エージェント型 AI のユースケース: セキュリティ運用ワークフローをオーケストレートする

Last reviewed 2026-04-08 UTC

このドキュメントでは、セキュリティ オペレーション センター（SOC）で複雑な調査とトリアージ プロセスをオーケストレートするマルチエージェント型 AI システムのハイレベル アーキテクチャについて説明します。エージェント システムは、セキュリティ情報およびイベント管理（SIEM）システム、脅威インテリジェンス フィード、クラウド セキュリティ ポスチャー管理（CSPM）プラットフォーム、エンドポイントでの検出と対応（EDR）ソリューションなど、異なるセキュリティ システム間でワークフローをオーケストレートします。エージェント システムは、次のアクションを実行できます。

  • Google Security Operations からの重要なアラートを検索します。
  • Google Threat Intelligence を使用してアラートを拡充する。
  • サードパーティの CSPM ツールからアセットの構成ミスを検索する。
  • 人間参加型の承認を実装する。
  • サードパーティの EDR ツールから詳細なエンドポイント テレメトリーとプロセス実行履歴を取得して、侵害されたエンドポイントまたは不審なエンドポイントを調査します。

このアーキテクチャは、コンテキストの切り替えを減らし、オペレーターが単一のインターフェースを使用して複雑な多段階の調査を実行できるようにすることで、オペレーターの効率を向上させるのに役立ちます。

このドキュメントは、エージェント型 AI アプリケーションの設計、構築、実装、およびそれらのアプリケーションとクラウド環境の既存のセキュリティ システムとの統合を担当するアーキテクトとデベロッパーを対象としています。また、セキュリティ運用を監督し、脅威インテリジェンスを使用してプロアクティブな防御を行い、インシデントの検出、調査、対応のための堅牢な SecOps ワークフローを管理する SOC アナリストやシステム管理者も対象としています。このドキュメントでは、マルチエージェント システム、エージェント型ツールの使用、エージェント型オーケストレーションなど、エージェント型 AI のコンセプトに関する基本的な知識があることを前提としています。また、脅威インテリジェンスのユースケース、セキュリティ運用のワークフロー、一般的なセキュリティ ツールに精通していることも前提としています。脅威インテリジェンスと一般的なセキュリティ ツールの詳細については、脅威インテリジェンスのユースケースと例をご覧ください。

アーキテクチャ

要件に応じて、次のデプロイモデルを選択できます。

  • Cloud Run デプロイ: 基盤となるインフラストラクチャを管理することなく、エージェント アプリケーション全体、個々のコンポーネント、カスタムツールをスケーラブルな HTTP エンドポイントとしてデプロイできるフルマネージドのサーバーレス プラットフォーム。
  • Gemini Enterprise Agent Platform の Agent Runtime: 最小限の運用オーバーヘッドでエージェント アプリケーションをデプロイ、運用、スケーリングできる、フルマネージドでオピニオネイテッドなランタイム。

エージェント ランタイムの選択方法については、エージェント型 AI アーキテクチャのコンポーネントを選択するをご覧ください。

次のタブでは、Cloud Run のデプロイと Gemini Enterprise のデプロイを含む Agent Runtime を示すアーキテクチャ図を示します。

