GitHub - TECH PLAY - TECH PLAY

TECH PLAY

GitHub

イベント

マガジン

技術ブログ

本ブログは 2026 年 11 月 13 日に公開された AWS Blog “ Amazon Threat Intelligence observes threat actors running cybercrime campaigns with ARTEX AI agents ” を翻訳したものです。 2026 年 10 月 3 日から 11 月 5 日にかけて、Amazon の MadPot (世界中に分散配置されたおとりの脅威センサーのネットワーク) は、AI エージェントからのリクエストを捕捉しました。このリクエストには、脅威アクターがオープンソースのエージェンティック AI ペネトレーションテストフレームワークである ARTEX 上で実行した攻撃キャンペーンに関するエージェントの運用メモリが含まれていました。ARTEX のエージェントは、広く利用されている大規模言語モデル (LLM) の推論 API に見えるように設定された MadPot センサーにこれらのリクエストを送信しており、リクエストにはエージェント自身によるキャンペーンの記録が含まれていました。 Amazon Threat Intelligence は、影響を受けた可能性のある AWS のお客様に関連する脅威アクティビティを評価し、必要に応じて通知しました。その他の組織に対するアクティビティについては確認が取れなかったため、影響を受ける技術を運用している組織が自社の環境を確認できるよう、本記事では調査結果と侵害指標 (IOC) を共有します。 ARTEX を使用したキャンペーンのうち最も顕著だったのは、AI モデルにアクセスするための認証情報を大規模に窃取するものでした。このキャンペーンは、盗んだキーでさらなる認証情報の探索を支える LLM 推論の費用を賄い、自律的に継続するよう組織されていました。もう 1 つのキャンペーンは、リアルタイムのディープフェイク注入を使用して、暗号資産取引所の本人確認 (KYC) を回避することを狙ったものでした。エージェントの記録を総合すると、エージェンティックフレームワークが実験的な利用の段階から、最小限の人的介入で動作する、持続的で複数の目的を持つ攻撃オペレーションへと進展していることがわかります。本記事では、エージェント自身によるキャンペーンの記述に基づいて、これらのキャンペーンがどのように運用されていたかを説明します。 帰属評価と指示 Amazon Threat Intelligence は、プロンプトで ARTEX のツールが参照されていることや、ARTEX に関連するその他の技術的なアーティファクトが見つかったことから、これらのキャンペーンで ARTEX が使用されたと中程度の確度で評価しています。脅威アクターは、ミッションの目標、標的選定のルール、運用上の制約を定めた常時適用される指示プロンプトによって、ARTEX のエージェントに指示を与えていました。エージェントは、これらの指示の範囲内で、作業そのものを自ら進めていました。ある認証情報窃取キャンペーンでは、オペレーターはエージェントに対し、あらかじめ決められた順序で国ごとに作業を進めること、個人のプロジェクトよりも企業の本番サイトを優先すること、盗んだすべての認証情報を、動作するかどうかとアクセスできる範囲によって格付けすることを指示していました。また、30 日を超えて公開状態にあった認証情報は、価値の低いインベントリとして扱うよう指示されていました。 Amazon Threat Intelligence はまた、プロンプトで簡体字中国語が使用されていること、中国のタイムゾーンが設定されていること、標的の選定が中国の利益に合致していること、主に中国関連の脅威アクターが使用するツールが用いられていることから、これらが複数の異なる中国関連の脅威グループによるものであると中程度の確度で評価しています。サンプルとして確認できた指示には、中国本土の標的や政府ドメインを除外するなどのレッドラインの設定が含まれており、すべてのアウトバウンドトラフィックをプロキシ経由にすることが求められていました。 MadPot はこれらのキャンペーンの内部をどのようにとらえたか MadPot は、潜在的な攻撃者に対して制御されたサービスを提示し、攻撃者がそれらをどのように発見し、テストし、侵害または悪用しようとするかを記録します。MadPot のテレメトリにより、Amazon Threat Intelligence は、お客様のワークロードを危険にさらすことなく攻撃者の行動を観察できます。今回は、MadPot センサーが、さまざまなポートで、広く利用されている LLM 互換のチャット補完インターフェイスを提示していました。エージェンティックフレームワークは、これらのインターフェイスを LLM 推論のバックエンドとして扱い、攻撃ワークフローの一部としてプロンプトを送信していました。 その結果得られたテレメトリには、これらのフレームワークが運用上の判断を下すために通常 LLM へ送信する、永続的なタスクコンテキスト、システムプロンプト、ツールの履歴、ナレッジグラフの状態、報告された調査結果が含まれていました。エージェンティックフレームワークは過去の会話の履歴を保持するため、個々のリクエストにキャンペーンの運用履歴全体が含まれていることがよくあります。その履歴には、捕捉されたリクエストの前や合間に、MadPot が監視していないシステム上で発生したアクティビティが記述されていました。Amazon Threat Intelligence は、そのアクティビティが発生した時点で観察したわけではなく、エージェントが報告した結果を検証することもできません。ただし、これらの記録から、脅威アクターが何を追求していたかがわかります。 アクティビティの大半では、ARTEX を使用して、永続的なナレッジグラフを共有するプランナー、ワーカー、検証担当、圧縮担当の各エージェントに作業を分担させていました。ナレッジグラフはオペレーションの共有メモリとして機能します。