合と同様です。すべてのエージェントが任意のツールサーバーに直接接続できるようにしないでください。サーバーの認証、アクセス可能なツールの統制、送信(egress)の制御、およびすべてのツール呼び出しの監査を行うMCPゲートウェイを経由してツールアクセスをルーティングします。エンタープライズMCPガバナンスを導入することで、ツールのサプライチェーンは、各エージェントが独自に発見するものではなく、組織が承認して監視するものへと変わります。
重要な5つの対策
上述のインシデントはすべて、同じ対策リストへと行き着きます。特殊な手法はありません。失敗の原因は、これらを怠ったことにあります。
1. 確実なバージョン指定(ピン留め)。litellm>=1.82や固定されていないlitellmではなく、litellm==1.82.6に依存するようにします。範囲指定による依存関係は、次のinstall実行時に、パブリッシュ認証情報を握っている者が5分前に公開したバージョンをサイレントに引き込んでしまう可能性を意味します。確実なピン留めとロックファイルを組み合わせることで、人間が更新をレビューするまで、悪意のある新しいリリースがビルドに混入するのを防ぐことができます。2026年3月のケースでは、汚染されたバージョンより前のバージョンにピン留めしていたチームは、自動的に巻き込まれることはありませんでした。
2. 出所(プロベナンス)の検証。アーティファクトが主張通りのものであるか確認します。チェックサムを検証し、エコシステムで提供されている場合は署名付きアーティファクトやビルド出所証明を優先し、より厳格な管理が行われている配布チャネルを選択します。LiteLLMの分割された結果(PyPIは汚染され、公式Dockerイメージは無事だった)は、強化された配布パスを選択し、取得するものを検証すべきだという具体的な根拠になります。
3. 疑わしい場合はすぐにシークレットをローテーション(無効化・更新)。インストールしたパッケージの関与が疑われる場合は、その環境で読み取り可能だったすべてのシークレット(プロバイダーキー、クラウドの資格情報、SSHキー、サービス用トークン)が侵害されたと仮定し、それらをローテーションします。ローテーションのスピードは、各シークレットが存在する場所の数によって制限されます。これが次の2つのポイントに直接つながります。
4. 被害半径(ブラストライディアス)の最小化。各コンポーネントには必要なシークレットと権限のみを与え、価値の高いシークレットを保持するコンポーネントのセットを可能な限り小さく保ちます。パッケージをインストールするビルドランナーが、本番環境のプロバイダーキーを保持するべきではありません。シークレットを読み取ることができる環境が少なければ少ないほど、汚染された依存関係を通じて攻撃者が到達できる範囲も狭まります。
5. プロバイダーのシークレットを統制された単一のゲートウェイ背後に集約。これは最も効果の高い構造的改革です。クライアントSDKをインストールするすべてのサービスにプロバイダーのAPIキーを分散させる代わりに、キーを1つのゲートウェイに保持し、アプリケーションには独自のスコープ定義された資格情報を使ってゲートウェイを呼び出させます。これにより、プロバイダーキーは監査された単一の層にのみ存在することになります。アプリケーション環境でSDKが汚染されても、攻撃者が見つけられるのはゲートウェイに対するアプリケーションスコープの資格情報だけであり、生のプロバイダーキーではありません。また、ゲートウェイの監査ログには何が呼び出されたかが正確に残ります。これがTrueFoundryが採用しているモデルです。プロバイダーのシークレットはAI Gatewayの背後に置かれ、アクセスはRBAC、SSO、およびSCIMによって統制され、すべてのリクエストはユーザー、チーム、モデルごとにタグ付けされて完全な監査ログに記録されます。
プロバイダーシークレットの保管場所による違い
このメリットを最も明確に理解する方法は、インシデント時に重要となる次元で、2つのアーキテクチャを直接比較することです。
この表は、ゲートウェイを導入すればパッケージの侵害が100%不可能になる、と主張しているわけではありません。重要なのは侵害が起きた「後」の話です。依存関係が汚染されるのは「万が一」ではなく「時間の問題」であり、その際にローテーションしなければならない量と攻撃者が取得できる情報は、シークレットが存在する場所の数によって決まります。目指すべきは「1箇所」です。
チームが陥りがちな誤り
モデルのセキュリティに固執し、依存関係ツリーを無視する。ガードレールの設定やモデルの選定に何週間も費やしながら、その下で固定もレビューもされていない依存関係グラフを実行してしまうケースです。パッケージがインストール時にキーを読み取れるのであれば、攻撃者はガードレールを破る必要すらありません。
公式コンテナとパッケージレジストリを同等に信頼する。2026年のインシデントは、これらが別々の認証情報を持ち、別々の結果をもたらす別個のチャネルであることを示しました。3月にはPyPIリリースが汚染され、公式Dockerイメージは無事でした。10月には両方に影響が及びました。どのチャネルから取得しているかを把握し、それぞれを独立して検証してください。
すべてのサービスにプロバイダーキーを分散配置する。「各アプリの環境変数にAPIキーを入れる」という手軽なパターンは、被害半径とローテーションの手間を最大化するパターンでもあります。すべてのコピーが、汚染された依存関係に読み取られるリスクを孕み、ローテーション時に忘れず更新しなければならない場所となります。
応答があったという理由だけでMCPサーバーを信頼する。エンドポイントで応答するサーバーが存在することは、それが意図したサーバーである証明にはなりません。また、ツールの説明はモデルが従う指示データです。認証も統制もないツール接続は、利便性ではなくサプライチェーンの攻撃面です。
ローテーションが遅い、または不完全。侵害が疑われた後、5箇所のうち4箇所でしかシークレットをローテーションしなかった場合、それはローテーションしたとは言えません。ローテーションに要する時間と完全性はアーキテクチャ設計に依存します。インシデントの最中ではなく、発生する前に計画を立ててください。
結論
AIサプライチェーンはモデル単体よりもはるかに広大であり、2026年に攻撃者が成果を上げたのはまさにこの場所でした。汚染されたパッケージはコントロールが作動する前に管理者権限で実行されます。なりすまされたMCPサーバーはエージェントが信頼するツールを汚染します。50のサービスのうち1つからプロバイダーキーが漏洩すれば、50回のローテーションと50箇所の露出ポイントが発生します。これらはどれもモデルの品質には影響しませんが、すべてが認証情報に直接影響します。
持続可能な防御策は派手なものではありません。バージョンを固定し、出所を検証し、ローテーションを徹底し、シークレットを保持する場所を極小化し、プロバイダーの認証情報を監査された単一のゲートウェイ背後に集約することです。これにより、次に依存関係が汚染された際の被害半径を構造的に限定できます。AIスタックが信頼しているすべての外部コンポーネントを攻撃面の一部として扱ってください。公開インシデントが証明した通り、それらはまさに攻撃面そのものなのですから。
モデル、パッケージ、MCPツールを単一のコントロールプレーンで保護します。デモを予約する。
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.






