Cloud Run

次の図は、Cloud Run にデプロイされた SOC エージェント システムの詳細なアーキテクチャを示しています。

Cloud Run にデプロイされた SOC エージェント システムの詳細なアーキテクチャ。

このアーキテクチャには、次のコンポーネントが示されています。

Cloud Load Balancing
アプリケーション ロードバランサは、セキュリティ アナリストからの受信推論リクエストをエージェント システムにルーティングします。
Google Cloud Armor
構成済みのウェブ アプリケーション ファイアウォール（WAF）ルールに基づいてセキュリティ ポリシーを適用します。
Identity-Aware Proxy（IAP）
ゼロトラスト セキュリティ モデルを適用し、ユーザー ID を検証します。
Model Armor
Model Armor を使用すると、プロンプト、ツールのインタラクション、レスポンスを検査してサニタイズできます。基盤となる AI モデルに柔軟なセキュリティ管理を提供します。Cloud Run で実行されるカスタム エージェントの場合は、Model Armor API を使用して Model Armor を統合します。
エージェントの構成
Agent Development Kit（ADK）は、エージェントを構築してサーバーレス Cloud Run サービスとしてデプロイするのに役立つエージェント開発フレームワークです。このエージェント システムの内部アーキテクチャの詳細については、このドキュメントの後半のエージェント システム アーキテクチャをご覧ください。
AI モデル
推論を提供するために、このアーキテクチャのエージェントは Gemini Enterprise Agent Platform の AI モデルを使用します。
MCP サーバー

Model Context Protocol（MCP）は、ツールへのアクセスを容易にし、エージェントとツールの間のやり取りを標準化します。エージェント システムは、次の MCP サーバーを使用します。

使用するプロダクト

このアーキテクチャの例では、次の Google Cloud プロダクトとツールを使用します。

  • Cloud Run: Google のスケーラブルなインフラストラクチャ上でコンテナを直接実行できるサーバーレス コンピューティング プラットフォーム。
  • Cloud Load Balancing: 高パフォーマンスでスケーラブルなグローバル ロードバランサとリージョン ロードバランサのポートフォリオ。
  • Google Cloud Armor: ウェブ アプリケーション ファイアウォール（WAF）ルールを提供し、DDoS 攻撃やアプリケーション攻撃から保護するネットワーク セキュリティ サービス。
  • Identity-Aware Proxy（IAP）: アプリケーションと仮想マシンのゼロトラスト アクセス モデルを可能にするサービス。
  • Google Security Operations: セキュリティ チームがサイバー脅威を検出、調査、対応できるようにするセキュリティ運用プラットフォーム。
  • Google Threat Intelligence: セキュリティ脅威の特定、分析、軽減に対する包括的かつプロアクティブなアプローチを提供するセキュリティ ソリューション。
  • Google Cloud MCP サーバー: Model Context Protocol（MCP）を実装する Google マネージド リモート サービス。AI アプリケーションに Google と Google Cloud のプロダクトとサービスへのアクセスを提供します。
  • Gemini: Google が開発したマルチモーダル AI モデルのファミリー。
  • Gemini Enterprise Agent Platform: エンタープライズ グレードの AI エージェントを構築、スケーリング、管理、最適化できる包括的なプラットフォーム。
  • Agent Development Kit（ADK）: AI エージェントを開発、テスト、デプロイするための一連のツールとライブラリ。
  • Model Armor: 生成 AI リソースとエージェント型 AI リソースをプロンプト インジェクション、機密データの漏洩、有害なコンテンツから保護するサービス。

Gemini Enterprise を使用した Agent Runtime

次の図は、Gemini Enterprise を使用して Agent Runtime にデプロイされた SOC エージェント AI システムの詳細なアーキテクチャを示しています。

Gemini Enterprise を使用して Agent Runtime にデプロイされる SOC エージェント型 AI システムの詳細なアーキテクチャ。

アーキテクチャ図には、次のコンポーネントが示されています。

Gemini Enterprise
ユーザーは、Gemini Enterprise が提供するチャット アシスタントを介してエージェント システムとやり取りします。
エージェントの構成
Agent Development Kit（ADK）は、カスタム エージェントを作成し、Agent Runtime にデプロイして、Gemini Enterprise に登録するのに役立つエージェント開発フレームワークです。このエージェント システムの内部アーキテクチャの詳細については、このドキュメントの後半のエージェント システムのアーキテクチャをご覧ください。
AI モデル
このアーキテクチャのエージェントは、Agent Platform Model Garden の AI モデルを使用して推論を実行します。
Model Armor
企業の安全性とコンプライアンス ポリシーを適用するため、Model Armor は Google Cloud サービスと直接統合され、ユーザー プロンプトとモデル レスポンスのインライン検査とサニタイズを提供します。Gemini Enterprise と Agent Platform との組み込みインテグレーションにより、Model Armor はユーザーとマネージド エージェント間のやり取りを自動的にスクリーニングします。詳細については、Model Armor と Google Cloudサービスの統合をご覧ください。
MCP サーバー