すべてのエージェントがそこから読み取り、結果を書き戻すため、各エージェントは他のエージェントが作業を終えたところから続きを進められます。エージェントの記録には、AI アプリケーションプラットフォームやその他のワークロードにまたがる数百の標的に対する、偵察、脆弱性テスト、認証情報の窃取、クラウド権限の拡大、暗号資産詐欺の試行が記述されていました。これらの記録は、脅威アクターがエージェンティック AI フレームワークを使用して、金銭目的の持続的な攻撃オペレーションをどのように組織しているかを示しています。 キャンペーン 1: AI の認証情報を大規模に窃取 このキャンペーンでは、脅威アクターは AI エージェントを使用して、AI モデルへのアクセスを許可する API キーやその他の認証情報を盗んでいました。その目的は、他の誰かに料金を負担させたまま、それらのモデルを利用することだったとみられます。エージェントの記録によると、盗んだキーはフレームワーク自体のモデルゲートウェイに投入され、さらに多くのキーを探すエージェントを動かすために使われていました。AI モデルのアクセスキー以外にも、クラウドの認証情報は、さらなるアクセスへの入り口として扱われていました。エージェントは、各プロバイダーのトークンサービスと ID サービスを通じて ID を検証し、ストレージを列挙し、権限の範囲を評価したうえで、マネージド AI モデルサービス、シークレットストアとパラメータストア、アプリケーションの ID を狙っていました。エージェントは、一般的なクラウド権限よりも、プレミアムクラスのフロンティアモデルへのアクセスを優先していました。 エージェントの記録には、それぞれ異なる AI ゲートウェイ、キー、モデルの使用が残されていましたが、いずれも共通の手法を用いていました。それは、インターネットに公開されている AI アプリケーションを見つけ、そこに保存されているアップストリームプロバイダーのキーを抽出し、それらのキーを検証して、管理対象のプールに保存するというものです。エージェントは、プロバイダーのキーを集約しているアプリケーションに注力していました。脆弱な管理インターフェイスが 1 つあるだけで、多数のダウンストリームアカウントが露出する可能性があるためです。標的には、One API、New API、Veloera、Sub2API、LiteLLM などの LLM ゲートウェイやプロキシプラットフォーム、および Dify、FastGPT、Langflow、RAGFlow、Open WebUI、LobeChat、Ollama などの AI アプリケーションビルダーが含まれていました。体系化された脆弱性プレイブックでは、フィンガープリントで特定した各製品が既知の攻撃チェーンに対応付けられていました。その攻撃チェーンには、乗っ取り可能な未初期化のインストール済み環境、匿名でアクセスできる管理エンドポイントとプロバイダー設定エンドポイント、LiteLLM のデフォルトのマスターキーなどのデフォルトの管理者認証情報、CVE-2025-3248 (Langflow)、CVE-2026-28797 (RAGFlow)、One API ファミリーのシステムにおける isCliRequest ヘッダーによる認証バイパス、URL 取得機能を介したクラウドメタデータサービスへのサーバーサイドリクエストフォージェリ (SSRF)、クライアントサイドの JavaScript、ソースマップ、デバッグルート、環境ファイルに残されたシークレットが含まれていました。 これらのキーを見つけるために、探索にはインターネットスキャンサービス、証明書の透明性 (Certificate Transparency)、公開コードやアーティファクトのソースが利用されていました。具体的には、GitHub のリポジトリとイベントアーカイブ (自動失効の対象外となったシークレットを狙ったもの)、npm と PyPI の tar アーカイブ、コンテナイメージのレイヤー、ノートブック、モデルホスティングスペース、ペーストサイト、Telegram チャネルです。並行して行われていたあるオペレーションでは、あらかじめ決められた順序で国ごとに作業を進め、企業の本番サイトを優先し、すべての認証情報を格付けしていました。L1 は手がかり、L2 は API コールが実際に動作することを確認できたもの、L3 は読み取り可能なデータや使用可能な残高など、影響を定量化できたものです。30 日を超えて公開状態にあったキーは、価値の低いインベントリとして扱われていました。 キャンペーン 2: ディープフェイクによる本人確認の突破 このキャンペーンでは、脅威アクターは AI エージェントを使用して、2 つの暗号資産取引所の KYC をディープフェイクで突破しようとしていました。エージェントの記録によると、ライブのセルフィー確認を通過するためにリアルタイムのディープフェイク動画を生成し、書類確認を通過するために本人確認書類の写真を偽造していました。 記録には、ライブネスチェックに対する綿密な手法が記述されています。ライブネスチェックとは、デジタルシステムを操作している人物が、撮影時にその場にいる実在の生きた人間であることを確認するセキュリティ手法です。エージェントは、あるベンダーのライブネスプロトコルを詳細にリバースエンジニアリングし、そのプロトコルが送信する顔検出のイベントストリーム、確認中に顔の位置を追跡する方法、ユーザーにどこへ動くかを伝えるために使用する座標系を文書化していました。記録された中で最良の試行では、顔を目標位置から 7 ピクセル以内に収めた状態で、動作シーケンス全体を完了していました。それでも、エージェントが記録したすべての試行で、ディープフェイクはベンダーのサーバーサイドでの判定によって拒否されました。並行して、別のセッションでは、オープンソースの顔アニメーションモデルを使用し、1 台のコンシューマーグレードの GPU 上でリアルタイムのディープフェイク動画パイプラインを構築していました。モデルを分割し、GPU 上での不要なメモリコピーを避けることで、ライブ動画確認で期待されるフレームレートに近い毎秒 11.5 フレームを達成しました。 