Model Context Protocol（MCP）は、ツールへのアクセスを容易にし、エージェントとツールの間のやり取りを標準化します。エージェント システムは、次の MCP サーバーを使用します。

  • Google SecOps MCP サーバー: Google SecOps SIEM と Google SecOps SOAR のデータ（イベント、エンティティ、未加工ログ、ケースの詳細など）へのアクセスを提供する Google 管理の MCP サーバー。
  • Google Threat Intelligence MCP サーバー: Google Threat Intelligence へのアクセスを提供するローカル MCP サーバー。Google Threat Intelligence は、内部アラートをグローバルな攻撃者データと関連付け、SOC ワークフロー内で既知の悪意のあるインジケーターの特定を効率化します。
  • サードパーティの MCP サーバー: サードパーティ ベンダーが管理するコネクタ。外部のセキュリティ ツールとやり取りできます。

使用するプロダクト

このアーキテクチャの例では、次の Google Cloudプロダクトとツールを使用します。

  • Gemini Enterprise Agent Platform の Agent Runtime: 本番環境で AI エージェントを実行、管理、スケーリングできるプラットフォーム。
  • Gemini Enterprise: 企業内で AI エージェントをデプロイして管理するためのフルマネージドの安全なプラットフォーム。
  • Google Security Operations: セキュリティ チームがサイバー脅威を検出、調査、対応できるようにするセキュリティ運用プラットフォーム。
  • Google Threat Intelligence: セキュリティ脅威の特定、分析、軽減に対する包括的かつプロアクティブなアプローチを提供するセキュリティ ソリューション。
  • Google Cloud MCP サーバー: Model Context Protocol（MCP）を実装する Google マネージド リモート サービス。AI アプリケーションに Google と Google Cloud のプロダクトとサービスへのアクセスを提供します。
  • Gemini: Google が開発したマルチモーダル AI モデルのファミリー。
  • Gemini Enterprise Agent Platform: エンタープライズ グレードの AI エージェントを構築、スケーリング、管理、最適化できる包括的なプラットフォーム。
  • Agent Development Kit（ADK）: AI エージェントを開発、テスト、デプロイするための一連のツールとライブラリ。
  • Model Armor: 生成 AI リソースとエージェント型 AI リソースをプロンプト インジェクション、機密データの漏洩、有害なコンテンツから保護するサービス。

エージェント システムのアーキテクチャ

このセクションでは、前述の Cloud Run または Gemini Enterprise のデプロイ用のカスタム SOC エージェント システムのアーキテクチャについて説明します。複雑なセキュリティ ワークフローをオーケストレートするために、エージェントは階層型タスク分解パターンを使用します。選択したデプロイ方法に関係なく、エージェントの構成は一貫しています。

次の図は、エージェント システム アーキテクチャの詳細を示しています。 エージェント型 SecOps ワークフローの詳細なエージェント AI システム アーキテクチャ。

このアーキテクチャには、次のコンポーネントが示されています。

アプリケーション
ユーザーとやり取りするフロントエンド アプリケーション（チャット インターフェースなど）。アプリケーションは、Cloud Run または Gemini Enterprise の Agent Runtime を使用してデプロイできます。
エージェント