エージェントは本人確認書類にも取り組んでいました。本人確認ベンダーは、書類の写真が編集された形跡や、書類そのものではなく画面を撮影した画像である形跡を探します。これらのチェックを通過するために、エージェントは、画像の寸法が JPEG ファイル内の実際の値と一致する合成カメラメタデータを作成し、編集した画像を再保存すると通常は置き換えられてしまう元のカメラの圧縮テーブルを保持したと記録していました。その結果、ファイルレベルでは未加工のカメラ写真のように見える、改変された画像が作られます。 このキャンペーンは、ARTEX が 1 つの目標に向けて複数のワークストリームをどのように実行するかも示しています。少なくとも 4 つのエージェントセッションが同時に実行されていました。1 つは換金方法を探し、1 つはアカウント残高を空にする作業に取り組み、1 つはディープフェイク動画パイプラインを構築し、1 つは本人確認の回避を実行していました。これらは、セッション間で連携するツールを通じて、調査結果を共有し、タスクを引き継いでいました。 防御側にとっての意味 これらのキャンペーンで使用された手法に、新しいものはありませんでした。AI エージェントが変えるのは、攻撃の速度と継続性です。エージェントは、基本的なセキュリティ対策が欠けている環境で成功を収めていました。具体的には、デフォルトまたはハードコードされた認証情報、コードや公開アーティファクトに残されたキー、認証が設定されていないインターフェイスや推論エンドポイント、パッチが適用されていないソフトウェアなどです。こうした基本的な対策を適切に実施することが、依然として最も効果的な防御です。 攻撃が高速かつ継続的に行われることを踏まえ、組織は、露出したシークレットや設定ミスがすぐに発見されるものと想定し、それに応じて修復する必要があります。また、AI アプリケーション、モデルゲートウェイ、推論エンドポイントを、他の本番システムと同じコントロールの下に置き、予期しない支出や異常な使用状況を手がかりに、AI サービスの不正使用を監視する必要があります。 IOC IOC 値 IOC タイプ 初回観測日 最終観測日 注記 104.28.225[.]223 IPv4 2026-10-17 2026-10-19 キャンペーン 1 31.22.91[.]156 IPv4 2026-10-14 2026-10-19 キャンペーン 1 150.136.38[.]110 IPv4 2026-10-31 2026-10-31 キャンペーン 1 128.242.115[.]131 IPv4 2026-10-31 2026-10-31 キャンペーン 1 216.176.239[.]231 IPv4 2026-11-02 2026-11-02 キャンペーン 1 212.107.28[.]51 IPv4 2026-10-14 2026-10-14 キャンペーン 2 103.142.140[.]158 IPv4 2026-10-17 2026-10-17 キャンペーン 2 104.28.251[.]98 IPv4 2026-10-18 2026-10-18 キャンペーン 2 104.28.251[.]99 IPv4 2026-10-18 2026-10-18 キャンペーン 2 104.28.219[.]97 IPv4 2026-10-18 2026-10-18 キャンペーン 2 125.103.213[.]41 IPv4 2026-10-18 2026-10-19 キャンペーン 2 ご質問がある場合は、 AWS re:Post で新しいスレッドを開始するか、 AWS サポート までお問い合わせください。 CJ Moses CJ Moses は、Amazon Integrated Security の CISO です。この役職で、CJ は Amazon 全体のセキュリティエンジニアリングとオペレーションを統括しています。セキュリティのメリットを享受することが最も負担の少ない選択肢となるようにすることで、Amazon のビジネスを支援することがミッションです。CJ は 2007 年 12 月に Amazon に入社し、Consumer CISO や、直近では AWS CISO などのさまざまな役職を務めた後、2023 年 9 月に Amazon Integrated Security の CISO に就任しました。 Amazon に入社する前、CJ は米国連邦捜査局 (FBI) のサイバー部門で、コンピュータおよびネットワークへの侵入に関する技術分析を主導していました。また、米国空軍特別捜査局 (AFOSI) で特別捜査官も務めました。CJ は、今日のセキュリティ業界の基礎となったとみなされているコンピュータ侵入の調査をいくつも主導しました。 CJ はコンピュータサイエンスと刑事司法の学位を持ち、SRO GT America の GT2 クラスで活躍する現役のレーシングカードライバーでもあります。 本ブログは Security Solutions Architect の 中島 章博 が翻訳しました。
2026 年 11 月 11 日、Amazon Web Services (AWS) のローカルエミュレーターであり、マシン上で実行できる AWS Emulator を発表しました。 AWS コマンドラインインターフェイス (AWS CLI) 、 AWS SDK 、およびコーディングエージェントは、ラップトップからクラウドで使用するのと同じ AWS API を使用して、ローカルの HTTPS エンドポイントを介して通信します。AWS エミュレータには追加のサービス料金はかかりません。AWS にデプロイする場合、料金は AWS リソースに対してのみ発生します。そのソースは GitHub にあります。Linux では RPM または Debian パッケージからインストールし、macOS と Windows では Docker で実行します。 仕組み エミュレータをインストールして起動し、ツールをローカルエンドポイントに向けます。AWS Emulator が起動すると、独自の認証情報、設定ファイル、および証明書が生成され、 ~/.aws/emulator/9297/ に書き込まれます。