このアーキテクチャでは、次のエージェントを使用します。

  • ルート エージェント: ユーザーからリクエストを受け取るコーディネーター エージェント。ルート エージェントはユーザーのリクエストを解釈し、リクエスト自体を解決しようとします。タスクに専用のツールが必要な場合、ルート エージェントはリクエストを適切な専用エージェントに委任します。
  • 専門エージェント: ルート エージェントは、次の専門エージェントを呼び出します。
    • Tier 1 アナリスト: Google SecOps と関連するテレメトリー ソースをクエリして、アラートの詳細を取得し、影響を受けるアセットを特定して、ユーザー コンテキストを抽出します。
    • サイバー脅威インテリジェンス（CTI）リサーチャー: 特定のアラートに関連する脅威アクターの戦術を調査します。このエージェントは、脅威インテリジェンス プラットフォームにクエリを実行して、内部のセキュリティ侵害インジケーター（IOC）を既知の脅威アクター グループや文書化された戦術、手法、手順（TTP）と関連付けることで、アクティビティのリスク評価を提供します。

エージェント システム アーキテクチャ図は、2 つの SOC ペルソナを使用するアーキテクチャの例を示しています。特定のユースケースに応じて、他の SOC ペルソナをデプロイしたり、独自のカスタム ペルソナを作成したりできます。セキュリティ運用をより堅牢にするために役立つ SOC ペルソナの幅広いリストについては、SOC ペルソナをご覧ください。

RAG ナレッジ データベース
このデータベースは、検索拡張生成（RAG）のグラウンディング ソースを提供します。このデータベースは、エージェントにインシデント対応計画と AI ランブックを提供するために使用されます。AI ランブックは、エージェント スキルの形式の規範的なワークフローです。
アーティファクト サービス
調査レポートと証拠を Cloud Storage に保存するマネージド サービス。
メモリーバンク
カスタム メモリ トピックを保存し、エージェントがセッション間で環境と脅威のコンテキストを維持できるようにする永続的な状態管理システム。
AI モデル
推論を提供するために、このアーキテクチャのエージェントは Agent Platform で最新の Gemini モデルを使用します。
MCP サーバー
MCP サーバーは、ツールへのアクセスを容易にし、エージェントとツール間のやり取りを標準化します。エージェントとツールのペアごとに、MCP クライアントは MCP サーバーにリクエストを送信します。エージェントは、このサーバーを介してデータベース、ファイル システム、API などのツールにアクセスします。
エージェント ツール
これらのツールを使用すると、エージェントは、対応する AI ランブック、インシデント対応計画、以前のレポート、内部ドキュメント、ハンドブックなどのグラウンディング データを取得できます。
ADK
ADK は、エージェントの開発、テスト、デプロイを行うためのツールとフレームワークを提供します。 ADK はエージェント作成の複雑さを抽象化し、AI デベロッパーがエージェントのロジックと機能に集中できるようにします。