AWS SDK が AWS ではなくラップトップと通信するように環境変数を設定すると、アプリケーションコードは変更されません。 そこから、既存のテスト、CLIスクリプト、およびコーディングエージェントは、これまでのように機能し続けます。 Amazon DynamoDB テーブルを作成し、項目を書き込み、それを読み戻すユニットテストも同じテストであり、デプロイなしでマシン上で実行されます。コーディングエージェントは、リージョンへのデプロイを待たずに、リソースを作成し、結果を確認し、繰り返し処理を行うことができます。 エミュレータは Rust で実装されているため、ラップトップの CPU とメモリをあまり使用しません。GitHub の AWS API モデルリポジトリに API モデルがある AWS サービスの API をサポートし、それらのモデルから構築されているため、AWS SDK が使用するものと同じモデルで、リクエストや返されるエラーは AWS と同じ形になります。 開発者、特に Kiro や Claude Code などのコーディングエージェントを扱う開発者であれば、このループを使用して、本当に複雑な AWS インタラクションをローカルでテストできます。 試してみましょう はじめに、 Amazon Linux 2023 にパッケージをインストールしました。このパッケージは aws-emulator コマンドを /usr/bin/ に追加するので、このコマンドはパス上にあります。 PKG=https://downloads.aws.com/aws-emulator/packages/aws-emulator/LTS/latest sudo dnf install -y $PKG/aws-emulator-x86_64.rpm aws-emulator -v macOS と Windows では、ドキュメントに記載されている短い Dockerfile から Docker イメージを作成し、コンテナーでエミュレーターを実行します。既製のイメージは公開しません。 aws-emulator でエミュレータを起動しました。 127.0.0.1:9297 で HTTPS を提供するので、自分のコンピューターしかアクセスできず、アドレス、設定ファイル、証明書ファイルを示す JSON 行としてログを書き込みます。 aws-emulator 別のターミナルで、AWS CLI をエミュレータに向ける環境変数を設定し、実際の AWS 認証情報を提供できる変数を設定解除しました。 export AWS_ENDPOINT_URL=https://127.0.0.1:9297 export AWS_SHARED_CREDENTIALS_FILE=~/.aws/emulator/9297/emulator_credentials export AWS_CONFIG_FILE=~/.aws/emulator/9297/config export AWS_EC2_METADATA_DISABLED=true export AWS_DISABLE_HOST_PREFIX_INJECTION=true export AWS_REGION=us-east-1 export AWS_DEFAULT_REGION=us-east-1 unset AWS_ACCESS_KEY_ID AWS_SECRET_ACCESS_KEY AWS_SESSION_TOKEN AWS_PROFILE エミュレータは、起動するたびに新しいキーを生成します。アクセスキー ID は EMULATOR で始まるため、実際の AWS キーと間違えることはなく、他のキーで署名されたリクエストは拒否されます。シェルがエミュレータと通信していることを確認するために、ヘルスエンドポイントと呼び出し元の ID を確認しました。エミュレータは、 000000000000 という単一のアカウントを使用します。 curl --cacert ~/.aws/emulator/9297/ca.pem https://127.0.0.1:9297/__admin/health aws sts get-caller-identity 次に、バケットを作成し、小さなオブジェクトにコピーしてリストしました。 $ aws s3 mb s3://local-getting-started make_bucket: local-getting-started $ echo "hello from the emulator" > hello.txt $ aws s3 cp hello.txt s3://local-getting-started/ アップロード: ./hello.txt から s3://local-getting-started/hello.txt $ aws s3 ls s3://local-getting-started/ AWS CLI をラップトップに向けて、すでに使用しているのと同じコマンドと、それらに応答するローカルエンドポイントを使用できました。 次に、実際の作業方法を確認したかったので、エミュレータがまだ実行されている状態で Kiro を開いて、Amazon DynamoDB テーブルを作成し、項目を書き込み、読み戻すように依頼しました。これらはすべて、AWS アカウントではなく AWS Emulator に対して行われます。 kiro> ローカルの AWS Emulator (このシェルでは環境変数が すでに設定されています) を使用して、 文字列キー "id" を持つ DynamoDB テーブル "kiro-demo" を作成し、 アイテム {id: "item-1", msg: "hello from kiro"} を格納した後、 get-item コマンドでそれを読み出してください。 $ aws dynamodb create-table --table-name kiro-demo \ --attribute-definitions AttributeName=id,AttributeType=S \ --key-schema AttributeName=id,KeyType=HASH \ --billing-mode PAY_PER_REQUEST $ aws dynamodb put-item --table-name kiro-demo \ --item '{"id": {"S": "item-1"}, "msg": {"S": "hello from kiro"}}' $ aws dynamodb get-item --table-name kiro-demo --key '{"id": {"S": "item-1"}}' 既存のテストスイートで同じセットアップを使用するには、エミュレータを起動し、テストを実行するスクリプトに同じ環境変数を設定し、通常どおり実行します。 処理中のエミュレータの使用 エミュレータをローカルプロセスとして実行すると、環境変数を通じて AWS CLI および AWS SDK と連携する HTTPS エンドポイントが得られます。一部の SDK では、エミュレータ証明書を信頼するための追加設定が必要です。たとえば、 AWS SDK for Java のトラストストアなどです。テストには、2 つ目の選択肢があります。AWS Emulator には、ネットワーク経由で別のサーバーと通信するのではなく、テストプロセス内で直接インスタンス化し、HTTP クライアントを介して SDK に接続する組み込みモードが付属しています。各組み込みインスタンスは独自の状態を保持するため、テストはバケット、テーブル、またはキューを共有せず、それらの多くを並行して実行できます。埋め込みモードは AWS SDK for Rust で使用できます。GitHub から aws-emulator-embedded クレートを取得し、 Cargo.toml ファイルの [dev-dependencies] セクションに追加します。次の例では、Amazon DynamoDB テーブルを作成し、項目を書き込み、それを読み込みます。これらはすべてプロセス内で行われます。 use aws_emulator_embedded::{AwsEmulatorEmbedded, EmbeddedOptions}; use aws_sdk_dynamodb::types::{ AttributeDefinition, AttributeValue, BillingMode, KeySchemaElement, KeyType, ScalarAttributeType, }; #[tokio::test] async fn put_then_get_returns_the_item() { let emulator = AwsEmulatorEmbedded::new(EmbeddedOptions::default()); let config = aws_config::defaults(aws_config::BehaviorVersion::latest()) .http_client(emulator.http_client()) .region(aws_config::Region::new("us-east-1")) .credentials_provider(emulator.aws_credentials_provider()) .load() .await; let ddb = aws_sdk_dynamodb::Client::new(&config); ddb.create_table() .table_name("emulator-demo-table") .attribute_definitions( AttributeDefinition::builder() .attribute_name("id").attribute_type(ScalarAttributeType::S) .build().unwrap()) .key_schema( KeySchemaElement::builder() .attribute_name("id").key_type(KeyType::Hash) .build().unwrap()) .billing_mode(BillingMode::PayPerRequest) .send().await.unwrap(); ddb.put_item() .table_name("emulator-demo-table") .item("id", AttributeValue::S("item-1".into())) .item("msg", AttributeValue::S("hi".into())) .send().await.unwrap(); let got = ddb.get_item() .table_name("emulator-demo-table") .key("id", AttributeValue::S("item-1".into())) .send().await.unwrap(); assert_eq!(got.item().unwrap().get("msg").unwrap().as_s().unwrap(), "hi"); } エミュレータをローカルプロセスとして実行する場合、AWS と同じように、すべてのリクエストに Signature Version 4 (Sigv4) で署名する必要があります。また、スクリプトまたはコンテナが準備が整うまで待ってからテストを実行できるように、同じポートに /__admin/health エンドポイントを公開します。デフォルトでは、匿名の使用状況データやエラーデータも送信されますが、オフにすることもできます。 忠実度の測定方法 エミュレーターは、それに対して合格したテストが AWS にも合格する場合にのみ役立ちます。そのため、その一致度を忠実度テストで直接測定します。忠実度テストは、AWS SDK を使用してオブジェクトの保存、読み取り、削除などのワークフローを実行し、AWS の動作を確認する短いプログラムです。各忠実度テストを実際の AWS と照合して検証します。忠実度テストに合格するのは、ステータスコード、本文、正確なエラーコードとメッセージを含むすべての呼び出しへの応答と、ワークフローが作成するリソースとデータについて、エミュレータが AWS と一致する場合のみです。 リリースごとに、各サービスで合格したフィデリティテストの数を n 件中 k 件として公開しています。たとえば、50 件中 40 件ということは、サービスの 50 件のフィデリティテストのうち 40 件が合格したことを意味します。まだ合格していないものも含めて、一連の忠実度テストは GitHub の aws-emulator-evaluation-suite リポジトリで公開されているため、検証内容を確認して自分で忠実度テストを実行できます。スコアは、改善傾向にある製品のスナップショットとして読み取ることができます。忠実度テストを追加すると、エミュレータが改善されてもスコアが下がることがあります。 エミュレータがまだ操作を実装していない場合、HTTP 501 (Not Implemented) が返されるため、テストはすぐに失敗します。エミュレータの動作が AWS と異なる場合は、GitHub の AWS Emulator リポジトリでイシューを開いてお知らせください。 エミュレータの構築方法 AWS Emulator は、 Amazon Bedrock AgentCore ランタイムインスタンス、 AWS CodePipeline 、および AWS CodeCommit を使用して AWS API モデルのエージェントによって構築および保守されているため、これらのモデルが変更されても AWS で最新の状態に保たれます。 あるエージェントグループは、エミュレータの応答を実際の AWS と比較したり、エミュレータのコードを公開されている Smithy モデルと静的に比較したりしてギャップを探し、見つかったギャップごとに問題を報告します。別のグループが問題を取り上げてテストを書き、動作を実装し、変更の正確性、パフォーマンス、およびセキュリティを確認します。変更の準備が整うと、ソースリポジトリにプッシュされ、そのプッシュにより AWS CodePipeline の実行がトリガーされ、変更がパブリック GitHub リポジトリに公開される前に忠実度テストが実行されます。 安全に保つ方法 コードはエージェントによって記述されるため、独立したセキュリティエージェントが変更を敵対的にレビューします。修正が行われている間も、リリースパイプラインで何かが出荷される前の最終チェックとしても同様です。 お客様自身が使用する場合のセキュリティは、引き続き共同の責任です。エミュレータは、お使いのマシン上で安全に動作するように構築されています。デフォルトでは自分のコンピュータでのみリッスンし、独自のキーで署名されていないリクエストは拒否されます。実行場所、入力するデータ、本番前のテスト方法を決定できます。アプリケーションが安全かどうかをテストするためにエミュレータを使用しないでください。 AWS のアイデンティティとアクセス管理 (IAM) ポリシーやリソースベースのポリシーは AWS のように評価されないため、AWS が拒否したリクエストはエミュレータで成功する可能性があります。本番環境に移行する前に、実際の認証情報をテストジョブの環境から外し、セキュリティ設定とアプリケーション全体を AWS でテストしてください。 今すぐ利用可能 AWS エミュレータは11 月 11 日に一般公開されました。追加のサービス料はかかりません。AWS にデプロイする場合、料金は AWS リソースに対してのみ発生します。Linux の RPM または Debian パッケージからインストールしたり、macOS や Windows の Docker で実行したり、ソースからビルドしたりできます。環境変数を設定すると、AWS SDK や AWS CLI と連携して動作します。発売時には、いくつかの制限があります。AWS のように IAM ポリシーを評価することはなく、各エミュレータは単一のアカウントとして機能し、クロスアカウントやクロスリージョンの動作はありません。AWS との一致度は、サービスや機能によって異なります。使用しているサービスをエミュレータがどの程度カバーしているかを確認するには、AWS Emulator ドキュメントの忠実度スコアを確認してください。 リージョンの可用性を確認したい場合は、AWS Builder Center の「 リージョン別の AWS 機能 」ページを参照してください。API を呼び出したり、ドキュメントを検索したり、リージョンごとの提供状況を確認したり、この新機能に関するトラブルシューティングを確認したりする場合は、お好みの AI ツールで AWS MCPサーバー と プラグイン を使用してみてください。 開始するには、AWS Emulator のドキュメントを参照してください。 原文は こちら です。
本記事は 2026 年 3 月 4 日 に公開された「 Embed AWS Quick chat agents in enterprise applications 」を翻訳したものです。 対話型 AI を導入する組織は、2 つの大きな課題に直面する場合があります。1 つ目は、ユーザーが別のツールではなく、普段利用している CRM やサポートコンソール、分析ポータルの中で答えを得たいという点です。2 つ目は、セキュアなチャットをアプリケーションに埋め込むには、認証、トークン検証、ドメインのセキュリティ、グローバル配信のインフラストラクチャを作り込む必要があり、開発に数週間かかることもあるという点です。 AWS Quick の 埋め込みチャット は、1 つ目の課題の解決に役立ちます。対話型 AI をアプリケーションに直接組み込めるので、ユーザーはツールを切り替えずに、構造化データへの問い合わせ、ドキュメントの検索、アクションの実行ができます。 本記事では、2 つ目の課題を解決する方法として、Quick の Embedding SDK を利用してチャットエージェントを企業ポータルに埋め込む、ワンクリックでデプロイできるソリューションを紹介します。 ソリューションの概要 このソリューションは、埋め込みチャット用のセキュアなウェブポータルをデプロイします。グローバルなコンテンツ配信には Amazon CloudFront 、 OAuth 2.0 認証には Amazon Cognito 、REST API エンドポイントには Amazon API Gateway 、サーバーレスな API 処理には AWS Lambda 、Quick との ID 連携には OpenID Connect (OIDC) フェデレーションを利用します。 セキュリティは多層防御で実装しています。CloudFront での DDoS 対策、 オリジンアクセスコントロール によってフロントエンドのアセットへの直接アクセスを防ぐプライベートな Amazon Simple Storage Service (Amazon S3) バケット、API Gateway での AWS WAF によるレート制限、そして Amazon Cognito の公開鍵を利用した JSON Web Token (JWT) の署名検証です。署名を検証したうえで、最小権限の AWS Identity and Access Management (IAM) 権限で、ユーザーごとの有効期限付き埋め込み URL を生成します。 ソリューションのアーキテクチャを次の図に示します。 処理の流れは次のとおりです。 ユーザーがウェブポータルの URL にアクセスすると、リクエストは CloudFront にルーティングされます。 CloudFront はオリジンアクセスコントロールを利用して、プライベートな S3 バケットから HTML、CSS、JavaScript のファイルを取得します。 ウェブアプリケーションは有効な認証トークンがあるかを確認し、未認証のユーザーを OAuth 2.0 ログイン用の Amazon Cognito のホストされた UI にリダイレクトします。 ユーザーが Amazon Cognito のログインページで認証情報を入力すると、Amazon Cognito が認証情報を検証し、1 回限り有効な認可コードを付けて CloudFront の URL にリダイレクトします。 アプリケーションは認可コードを取り出し、API Gateway の API を HTTPS で呼び出します。この呼び出しは AWS WAF のレート制限を通過します。 API Gateway は認可コードを渡して Lambda 関数を呼び出します。 Lambda 関数は Amazon Cognito の OAuth トークンエンドポイントをサーバー間の HTTPS で呼び出し、認可コードを JWT (ID トークン、アクセストークン、リフレッシュトークン) と交換します。 Lambda 関数は、Amazon Cognito の公開鍵である JSON Web Key Set (JWKS) を利用して ID トークンの暗号署名を検証します。Lambda 関数は、JWKS をスレッドセーフな方法でキャッシュします。 デコードした JWT の例を次に示します。 {"at_hash": "abcdefifB5vH2D0HEvLghi", "sub": "12345678-abcd-1234-efgh-123456789012", "email_verified": true, "iss": "https://cognito-idp.us-east-1.amazonaws.com/us-east-1_EXAMPLE123", "cognito:username": "12345678-abcd-1234-efgh-123456789012", "origin_jti": "abcd1234-5678-90ef-ghij-klmnopqrstuv", "aud": "1a2b3c4d5e6f7g8h9i0j1k2l3m", "event_id": "a1b2c3d4-e5f6-7890-abcd-ef1234567890", "token_use": "id", "auth_time": 1704063600, "exp": 1704067200, "iat": 1704063600, "jti": "abcdef12-3456-7890-abcd-ef1234567890", "email": "user123@example.com"} Lambda 関数は、検証済みの ID トークンを利用して AWS Security Token Service (AWS STS) の AssumeRoleWithWebIdentity API を呼び出し、IAM ウェブ ID ロールを引き受けて一時的な AWS 認証情報を受け取ります。 Lambda 関数は一時的な認証情報で Quick の ListUsers API を呼び出してユーザーの存在を確認し、続いて GenerateEmbedUrlForRegisteredUser API を呼び出して、ドメイン制限付きのセキュアな埋め込み URL を生成します。 Lambda 関数は、 クロスオリジンリソース共有 (CORS) ヘッダー付きの JSON レスポンスで埋め込み URL を返します。レスポンスは API Gateway を経由して CloudFront に届きます。埋め込み URL の例を次に示します。 {"ChatEmbedUrl": "https://us-east-1.quicksight.aws.amazon.com/embedding/abcdefe827dd4ef8b4e1fb921db046c4/quick/chat?code=Abcdef....&identityprovider=quicksight&isauthcode=true", "user": "user123@example.com"} CloudFront 上のアプリケーションは、Quick の Embedding SDK で埋め込みコンテキストを作成し、セキュアなクロスオリジン通信を利用して HTML の iframe 内にチャットインターフェイスを表示します。 ソリューションは、大まかに次の手順でデプロイできます。 AWS Cloud Development Kit (AWS CDK) でサーバーレスインフラストラクチャをデプロイする。 Amazon Cognito と Quick にユーザーをプロビジョニングする。 Quick のアセット (チャットエージェントと、関連する接続やナレッジベース) を共有する。 ウェブポータルにアクセスして Quick のチャットエージェントを利用する。 前提条件 本記事のソリューションをデプロイするには、次のものが必要です。 AWS アカウント 認証方法が パスワードベース または シングルサインオン の Quick のサブスクリプション AWS CDK CLI AWS SDK for Python (Boto3) ソリューションのデプロイに必要な権限を持つ AWS CLI プロファイル 。Quick の名前空間の一覧取得、IAM ロールの作成、および CloudFront ディストリビューション、S3 バケット、API Gateway REST API、AWS WAF ウェブアクセスコントロールリスト、Lambda 関数、Amazon Cognito ユーザープールといった AWS リソースの作成の権限が必要です。 Node.js 20 以降 jq 1.7 以降 起動済みの Docker Desktop AWS CDK でサーバーレスインフラストラクチャをデプロイする 次の手順で、AWS CDK を利用してサーバーレスインフラストラクチャをデプロイします。 GitHub リポジトリ をクローンします。 git clone git@github.com:aws-samples/sample-quicksuite-chat-embedding.git cd sample-quicksuite-chat-embedding インフラストラクチャをデプロイします。 ./setup.sh AWS リージョンコード、AWS CloudFormation のスタック ID とポータルのタイトル、AWS CLI プロファイルの入力を求められます。 Amazon Cognito と AWS Quick にユーザーをプロビジョニングする 次の手順で、Amazon Cognito と Quick にユーザーをプロビジョニングします。 Amazon Cognito ユーザープールに Amazon Cognito ユーザーを作成します。 python scripts/create_cognito_user.py --profile <aws-profile> <cognito-user-email> Quick にフェデレーションユーザーを作成します。 python scripts/create_quicksuite_user.py --profile <aws-profile> <cognito-user-email> AWS Quick のチャットエージェントを共有する 次の手順で、Quick のチャットエージェントを共有します。 Author Pro ロールを持つ認証情報で Quick のコンソールにサインインします。 ナビゲーションペインで チャットエージェント を選択します。 共有したいエージェント (例: AnyCompany Ecom order assistant) を選択し、 共有 を選択します。 先ほど作成したユーザー名 (例: user123@example.com) を検索します。 共有 を選択します。 エージェントをすべての機能で利用できるようにするには、エージェントの共有後に、エージェントに紐付いた各リソースも個別に共有する必要があります。 ウェブポータルにアクセスして AWS Quick のチャットエージェントを利用する 次の手順で、ウェブポータルにアクセスしてチャットエージェントの利用を開始します。 Amazon Cognito から送信される検証メールで、一時パスワードを確認します。 ウェブブラウザで CloudFront の URL にアクセスし、ユーザー ID と一時パスワードでログインします。 初回ログイン時に、パスワードの変更を求められます。 ログインに成功すると、チャットインターフェイスに My Assistant が表示されます。 接続先のリージョンを選択し、Quick のカスタムチャットエージェントに接続します。 自分に共有されたチャットエージェントを表示するには、 Filter の下にある Shared with me を選択します。 利用するエージェントを選択して、チャットを開始します。 次のスクリーンショットは、カスタマーサービス担当者がチャットで操作する例です。担当者は、電話で本人確認を済ませたお客様の依頼を受けて、サンプルのオンライン注文を追跡し、返品を処理しています。 クリーンアップ 次のコマンドで、デプロイした AWS リソースを削除します。 ./cleanup.sh まとめ このソリューションは、対話型 AI を大規模に埋め込む際の主な課題に対応します。具体的には、世界各地から同時にアクセスする数千人のユーザーの認証をセキュアに処理し、充実した監査証跡を備えたエンタープライズレベルのセキュリティを保ち、インフラストラクチャのプロビジョニングを自動化してデプロイを簡単にします。ポータルのブランディングのカスタマイズ、セキュリティポリシーの調整、既存の ID プロバイダーとの統合もできます。従量課金のまま、数千人の同時ユーザーまで自動でスケールします。 このソリューションを試すには、 GitHub リポジトリ をクローンし、ワンクリックでインフラストラクチャ一式をデプロイして、Quick のチャットエージェントを埋め込んでください。 著者について Satyanarayana Adimula AWS Generative AI Innovation & Delivery の Senior Builder です。20 年以上にわたるデータと分析の専門知識を活かし、エージェント型 AI システムの構築を専門としています。大企業が複雑なワークフローを自動化し、意思決定を速め、測定可能なビジネス成果を上げられるよう支援しています。 翻訳は Solutions Architect の 守田 凜々佳 が担当しました。

動画

書籍