このアーキテクチャに示されているデータフローは次のとおりです。

  1. セキュリティ アナリストが、コーディネーター エージェントである SOC マネージャーにリクエストを送信します。たとえば、アナリストがケース #37 の調査リクエストを送信します。
  2. Cloud Run または Gemini Enterprise にデプロイされたアプリケーションが、リクエストを SOC マネージャーにルーティングします。
  3. SOC マネージャーは Gemini を使用してユーザーのリクエストを解釈します。
  4. SOC マネージャーは、次のタスクを実行してリクエストのコンテキストを収集します。
    1. RAG ナレッジ データベースにクエリを送信して、対応する AI ランブック、AI スキルの形式の規範的なワークフロー、インシデント対応計画を取得します。
    2. 以前のメモリを取得して、エージェント システムが同様のインシデントを分析したかどうかを特定します。
    3. アーティファクト サービスで、リクエストに関連する既存のレポートまたは証拠を確認します。
  5. SOC マネージャーは、Gemini と取得したコンテキストを使用して、リクエストを一連のサブタスクに分解し、適切なツールを特定します。
  6. SOC マネージャーは、Tier 1 アナリストやサイバー脅威インテリジェンス（CTI）リサーチャーなどの専門のサブエージェントにサブタスクを動的に指示します。
  7. 各サブエージェントは、割り当てられたサブタスクを実行するために次のアクションを実行します。
    1. Gemini を使用してタスクの目標を解釈する。
    2. RAG ナレッジ データベース、メモリ、アーティファクトから関連するコンテキストを取得します。
    3. MCP サーバーを使用して、回答をグラウンディングするために次の追加コンテキストを収集します。
      • 過去のレポート、内部ドキュメント、ハンドブックなどのナレッジ ドキュメント。
      • Google SecOps と Google Threat Intelligence のデータを使用するセキュリティ インテリジェンスとテレメトリー。
    4. Gemini と取得したコンテキストを使用して、検出結果を生成します。
    5. 調査結果を構造化された要約にまとめる。
    6. 中間レスポンスを SOC マネージャーに転送します。
  8. SOC マネージャーは、サブエージェントから中間レスポンスを受け取り、AI ランブックの要件に照らして調査結果を評価します。
    1. 検出結果が評価基準を満たしていない場合、SOC マネージャーはユーザーのリクエストの分析を繰り返し、サブタスクをサブエージェントに委任して追加のデータを収集します。この反復ループ中、SOC マネージャーは以前のコンテキスト チェーンを保持して、後続のツール呼び出しとサブエージェントの委任に情報を提供し、拡張します。SOC マネージャーは、検出結果が評価基準を満たすまで、このループを繰り返します。
    2. 検出結果が評価基準または終了条件（最大反復回数など）を満たしている場合、SOC マネージャーは次のアクションを実行します。
      1. Gemini を使用して、すべてのサブエージェントの調査結果を調査レポートに統合し、レポートを Artifact Service に保存します。
      2. Google SecOps MCP サーバーを使用して、結果をケースウォールに投稿します。
      3. 新しいメモリーを Agent Platform メモリーバンクに保存します。
  9. SOC マネージャーは、アーティファクト リンクとレポートの概要をセキュリティ アナリストに返します。

使用するプロダクト

このドキュメントのエージェント システム アーキテクチャでは、次の Google Cloudプロダクトとツールを使用します。

  • Google Security Operations: セキュリティ チームがサイバー脅威を検出、調査、対応できるようにするセキュリティ運用プラットフォーム。
  • Google Threat Intelligence: セキュリティ脅威の特定、分析、軽減に対する包括的かつプロアクティブなアプローチを提供するセキュリティ ソリューション。
  • Google Cloud MCP サーバー: Model Context Protocol（MCP）を実装する Google マネージド リモート サービス。AI アプリケーションに Google と Google Cloud のプロダクトとサービスへのアクセスを提供します。
  • Gemini: Google が開発したマルチモーダル AI モデルのファミリー。
  • Gemini Enterprise Agent Platform: エンタープライズ グレードの AI エージェントを構築、スケーリング、管理、最適化できる包括的なプラットフォーム。
  • Agent Development Kit（ADK）: AI エージェントを開発、テスト、デプロイするための一連のツールとライブラリ。
  • Model Armor: 生成 AI リソースとエージェント型 AI リソースをプロンプト インジェクション、機密データの漏洩、有害なコンテンツから保護するサービス。
  • Memory Bank: ユーザーとエージェントの会話に基づいて長期記憶を生成、改良、管理、取得する永続ストレージ サービス。
  • Cloud Storage: 低コストで無制限のオブジェクト ストア。さまざまなデータ型に対応しています。データには Google Cloudの内部および外部からアクセスでき、冗長性を確保するために複数のロケーションに複製されます。

フレームワーク、Agent Runtime、ツール、メモリ、設計パターンなど、エージェント型 AI システムの代替コンポーネントを選択する方法については、エージェント型 AI アーキテクチャ コンポーネントを選択するをご覧ください。

設計上の考慮事項

このセクションでは、このリファレンス アーキテクチャを使用して、セキュリティ、信頼性、費用に関する特定の要件を満たすトポロジを開発する際に考慮すべき設計要素、ベスト プラクティス、推奨事項について説明します。

このセクションのガイダンスはすべてを網羅しているわけではありません。設計要素とベスト プラクティスの詳細、およびマルチエージェント AI システムの構築とデプロイに関する推奨事項については、 Google Cloudのマルチエージェント AI システムをご覧ください。

セキュリティ、プライバシー、コンプライアンス

AI エージェントに固有のセキュリティ リスクに対処するため、Google は、決定論的なセキュリティ管理と動的な推論ベースの防御を組み合わせたアプローチを推奨しています。

  • 人間による監視: ビジネス クリティカルなシステムに人間参加型のフローを組み込み、人間の監督者がアウトプットを確認して、エージェントのアクションを承認、オーバーライド、一時停止できるようにします。
  • Agent Identity: 各エージェントにワークロードにバインドされた ID を割り当てて、最小権限のアクセス制御を適用し、外部ツールの認証情報を一元管理します。
  • Agent Gateway: Model Armor を使用して、上り（内向き）トラフィックと下り（外向き）トラフィックのガバナンス、デフォルト拒否アクセス ポリシー、インライン プロンプトとツールの検査を適用します。

  • Agent Registry: エージェントが承認済みのサブエージェントと MCP ツールにのみ接続することを確認します。

  • 認証環境: 環境間でシームレスな認証を実現するには、開発認証戦略からの移行を管理するようにデプロイ パイプラインを構成します。たとえば、ローカル実行のアプリケーションのデフォルト認証情報（ADC）から、本番環境でホストされているリモート MCP サーバー用に Identity and Access Management（IAM）が管理するサービス アカウントに移行する必要がある場合があります。

信頼性

エージェント構成が信頼性要件を満たすようにするには、次の推奨事項を考慮してください。

  • エージェントのスコープ設定: モデルの精度を向上させるには、各エージェントのハンドブックとシステム指示のスコープを設定します。
  • MCP スキーマの互換性: AI モデルがツール定義を誤って解釈し、誤ったツール呼び出しを行わないように、ツールスキーマをサニタイズします。JSON スキーマ $ref と $defs の自己完結型コンストラクトを作成し、大文字の型文字列を正規化します。

費用の最適化

エージェント構成がコスト要件を満たすようにするには、次の推奨事項を考慮してください。

  • エージェント ツールへのアクセス: トークンの消費を減らし、最小権限の原則を適用するには、必要に応じて異なるエージェントにツールのサブセットを提供します。
  • コンテキスト ウィンドウの管理: トークンの消費を最小限に抑えるため、プロンプトとツールの出力を簡潔に設計します。RAG リポジトリを使用し、エージェント スキルを使用してコンテキストをプリロードし、大規模なツール レスポンスを要約します。
  • プロンプトのキャッシュ保存: 入力トークンの費用を削減するには、システム指示、ペルソナ、ランブック、ツールスキーマなどの静的エージェント コンテンツをキャッシュに保存します。
  • モデルの選択: AI アプリケーションに選択するモデルは、費用とパフォーマンスの両方に直接影響します。エージェントのロールとタスクの要件に基づいて、エージェント システムで異なるモデルを選択します。複雑な推論やタスクの分解には、Gemini Pro などの思考モデルを使用します。小規模で直接的なタスクには、Gemini Flash などの高速で低コストのモデルを使用します。

デプロイ

カスタム SOC エージェントを提供するこのアーキテクチャのサンプル実装をデプロイするには、GitHub で入手できる Agentic SOC Gemini Enterprise のコードサンプルを使用します。

エージェントを次の順序で反復処理することをおすすめします。

  1. ADK ウェブを使用してローカルにデプロイする: プロトタイピングを加速し、エージェント ロジックを迅速に反復処理します。
  2. ローカル コンテナにデプロイする: 依存関係に一貫性のある、ポータブルで不変の環境を確保します。
  3. コンテナを Cloud Run または Agent Runtime にデプロイする: 効果的なセキュリティ運用を実現するためにエージェントをスケーリングし、アプリケーションを開発環境から本番環境に移行します。

次のステップ

寄稿者

著者:

その他の寄稿者: