メインコンテンツへジャンプ
ログイン
      • Databricks を知る
        • For App Developers
          • エグゼクティブ向け
            • スタートアップ向け
              • レイクハウスアーキテクチャ
                • Databricks AIリサーチ
                • 導入事例
                  • 注目の導入事例
                  • パートナー
                    • パートナー概要
                      Databricks パートナー エコシステムの詳細
                      • パートナースポットライト
                        注目のパートナーの発表
                        • パートナープログラム
                          特典、レベル、パートナーになる方法をご覧ください
                          • クラウドプロバイダー
                            AWS、Azure、GCP 上の Databricks
                            • パートナーを探す
                              ニーズに合った Databricks パートナーを見つける
                              • パートナーソリューション
                                業界別および移行ソリューションを見つける
                              • Databricks プラットフォーム
                                • プラットフォームの概要
                                  データ・分析・AI のための統合プラットフォーム
                                  • データエンジニアリング
                                    バッチ、ストリーミングデータのための ETL とオーケストレーション
                                    • AIアシスタント
                                      ビジネスユーザー向けのエージェント型同僚
                                      • データウェアハウジング
                                        バッチ、ストリーミングデータのための ETL とオーケストレーション
                                        • アプリケーション開発
                                          安全なデータと AI アプリを迅速に構築
                                          • データベース
                                            データアプリと AI エージェントのための Postgres
                                            • 人工知能(AI)
                                              ML と生成 AI アプリケーションの構築とデプロイメント
                                              • ガバナンス
                                                データ・分析・AI のための統合ガバナンス
                                                • BI
                                                  実世界データのインテリジェント分析
                                                  • セキュリティ
                                                    AI時代のために構築されたオープンなエージェント型SIEM
                                                    • 顧客データプラットフォーム
                                                      Databricksに組み込まれたエージェント型CDP
                                                      • 共有
                                                        データ、分析、AI のためのオープンなデータ共有
                                                      • 統合とデータ
                                                        • マーケットプレイス
                                                          データ、分析、AI のためのオープンマーケットプレイス
                                                          • IDE 統合
                                                            お気に入りの IDE(統合開発環境)でレイクハウスを構築
                                                            • パートナーコネクト
                                                              Databricks エコシステムの検索と統合
                                                            • ご利用料金
                                                              • Databricks のご利用料金
                                                                料金設定、DBU、その他
                                                                • コスト計算ツール
                                                                  クラウド利用でのコンピュートコストの試算
                                                                • オープンソース
                                                                  • オープンソーステクノロジー
                                                                    プラットフォームを支えるイノベーションをもっと詳しく
                                                                  • 業界向け Databricks
                                                                    • テレコミュニケーション
                                                                      • メディア・エンターテイメント
                                                                        • 金融サービス
                                                                          • 官公庁・公共機関
                                                                            • 医療・ライフサイエンス
                                                                              • リテール・消費財
                                                                                • 製造
                                                                                  • 全て見る
                                                                                  • クロスインダストリーソリューション
                                                                                    • AI Agents
                                                                                      • AI ガバナンス
                                                                                        • サイバーセキュリティ
                                                                                          • マーケティング
                                                                                          • 移行・デプロイメント
                                                                                            • データの移行
                                                                                              • プロフェッショナルサービス
                                                                                              • ソリューションアクセラレータ
                                                                                                • ソリューションアクセラレータ一覧
                                                                                                  成果を加速
                                                                                                • トレーニング・認定試験
                                                                                                  • トレーニング概要
                                                                                                    ニーズに合わせたカリキュラムを探す
                                                                                                    • Databricks アカデミー
                                                                                                      Databricks ラーニングプラットフォームにサインインする
                                                                                                      • 認定
                                                                                                        スキル・認定で差別化を図る
                                                                                                        • 無料版
                                                                                                          専門家向けデータとAIツールを無料で学べます
                                                                                                          • 大学との連携
                                                                                                            Databricks を教材として活用
                                                                                                          • イベント
                                                                                                            • DATA+AI サミット
                                                                                                              • Data+AI ワールドツアー
                                                                                                                • AI Days
                                                                                                                  • イベントカレンダー
                                                                                                                  • ブログ・ポッドキャスト
                                                                                                                    • Databricks ブログ
                                                                                                                      最新情報、製品発表、その他の情報
                                                                                                                      • AI ブログ
                                                                                                                        当社のAI研究とエンジニアリングの取り組みをご覧ください
                                                                                                                        • Data Brew ポッドキャスト
                                                                                                                          ご相談・お問い合わせ
                                                                                                                        • お役立ちリソース
                                                                                                                          • カスタマーサポート
                                                                                                                            • ドキュメント
                                                                                                                              • コミュニティ
                                                                                                                              • もっと詳しく
                                                                                                                                • リソースセンター
                                                                                                                                  • デモセンター
                                                                                                                                    • アーキテクチャ センター
                                                                                                                                    • 企業概要
                                                                                                                                      • Databricks について
                                                                                                                                        • 経営陣
                                                                                                                                          • Databricks Ventures
                                                                                                                                            • ご相談・お問い合わせ
                                                                                                                                            • 採用情報
                                                                                                                                              • 採用情報概要
                                                                                                                                                • 求人情報
                                                                                                                                                • プレス・ニュース記事
                                                                                                                                                  • ニュースルーム
                                                                                                                                                    • 受賞歴と業界評価
                                                                                                                                                    • セキュリティと信頼
                                                                                                                                                      • セキュリティと信頼
                                                                                                                                                  • 是非ご検討ください!
                                                                                                                                                  • デモを見る
                                                                                                                                                  • ログイン
                                                                                                                                                  • ご相談・お問い合わせ
                                                                                                                                                  • Databricks 無料トライアル
                                                                                                                                                  1. すべてのブログ
                                                                                                                                                  2. /
                                                                                                                                                    AI
                                                                                                                                                  • はじめに
                                                                                                                                                  • 背景
                                                                                                                                                  • 実験設計
                                                                                                                                                  • 目的
                                                                                                                                                  • 敵対的ペイロード
                                                                                                                                                  • テストしたモデル
                                                                                                                                                  • 機能プロファイルアーキテクチャ
                                                                                                                                                  • 結果
                                                                                                                                                  • 機能プロファイルなしの場合
                                                                                                                                                  • 機能プロファイルありの場合
                                                                                                                                                  • プロファイルのトリガー
                                                                                                                                                  • 考察
                                                                                                                                                  • 失敗モードの分析
                                                                                                                                                  • 構造的ギャップ
                                                                                                                                                  • 失敗モードの予測可能性
                                                                                                                                                  • コストへの影響
                                                                                                                                                  • 本番環境での検証
                                                                                                                                                  • 悪性セット
                                                                                                                                                  • 良性セット
                                                                                                                                                  • 検出
                                                                                                                                                  • 限界と制限事項
                                                                                                                                                  • 結論
                                                                                                                                                  • 付録
                                                                                                                                                  • 参考文献
                                                                                                                                                  • はじめに
                                                                                                                                                  • 背景
                                                                                                                                                  • 実験設計
                                                                                                                                                  • 目的
                                                                                                                                                  • 敵対的ペイロード
                                                                                                                                                  • テストしたモデル
                                                                                                                                                  • 機能プロファイルアーキテクチャ
                                                                                                                                                  • 結果
                                                                                                                                                  • 機能プロファイルなしの場合
                                                                                                                                                  • 機能プロファイルありの場合
                                                                                                                                                  • プロファイルのトリガー
                                                                                                                                                  • 考察
                                                                                                                                                  • 失敗モードの分析
                                                                                                                                                  • 構造的ギャップ
                                                                                                                                                  • 失敗モードの予測可能性
                                                                                                                                                  • コストへの影響
                                                                                                                                                  • 本番環境での検証
                                                                                                                                                  • 悪性セット
                                                                                                                                                  • 良性セット
                                                                                                                                                  • 検出
                                                                                                                                                  • 限界と制限事項
                                                                                                                                                  • 結論
                                                                                                                                                  • 付録
                                                                                                                                                  • 参考文献
                                                                                                                                                  AI
                                                                                                                                                  2026年10月16日

                                                                                                                                                  バイナリのブラインドスポットの解消:npmパッケージにおけるLLMマルウェアトリアージのためのドメイン知識の注入

                                                                                                                                                  によって Databricks Threat Research による投稿

                                                                                                                                                  はじめに

                                                                                                                                                  パッケージレジストリに対するサプライチェーン攻撃は、その量と洗練度の両面で増大しています[1]。パブリックな研究では、スパムキャンペーン[2]からDPRKマルウェアの着実な拡散[3, 4, 5]、2025年および2026年の影響力の大きいTeamPCP[6, 7]に至るまで、多様な脅威アクターによってnpmレジストリにマルウェアが展開されていることが定期的に観察されています。DPRKやTeamPCPのアクターは、ダウンストリームへのリーチを極大化するために広く使用されているオープンソースプロジェクトの侵入に成功してきた実績を持っています[8]。

                                                                                                                                                  この問題を直接調査するため、私たちは2025年11月以降npmマルウェアのサンプルを収集してきました。OSVのnpmマルウェアアドバイザリ[9]を通じてスキャンおよび裏付けを行った11,413個のパッケージバージョンにおいて、npmレジストリ上のほとんどのマルウェアはペイロードをパッケージソース内に隠すか外部サーバーから取得しており、確認されたデータセットの96.2%を占めていました。残りの3.8%(432個のパッケージバージョン)はバイナリをバンドルしていました。数量としてはわずかですが、トリアージ中に不均衡に大きなリスクをもたらす可能性があります。ツールが読み取るソースコードを持たないストリップされた不透明なバイナリは、クリーンなソースとメタデータの外観の中にネストされている可能性があり、LLMを良性の判定へと偏らせる可能性があります。

                                                                                                                                                  私たちは、難読化とあいまいさのレベルが異なる巧妙に作成されたバイナリペイロードに対して複数のLLMがどのように推論するかを評価し、このベクトルに特有の失敗モードを特定し、低価格モデルとフロンティアモデルの双方で検出品質を向上させる目的別かつ費用対効果の高いドメイン知識のエンコーディングによってそれらの課題を解決します。

                                                                                                                                                  背景

                                                                                                                                                  より広範な研究コミュニティを支援するため、私たちはnpmレジストリをリアルタイムで監視し、LLMによるトリアージの前に静的ステージを実行するスキャナーを構築しました。このスキャナーは、ターボールに対してYARA [10]、JavaScriptおよびメタデータに対してSemgrep [11]とnpmレジストリAPI、コンパイル済みアーティファクトに対してバイナリ解析モジュールを実行します。出力を構造化プロンプトに組み立て、LLMは推論根拠とともに判定を返し、最大3ラウンドにわたって追加ファイルを要求します。

                                                                                                                                                  当社の分析では、バイナリがバンドルされたパッケージはパイプラインによるトリアージにおいて最も稀であり、かつ最も困難であることが判明しました。悪意のあるJavaScriptを配布する攻撃者は、ターゲットがペイロードを実行するためのランタイムをすでに持っていると想定できますが、バイナリは多様なターゲットマシン向けにコンパイルされている必要があります。OSVで確認されたnpmマルウェア全体において、バイナリを含むパッケージが明確な悪性判定に至らない割合は、ソースのみのパッケージの2倍以上(14.4%対6.2%)でした。

                                                                                                                                                  先行研究では、専門家が作成したデータでオープンソースモデルを指示チューニングし、重みに知識を焼き込んでいます[12]。このアプローチはクローズドなホスト型モデルには適用できず、脅威状況の変化に伴って再学習が必要になります。私たちは逆のアプローチを採り、モデルが推論する前に事前計算された静的エビデンスとしてプロンプト内に配置することで、推論時に専門知識を提供します。

                                                                                                                                                  実験設計

                                                                                                                                                  目的

                                                                                                                                                  私たちは、本来クリーンなパッケージ内に事前コンパイルされたバイナリの中に隠された悪意のあるロジックをLLMが検出できるかどうかを評価します。副次的な問いは、検出の失敗がランダムではなく体系的なものであるかどうかです。第三に、バイナリ問題のドメイン知識をエンコードすることで検出精度を向上できるかどうかです。

                                                                                                                                                  敵対的ペイロード

                                                                                                                                                  一般的なサプライチェーン攻撃パターンをカバーするネイティブNode.jsアドオン(.nodeファイル)の5つのペイロードタイプ(表1)を作成しました。インポートは防衛上の正当性があるもの(fopen、connect、gethostname)から、ほとんど正当性のないもの(dup2を伴うexecve)まで多岐にわたり、各パッケージはバイナリを完成度の高いpackage.json、README、JavaScriptバインディング、binding.gypでラップしています。

                                                                                                                                                  sysmonスティーラーは、可読性のあるベースラインから、シンボルがストリップされ文字列がXOR符号化されたハードニング済みのビルドに至る難読化ラダーにわたっています。一方、他の4つのタイプは単一の難読化レベルで登場します。単一バイトのXORを意図的に選択したのは、RC4のような強力な暗号とは異なり、モデルが捕捉できるような構造的マーカーを逆アセンブル内に残さないためです。

                                                                                                                                                  このセットは収集されたマルウェアを反映しています。バイナリを出荷しているOSV確認済みのnpmパッケージ全体において、フォーマットはPE、ELF(すべてストリップ済み)、Mach-Oであり、動作は資格情報および環境の窃取、永続化、データの外部転送およびC2、ホスト調査、ドロッパーに及びます。

                                                                                                                                                  表1. 敵対的ペイロードのタイプとインポートプロファイル

                                                                                                                                                  パッケージタイプ主なインポートあいまいさ
                                                                                                                                                  sysmon-native資格情報スティーラーfopen, connect, send, gethostname高
                                                                                                                                                  buildchain-nativeドロッパー/バックドアexecve, connect, chmod, socket, fwrite低
                                                                                                                                                  netpulse-nativeリバースシェルexecve, dup2, connect, socket低
                                                                                                                                                  hashworker-native暗号通貨マイナーのスタブpthread_create, connect, send, recv中
                                                                                                                                                  taskd-native永続化system, fopen, fwrite, chmod中

                                                                                                                                                  テストしたモデル

                                                                                                                                                  7つのプロバイダーにわたる9つのモデルを評価しました(表2)。チームがコードベース全体で現実的に運用するであろう7つの低価格モデル(うち4つはオープンウェイト)、およびより高い価格帯での動作ベースラインの参照としての2つのより高能力なベースラインモデルです。また、最も高額なモデルであるClaude Opus 4.6をコストの参照としてのみ実行しました。

                                                                                                                                                  表2. 評価したモデルとその役割

                                                                                                                                                  モデルプロバイダー役割タイプ
                                                                                                                                                  Claude Haiku 4.5Anthropic低価格プロプライエタリ
                                                                                                                                                  Google Gemini 3.5 FlashGoogle低価格プロプライエタリ
                                                                                                                                                  Gemma 3 12BGoogle低価格オープンウェイト
                                                                                                                                                  GPT-5.4-nanoOpenAI低価格プロプライエタリ
                                                                                                                                                  Qwen3-Next 80BAlibaba低価格オープンウェイト
                                                                                                                                                  GLM 5.3 FlashZhipu低価格オープンウェイト
                                                                                                                                                  Llama 3.1 8BMeta低価格オープンウェイト
                                                                                                                                                  Claude Sonnet 4.6Anthropicベースライン動作プロプライエタリ
                                                                                                                                                  Kimi K3Moonshotベースライン動作オープンウェイト
                                                                                                                                                  Claude Opus 4.6Anthropicコストベースラインプロプライエタリ

                                                                                                                                                  プロファイルを分離するため、各ペイロードはモデルごとに2回スキャンされました(プロファイルなしで1回、プロファイルありで1回)。プロンプト、コンテキスト、およびバイナリ解析は両方の実行で同一でした。推論設定はすべてのモデルと両方の条件で一定に保たれました(温度0、全体を通して同じシステムプロンプトおよび解析プロンプト、8192トークンの出力上限)。

                                                                                                                                                  機能プロファイルアーキテクチャ

                                                                                                                                                  機能プロファイルとは、スキャナーの静的エビデンスに対する一連の重み付けされた条件として、資格情報の収集や永続化などの1つの悪意のある手法をエンコードする宣言型プレイブックです。このプロファイルは、npmおよびPyPIにおけるソースおよびバイナリの手法をカバーしています。

                                                                                                                                                  図1は、プロファイルがスキャンにどのように組み込まれるかを示しています。

                                                                                                                                                  1. 静的ステージがパッケージからエビデンスを抽出します。
                                                                                                                                                  2. 各プロファイルは、モデル独自の判定とは別の尺度である疑わしい(suspicious)、悪性(malicious)、重大(critical)の閾値に対してそのエビデンスをスコアリングします。
                                                                                                                                                  3. 閾値に達すると、エンジンはモデルが推論する前に、静的アナライザーおよびメタデータアナライザーのステージからの調査結果とともに、構造化されたサマリー(約1,800トークン)をプロンプトに注入します。
                                                                                                                                                  4. モデルは結合されたエビデンスに基づいて独自の判定を形成し、この実験では発動したプロファイルを完全にオーバーライドすることができます。

                                                                                                                                                  image1.png

                                                                                                                                                  図1. 機能プロファイルを伴うスキャンパイプライン

                                                                                                                                                  結果

                                                                                                                                                  各モデルは10個の全ペイロードに対してスキャンされました。HIGHLY_SUSPICIOUSまたはMALICIOUSを検出成功とみなし、既知の悪意あるペイロードに対するSUSPICIOUSまたはBENIGNは失敗とみなします。失敗分析は7つのモデルからなる低価格ティア(70回のモデル・ペイロードテスト)に焦点を当てており、2つのベースライン(20回のテスト)は参照上限としてのみ機能し、別途報告されます。

                                                                                                                                                  機能プロファイルなしの場合

                                                                                                                                                  プロファイルがない場合、低価格ティアは70回のテスト中35回(50%)で失敗し、そのうち20回は明確に良性と判定され、51回(73%)で悪性の基準に達しませんでした。2つの動作ベースラインはエスカレーション閾値での失敗がなく、悪性基準に達しなかったのは1回のみでした(Sonnet、sysmon v3)。低価格ティア内での失敗は、ランダムなエラーではなく、モデル固有の明確で再現可能なパターンに従っていました(表3)。Geminiのみが、本物の分析ではなくでっち上げ推論によるものではあったものの、検出においてベースラインと一致しました。完全な判定および信頼度マトリクスは付録(表A1)に記載されています。

                                                                                                                                                  機能プロファイルありの場合

                                                                                                                                                  プロファイルを有効にすると、プロファイルなしで発生した35件の検出失敗のうち32件(91%)が検出へと回復し、いかなるペイロードに対しても良性の判定を返すモデルはありませんでした。プロファイルなしで失敗したすべてのモデルは、GPT-5.4-nanoを除き、プロファイルを使用することで完全な検出を達成しました。GPT-5.4-nanoの3件の残留失敗は、3つのペイロードにおいて疑わしいにとどまりました。低価格ティア全体で、エスカレーション閾値での失敗は50%から4%(70件中3件)に減少し、悪性基準での失敗は73%から34%に減少しました。

                                                                                                                                                  表3. 機能プロファイルあり/なしにおけるモデル別の検出率(既知の悪意あるペイロードに対して非常に疑わしい以上との判定)

                                                                                                                                                  モデルプロファイルなしプロファイルあり
                                                                                                                                                  GPT-5.4-nano0/107/10
                                                                                                                                                  Qwen3-Next 80B1/1010/10
                                                                                                                                                  Llama 3.1 8B4/1010/10
                                                                                                                                                  Gemma 3 12B5/1010/10
                                                                                                                                                  Claude Haiku 4.56/1010/10
                                                                                                                                                  GLM 5.3 Flash9/1010/10
                                                                                                                                                  Gemini 3.5 Flash10/1010/10
                                                                                                                                                  Claude Sonnet 4.610/1010/10
                                                                                                                                                  Kimi K310/1010/10

                                                                                                                                                  最も明確な例は、難読化された sysmon-native スティーラーにおける Qwen3-Next です。プロファイルがない場合は 0.98 で良性(BENIGN)と評価されアローリスト登録を推薦しますが、バイト単位で同一の入力に対して4つのプロファイルが起動した後は、0.98 で悪意あり(MALICIOUS)と評価されブロックを推薦します。ベースラインである Sonnet と Kimi はプロファイルがなくてもすでに正確であり、証拠によってその判定が強化されたため、プロファイルはすでに正しく推論しているモデルを歪めるのではなく、補強することになります。

                                                                                                                                                  プロファイルのトリガー

                                                                                                                                                  各ペイロードの攻撃パターンに応じて、手法固有のプロファイルが起動しました。

                                                                                                                                                  表4. 致命的または悪意あるしきい値でペイロードごとにトリガーされた機能プロファイル

                                                                                                                                                  パッケージトリガーされた重大なプロファイル
                                                                                                                                                  sysmon-nativeT004 (Binary Masquerade), T001 (Credential Harvesting), T002 (Network Exfiltration), T003 (Environment Reconnaissance)
                                                                                                                                                  buildchain-nativeT004 (Binary Masquerade), T007 (Dropper/Stager), T002 (Network Exfiltration), T001 (Credential Harvesting)
                                                                                                                                                  netpulse-nativeT004 (Binary Masquerade), T006 (Reverse Shell)
                                                                                                                                                  hashworker-nativeT004 (Binary Masquerade), T002 (Network Exfiltration)
                                                                                                                                                  taskd-nativeT004 (Binary Masquerade)

                                                                                                                                                  考察

                                                                                                                                                  失敗モードの分析

                                                                                                                                                  実験により4つの失敗モードが表面化しました。これらは特定の単一モデルではなく、評価対象モデル群の大部分にまたがっています(表5)。良性の判定が無視と合理化の両方に当てはまることがあるため、これらは相互排他的ではありません。そのため、表ではモードごとの発生率を報告しており、モデルの行の合計が10を超える場合があります。無視と保留(hedging)は判定層から、合理化とでっち上げ(confabulation)は記述された推論から読み取られます。

                                                                                                                                                  これらを説明する要因は2つあります。1つ目はドメイン知識です。バジェットクラスの LLM は、パッケージのコンテキスト内でバイナリの構造的証拠を解釈するためのドメイン知識を欠いています [13]。2つ目は単純な能力です。シンボルが除去され、文字列が難読化されたバイナリを読み取るには、バジェットクラスのモデルが試みなかった逆アセンブルとデコードが必要です。

                                                                                                                                                  表5. プロファイルなしの10個のペイロードにおけるモデルごとの失敗モード数(全9モデル、90回のスキャン)

                                                                                                                                                  モデル合理化無視保留でっち上げ
                                                                                                                                                  Haiku 4.54–44
                                                                                                                                                  Sonnet 4.6–––4
                                                                                                                                                  Gemini 3.5 Flash–––4
                                                                                                                                                  Gemma 3 12B55––
                                                                                                                                                  GLM 5.3 Flash1–12
                                                                                                                                                  GPT-5.4-nano1028–
                                                                                                                                                  Kimi K3–––6
                                                                                                                                                  Qwen3-Next 80B99––
                                                                                                                                                  Llama 3.1 8B5421
                                                                                                                                                  モデル数(9個中)6446
                                                                                                                                                  発生率~37%22%16%~23%

                                                                                                                                                  多数決判定を行うアンサンブルでも、この問題は解決しません。難読化された sysmon-native スティーラー(バージョン2)では、9つの判定が良性3(Gemma、Qwen、Llama)、疑わしい2(Haiku、GPT-5.4-nano)、非常に疑わしい1(GLM)、悪意あり3(Gemini、Kimi、Sonnet)に分かれました。過半数が検出しきい値を下回っているため、投票結果は誤った答えを返します。失敗モードは相殺されずむしろ複合するため、ドメイン知識のギャップをあらかじめ埋めない限り、いかなる投票方式も信頼性の高いカバレッジを提供できません。これは、相関するエラーが相殺されるのではなく誤った答えに収束するという、LLM アンサンブルにおける多数決の既知の限界と一致しています [14, 15]。

                                                                                                                                                  合理化(スキャンの約37%、6モデル)は、コンテキスト上の手がかり、インストールスクリプト、ネイティブモジュールのパッケージング、またはパッケージの説明を援用して、バイナリのシグナルを上書きする良性の解釈を構築します。Haiku は難読化されていない sysmon v1 を 0.98 で MALICIOUS(悪意あり)と判定しましたが、文字列が XOR 符号化されると、その判定は SUSPICIOUS(疑わしい)に低下し、node-gyp-build を標準的なものとして扱い、.node 拡張子を正当なアドオンとして扱いました。これは文書化されている事後合理的解釈と一致します [16]。このように難読化は予期される関係を逆転させます。ペイロードがより徹底的に隠蔽されるほど、割り当てられる重要度は低くなり、根拠が内部的に一貫性を保っているため、難読化されていないサンプルに対する評価ではこの問題が顕在化することはありません。

                                                                                                                                                  無視(22%、4モデル)は、バイナリを全く考慮せずに良性の判定を返します。Qwen3-Next は10個のペイロードのうち9個で 0.98 の BENIGN(良性)を返し、netpulse リバースシェルや taskd 永続化ツールを含め、それぞれのアローリスト登録を推薦しました。その際、バイナリのインポートを完全に無視した意図を表明していました。判定はインポートの曖昧さに影響されず、一律に高い確信度が後続のしきい値処理からこの失敗を隠蔽してしまいます。

                                                                                                                                                  保留(16%、4モデル)は疑わしさを検出するものの、決定的な判定に昇格させることはありません。GPT-5.4-nano は10個のペイロードのうち8個で 0.55〜0.62 の SUSPICIOUS(疑わしい)を返し、「非常に疑わしい」や「悪意あり」に達することはありませんでした。buildchain-native に対しては SUSPICIOUS 0.62 となり、推奨される対応は「監視(Monitor)」にとどまりました。疑わしいという判定は機能的な分析が行われているように見えますが、YARA や Semgrep の段階以上の価値を付加しておらず、「悪意あり」のしきい値でのみブロックするポリシーの下では、これらのペイロードはすり抜けてしまいます。

                                                                                                                                                  でっち上げ(約23%、6モデル)は特殊なケースで、判定自体は正確であるものの、その正当化理由がでっち上げられているため、監査用にログを記録するパイプラインにおいて後の分析担当者やファインチューニングされたモデルを誤導する捏造された指標が蓄積してしまいます。これは両方のベースラインでも見られ、能力階層に関係なく繰り返し発生します。Gemini が最も明確な例です。10個すべてのペイロードに対して MALICIOUS を返しましたが、詳細をでっち上げ、taskd では「アドレス 0x401490 の暗号解除ルーチン」、netpulse では「0x4013b0 のカスタム XOR 暗号解除ループ」を報告しました。しかし、どちらのアドレスもスキャン入力には存在せず、どちらのペイロードにも暗号は含まれていません。この捏造は、1つの実アドレスのみを公開する単一機能の x86 ペイロードのように、証拠が最も希薄な部分に集中しています。

                                                                                                                                                  構造的ギャップ

                                                                                                                                                  検出不足は構造的な問題であり、個々のモデルの欠陥ではありません。エスカレーションのしきい値を下回るバジェットクラスの失敗は、合理化と無視が支配的です。そこでは、バイナリがクリーンなソースコード、node-gyp-build インストールスクリプト、プロフェッショナルなメタデータ、もっともらしい README と並んで配置されており、どれもネイティブモジュールとしてはごく普通に見えます。単一のアーティファクトがモデルを誤導しているわけではありません。35件の失敗のすべてが、これらの良性シグナルのうち少なくとも2つに依存しており、24件では一度に4つに依存し、14件ではバイナリ自体のインポートを「標準的なシステム呼び出し」として言い換えていました(表6)。LLM はバイナリの証拠を単体で分析することはできますが [17, 18]、ここでの失敗はコンテキストに起因するものです。

                                                                                                                                                  表6. 35件の検出失敗で引用された良性のコンテキストシグナル

                                                                                                                                                  引用された良性シグナル件数
                                                                                                                                                  インストールスクリプト(node-gyp-build)が標準的と見なされた35/35
                                                                                                                                                  ネイティブアドオン / .node パッケージング35/35
                                                                                                                                                  メタデータ / 明記された目的との「整合性」32/35
                                                                                                                                                  クリーンな lib/index.js JavaScript21/35
                                                                                                                                                  バイナリ自体のインポートが「標準的/正常」と言い換えられた14/35

                                                                                                                                                  失敗モードの予測可能性

                                                                                                                                                  各モデルがいずれかのモードを示すという意味で、これらのモードは予測可能です。しかし、モデルの出力全体を通して確定的なものはないため、防御側が単純により良いモデルを選ぶことはできません。2つのカテゴリーでは失敗の仕方も異なり、却下(dismissal)はほぼ完全にオープンウェイトモデルの挙動であるのに対し(Gemma、Qwen、Llamaによるプロファイルなしの良性判定20件中18件)、商用モデルが却下することは稀で、代わりに正当化、曖昧な回避、または捏造(confabulation)を行います。これはモデル選択に影響を与えます。難読化されていない、または曖昧性の低い幾つかのパッケージからなるテストセットを使用すると、低価格モデルが十分であるように見えますが、難読化された資格情報窃盗プログラムに対する失敗が隠されてしまいます。難読化は実際のマルウェアで繰り返し発生しており、OSVで確認された425件のバイナリパッケージのうち74件(17%)でバイナリ文字列難読化プロファイルが検出されました。曖昧性の高いペイロードのみをテストすると逆効果となり、実用的なモデルを過小評価して、フロンティアモデルへの過剰投資を招くことになります。また、正しい判定が正しいラベルを意味するわけではありません。低価格モデルは悪意を検出しても誤ったカテゴリーを割り当てることが多いため、カテゴリーや提示された証拠はトリガー(優先順位付け)のヒントであり、属性特定のための絶対的な事実(ground truth)ではありません。

                                                                                                                                                  コストへの影響

                                                                                                                                                  ベースラインである Sonnet 4.6 と Kimi K3 は、プロファイルなしでもすべてのペイロードを検出しました。ただし、スキャンあたりのコストは低価格ティアの約3倍です。プロファイルを使用することで、低価格ティアでもその精度に低コストで追従できます。また、プロファイルは各モデルのトークン処理量も変化させます(表7)。その方向性は、モデルがサポートなしでどれだけ集中的に処理を行うかによって異なります。低価格ティアでは、約1,800トークンのエビデンスブロックによって入力トークンが9〜34%増加しますが、分析自体は変わりません。一方、詳細な分析を行うモデルでは逆の傾向が見られます。プロファイルがない場合にスキャンあたり約10.5Kの入力トークンを収集し追加ファイルを要求していた Opus は、プロファイルにより7.2Kに減少(−32%)し、Kimi も同様の理由で出力トークンが13%減少しました。プロファイルは、低価格モデルに対してわずかな入力コストを追加するにとどまり、高価格モデルからはそれ以上のコストを削減します。

                                                                                                                                                  表7. 1スキャンあたりのモデル別トークン使用量(10個のペイロードの平均、機能プロファイルあり/なし)

                                                                                                                                                  モデル入力(プロファイルなし)入力(プロファイルあり)Δ 入力出力(プロファイルなし)出力(プロファイルあり)Δ 出力
                                                                                                                                                  Haiku 4.55,3817,213+34%9331,616+73%
                                                                                                                                                  Gemini 3.5 Flash7,0007,614+9%493488−1%
                                                                                                                                                  Gemma 3 12B5,8667,623+30%420506+21%
                                                                                                                                                  GPT-5.4-nano4,9006,428+31%568729+28%
                                                                                                                                                  Qwen3-Next 80B5,6917,267+28%523772+48%
                                                                                                                                                  GLM 5.3 Flash5,5316,606+19%7461,110+49%
                                                                                                                                                  Llama 3.1 8B4,8846,402+31%302351+16%
                                                                                                                                                  Sonnet 4.65,3827,214+34%1,1501,472+28%
                                                                                                                                                  Kimi K38,7069,388+8%5,5724,842−13%
                                                                                                                                                  Opus 4.610,5517,214−32%1,2541,370+9%

                                                                                                                                                  本番環境での検証

                                                                                                                                                  悪性セット

                                                                                                                                                  取り下げられたエントリを除く公開OSVアドバイザリ[9]により、ネイティブバイナリを含む470個の悪性npmパッケージバージョン(合計604個のバイナリ)が確認されています。フォーマット別ではPE(273)、ELF(215、すべてストリップ済み)、Mach-O(113)で、3個が未特定です。コンパイラ別では、363個がネイティブC/C++、183個がGo、58個がRustです。全体の40%にあたる241個のGoまたはRustバイナリは、エンジンのランタイム対応ゲーティングが対象とするケースであり、うち50個(すべてELF)はUPXでパッキングされています。これら470個のうち、スキャン済みで取り下げられていないコーパスに含まれる425個が検出の評価セットを構成します。

                                                                                                                                                  良性セット

                                                                                                                                                  良性セットは外部シグナルのみに基づいて定義され、エンジン独自の判定には依存しません。ネイティブバイナリを含み、月間ダウンロード数が100万回を超え、OSVに掲載されたことがないパッケージが対象となり、287個のユニークパッケージにわたる2,449個のパッケージバージョンが得られました。スキャナーはそのうち104個を「非常に疑わしい」以上にエスカレーションしました。これはパッケージバージョンの4.25%にあたる偽陽性率で、287個のうち2%にあたる6個のユニークパッケージに集中しています。104個すべてにおいて静的プレイブックもトリガーされ、33個ではバイナリ機能プロファイルが悪性または重大な閾値に達したため、エスカレーションはバイナリ、パッキング、高エントロピーセクション、疑わしいインポートにおける本物のシグナルを反映したものでした。残余の偽陽性率は、静的バイナリの曖昧性の性質によるものです。

                                                                                                                                                  検出

                                                                                                                                                  評価セットは、悪性セットのうち本番判定を持つ425個のバイナリを含むパッケージバージョン(判定済みコーパス内の取り下げられていないサブセット)です。これらおよび良性セットに対して、スキャナーはエスカレーション閾値において適合率 0.77、再現率 0.81、F1 0.79 を達成しました(表8)。再現率は悪性アーティファクトを特定しないOSVのパッケージレベルのラベルに対して評価されており、バイナリ機能プロファイルが検出の74%を駆動し、残りはJavaScript、メタデータ、またはソースのシグナルによってエスカレーションされました。

                                                                                                                                                  表8. エスカレーション閾値における、OSV確認済みバイナリマルウェアおよび良性検証コーパスに対する検出パフォーマンス

                                                                                                                                                  TPFNFPTN適合率再現率F1
                                                                                                                                                  3458010423450.770.810.79

                                                                                                                                                  スキャナーは425個の陽性のうち345個を復元しました。60個は疑わしいに分類され、20個は良性としてクリアされたため、ハードミス率は4.7%でした。バイナリを開かずにクリアされた20個のパッケージのメタデータを調査したところ、約半数は識別可能なサードパーティツール(ripgrep、node-pty、NSISインストーラープラグインなど)をそのまま同梱しており、OSVが悪意の原因をインストールレイヤーやJavaScriptレイヤーに帰属させているケースでした。残りはパッケージ自身のコンパイル済みCLIを含んでおり、アカウント侵害キャンペーンや信頼度の低いアドバイザリによってフラグが立てられていました。したがって、バイナリレベルでの見逃し率は全体の数字よりも低くなりますが、クリアされたすべてのバイナリが良性であると主張するものではありません。

                                                                                                                                                  限界と制限事項

                                                                                                                                                  本番の数値は、責任あるアーティファクトを特定せずにパッケージ全体を悪性とマークするOSVのパッケージレベルのラベルに対して測定されています。クリアされたパッケージの一部は誤ってラベル付けされており、ペイロードはバイナリではなくJavaScriptやメタデータに存在します。したがって、報告されている再現率と偽陽性率は、バイナリ検出そのものではなく、それらのラベルに対するパフォーマンスを表しており、バイナリ検出の性能はこれよりやや高いか低い可能性があります。また、ホストされたモデルは継続的に更新されるエンドポイントの背後に配置されているため、絶対的な判定は特定のサービングエポックを反映しており、変動する可能性があります。そのため、当社の結論は単一の判定に依拠するのではなく、バイト単位で同一の入力に対するプロファイルなしとプロファイルありの条件間の同波(within-epoch)デルタに基づいています。

                                                                                                                                                  結論

                                                                                                                                                  正当化、却下、曖昧な回避、捏造という4つの失敗モードは、評価パネル全体で繰り返し発生し、低価格ティアのテストではエスカレーション閾値で50%、より厳しい悪性閾値で73%の検出失敗を引き起こしました。モデルが推論する前に計算済みのバイナリドメイン知識を注入する機能プロファイルにより、エスカレーション閾値での失敗は4%に削減され、良性判定は完全に排除されました。一方で、良性セットにおける偽陽性率はパッケージバージョンの4.25%(2,449件中104件、ユニークパッケージの2%)に抑えられ、アナリストが手動で解除できるほど十分に低い値となりました。これらを組み合わせることで、大幅に安価なモデルでも、はるかに高価なモデルと同等の検出精度を達成できるようになります。

                                                                                                                                                  付録

                                                                                                                                                  表A1. 機能プロファイルなしの判定(判定および信頼度)、モデルおよびペイロード別。これは表3および「機能プロファイルなしの結果」セクションで要約されている完全なマトリクスです。

                                                                                                                                                  モデルbuildchainhashworkernetpulsetaskdsysmon v1sysmon v2sysmon v3sysmon v4sysmon v5sysmon v6
                                                                                                                                                  Claude Haiku 4.5HIGHLY_SUSP 0.85HIGHLY_SUSP 0.85MAL 0.92HIGHLY_SUSP 0.85MAL 0.98SUSP 0.72SUSP 0.65SUSP 0.65HIGHLY_SUSP 0.78SUSP 0.72
                                                                                                                                                  Gemini 3.5 FlashMAL 0.98MAL 0.99MAL 0.98MAL 0.98MAL 0.98MAL 0.95MAL 0.95MAL 0.95MAL 0.95MAL 0.95
                                                                                                                                                  Gemma 3 12BHIGHLY_SUSP 0.85HIGHLY_SUSP 0.85HIGHLY_SUSP 0.85HIGHLY_SUSP 0.85HIGHLY_SUSP 0.85BENIGN 0.95BENIGN 0.95BENIGN 0.95BENIGN 0.95BENIGN 0.95
                                                                                                                                                  GPT-5.4-nanoSUSP 0.62SUSP 0.62SUSP 0.55SUSP 0.62SUSP 0.62SUSP 0.62BENIGN 0.78BENIGN 0.78SUSP 0.55SUSP 0.62
                                                                                                                                                  Qwen3-Next 80BBENIGN 0.98BENIGN 0.98BENIGN 0.98BENIGN 0.98MAL 0.98BENIGN 0.98BENIGN 0.98BENIGN 0.98BENIGN 0.98BENIGN 0.98
                                                                                                                                                  GLM 5.3 FlashHIGHLY_SUSP 0.70HIGHLY_SUSP 0.80MAL 0.90HIGHLY_SUSP 0.85MAL 0.90HIGHLY_SUSP 0.80SUSP 0.60HIGHLY_SUSP 0.70MAL 0.85MAL 0.85
                                                                                                                                                  Llama 3.1 8BMAL 0.95HIGHLY_SUSP 0.85SUSP 0.80BENIGN 0.95HIGHLY_SUSP 0.85BENIGN 0.95SUSP 0.70MAL 0.95BENIGN 0.95BENIGN 0.95
                                                                                                                                                  Claude Sonnet 4.6MAL 0.93MAL 0.97MAL 0.95MAL 0.92MAL 0.97MAL 0.95HIGHLY_SUSP 0.82MAL 0.92MAL 0.95MAL 0.95
                                                                                                                                                  Kimi K3MAL 0.90MAL 0.90MAL 0.95MAL 0.85MAL 0.93MAL 0.92MAL 0.92MAL 0.90MAL 0.92MAL 0.90

                                                                                                                                                  参考文献

                                                                                                                                                  [1] Sonatype. “2026 State of the Software Supply Chain”. 2026. https://www.sonatype.com/state-of-the-software-supply-chain/introduction

                                                                                                                                                  [2] SourceCodeRed. “IndonesianFoods spam campaign publishes more than 86,000 malicious NPM packages”. 2025. https://sourcecodered.com/indonesianfoods-npm-worm/

                                                                                                                                                  [3] Kieran Miyamoto. “DPRK npm packages”. https://dprk-research.kmsec.uk/

                                                                                                                                                  [4] Amazon. “Amazon identifies North Korean hacker group behind open-source supply chain attacks”. 2026. https://aws.amazon.com/blogs/security/amazon-identifies-north-korean-hacker-group-behind-open-source-supply-chain-attacks/

                                                                                                                                                  [5] OpenSourceMalware. “PolinRider: DPRK Threat Actor Implants Malware in Hundreds of GitHub Repos”. 2026. https://github.com/OpenSourceMalware/PolinRider

                                                                                                                                                  [6] Zscaler. “Tracking Shai-Hulud: Inside the ChainDrop NPM Worm”. 2026. https://www.zscaler.com/blogs/security-research/tracking-shai-hulud-inside-chaindrop-npm-worm

                                                                                                                                                  [7] CISA. “Widespread Supply Chain Compromise Impacting npm Ecosystem”. 2025. https://www.cisa.gov/news-events/alerts/2025/09/23/widespread-supply-chain-compromise-impacting-npm-ecosystem

                                                                                                                                                  [8] Unit42. “The npm Threat Landscape: Attack Surface and Mitigations”. 2026. https://unit42.paloaltonetworks.com/monitoring-npm-supply-chain-attacks/

                                                                                                                                                  [9] OSSF. “OpenSSF Malicious Packages”. https://github.com/ossf/malicious-packages

                                                                                                                                                  [10] VirusTotal. “What is YARA?”. 2026. https://docs.virustotal.com/docs/what-is-yara

                                                                                                                                                  [11] Semgrep. “Semgrep: lightweight static analysis for many languages”. https://semgrep.dev

                                                                                                                                                  [12] Levi, M. et al. “CyberPal.AI: Empowering LLMs with Expert-Driven Cybersecurity Instructions”. 2024. https://arxiv.org/pdf/2408.09304v1

                                                                                                                                                  [13] Ullah, S. et al. “LLMs Cannot Reliably Identify and Reason About Security Vulnerabilities (Yet?): A Comprehensive Evaluation, Framework, and Benchmarks”. 2024. https://arxiv.org/abs/2312.12575

                                                                                                                                                  [14] Traad, F.; Chehab, A. “To Ensemble or Not: Assessing Majority Voting Strategies for Phishing Detection with Large Language Models”. 2024. https://arxiv.org/abs/2412.00166

                                                                                                                                                  [15] Li, Q. et al. “Beyond Majority Voting: LLM Aggregation by Leveraging Higher-Order Information”. 2025. https://arxiv.org/abs/2510.01499

                                                                                                                                                  [16] Sharma, M. et al. “Towards Understanding Sycophancy in Language Models”. 2023. https://arxiv.org/abs/2310.13548

                                                                                                                                                  [17] Patsakis, C. et al. “Assessing LLMs in Malicious Code Deobfuscation of Real-world Malware Campaigns”. 2024. https://doi.org/10.1016/j.eswa.2024.124912

                                                                                                                                                  [18] Jelodar, H. et al. “Large Language Model (LLM) for Software Security: Code Analysis, Malware Analysis, Reverse Engineering”. 2025. https://arxiv.org/abs/2504.07137

                                                                                                                                                  (このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事

                                                                                                                                                  関連タグ:

                                                                                                                                                  Cybersecurity、セキュリティと信頼 、 Security Threat Research

                                                                                                                                                  最新の投稿を受信トレイで受け取る

                                                                                                                                                  ブログを購読して、最新の投稿を受信トレイにお届けします。

                                                                                                                                                  Sign up

                                                                                                                                                  すべてのブログを見る
                                                                                                                                                  databricks logo
                                                                                                                                                  Databricks を選ぶ理由
                                                                                                                                                  Databricks を選ぶ理由
                                                                                                                                                  • For App Developers
                                                                                                                                                  • エグゼクティブ向け
                                                                                                                                                  • スタートアップ向け
                                                                                                                                                  • レイクハウスアーキテクチャ
                                                                                                                                                  • Databricks AIリサーチ
                                                                                                                                                  導入事例
                                                                                                                                                  • 注目の導入事例
                                                                                                                                                  パートナー
                                                                                                                                                  • パートナー概要
                                                                                                                                                  • パートナープログラム
                                                                                                                                                  • パートナーを探す
                                                                                                                                                  • パートナースポットライト
                                                                                                                                                  • クラウドプロバイダー
                                                                                                                                                  • パートナーソリューション
                                                                                                                                                  Databricks を選ぶ理由
                                                                                                                                                  • For App Developers
                                                                                                                                                  • エグゼクティブ向け
                                                                                                                                                  • スタートアップ向け
                                                                                                                                                  • レイクハウスアーキテクチャ
                                                                                                                                                  • Databricks AIリサーチ
                                                                                                                                                  導入事例
                                                                                                                                                  • 注目の導入事例
                                                                                                                                                  パートナー
                                                                                                                                                  • パートナー概要
                                                                                                                                                  • パートナープログラム
                                                                                                                                                  • パートナーを探す
                                                                                                                                                  • パートナースポットライト
                                                                                                                                                  • クラウドプロバイダー
                                                                                                                                                  • パートナーソリューション
                                                                                                                                                  製品
                                                                                                                                                  レイクハウスプラットフォーム
                                                                                                                                                  • プラットフォーム
                                                                                                                                                  • AIアシスタント
                                                                                                                                                  • アプリケーション開発
                                                                                                                                                  • 人工知能(AI)
                                                                                                                                                  • BI
                                                                                                                                                  • 顧客データプラットフォーム
                                                                                                                                                  • データエンジニアリング
                                                                                                                                                  • データウェアハウス
                                                                                                                                                  • データベース
                                                                                                                                                  • データガバナンス
                                                                                                                                                  • Neon
                                                                                                                                                  • セキュリティ
                                                                                                                                                  • 共有
                                                                                                                                                  ご利用料金
                                                                                                                                                  • 料金設定の概要
                                                                                                                                                  • 料金計算ツール
                                                                                                                                                  オープンソース
                                                                                                                                                  統合とデータ
                                                                                                                                                  • マーケットプレイス
                                                                                                                                                  • IDE 統合
                                                                                                                                                  • パートナーコネクト
                                                                                                                                                  レイクハウスプラットフォーム
                                                                                                                                                  • プラットフォーム
                                                                                                                                                  • AIアシスタント
                                                                                                                                                  • アプリケーション開発
                                                                                                                                                  • 人工知能(AI)
                                                                                                                                                  • BI
                                                                                                                                                  • 顧客データプラットフォーム
                                                                                                                                                  • データエンジニアリング
                                                                                                                                                  • データウェアハウス
                                                                                                                                                  • データベース
                                                                                                                                                  • データガバナンス
                                                                                                                                                  • Neon
                                                                                                                                                  • セキュリティ
                                                                                                                                                  • 共有
                                                                                                                                                  ご利用料金
                                                                                                                                                  • 料金設定の概要
                                                                                                                                                  • 料金計算ツール
                                                                                                                                                  統合とデータ
                                                                                                                                                  • マーケットプレイス
                                                                                                                                                  • IDE 統合
                                                                                                                                                  • パートナーコネクト
                                                                                                                                                  ソリューション
                                                                                                                                                  業種別
                                                                                                                                                  • 通信
                                                                                                                                                  • 金融サービス
                                                                                                                                                  • 医療・ライフサイエンス
                                                                                                                                                  • 製造
                                                                                                                                                  • メディア・エンタメ
                                                                                                                                                  • 官公庁・公共機関
                                                                                                                                                  • リテール・消費財
                                                                                                                                                  • 全て表示
                                                                                                                                                  クロスインダストリーソリューション
                                                                                                                                                  • AI エージェント
                                                                                                                                                  • AI ガバナンス
                                                                                                                                                  • サイバーセキュリティ
                                                                                                                                                  • マーケティング
                                                                                                                                                  データの移行
                                                                                                                                                  プロフェッショナルサービス
                                                                                                                                                  ソリューションアクセラレータ
                                                                                                                                                  業種別
                                                                                                                                                  • 通信
                                                                                                                                                  • 金融サービス
                                                                                                                                                  • 医療・ライフサイエンス
                                                                                                                                                  • 製造
                                                                                                                                                  • メディア・エンタメ
                                                                                                                                                  • 官公庁・公共機関
                                                                                                                                                  • リテール・消費財
                                                                                                                                                  • 全て表示
                                                                                                                                                  クロスインダストリーソリューション
                                                                                                                                                  • AI エージェント
                                                                                                                                                  • AI ガバナンス
                                                                                                                                                  • サイバーセキュリティ
                                                                                                                                                  • マーケティング
                                                                                                                                                  リソース
                                                                                                                                                  ドキュメント
                                                                                                                                                  カスタマーサポート
                                                                                                                                                  コミュニティ
                                                                                                                                                  トレーニング・認定試験
                                                                                                                                                  • トレーニング
                                                                                                                                                  • 認定
                                                                                                                                                  • 無料版
                                                                                                                                                  • 大学との連携
                                                                                                                                                  • Databricks アカデミー
                                                                                                                                                  イベント
                                                                                                                                                  • DATA+AI サミット
                                                                                                                                                  • Data+AI ワールドツアー
                                                                                                                                                  • AI Days
                                                                                                                                                  • イベントカレンダー
                                                                                                                                                  ブログ・ポッドキャスト
                                                                                                                                                  • Databricks ブログ
                                                                                                                                                  • AI ブログ
                                                                                                                                                  • Data Brew ポッドキャスト
                                                                                                                                                  トレーニング・認定試験
                                                                                                                                                  • トレーニング
                                                                                                                                                  • 認定
                                                                                                                                                  • 無料版
                                                                                                                                                  • 大学との連携
                                                                                                                                                  • Databricks アカデミー
                                                                                                                                                  イベント
                                                                                                                                                  • DATA+AI サミット
                                                                                                                                                  • Data+AI ワールドツアー
                                                                                                                                                  • AI Days
                                                                                                                                                  • イベントカレンダー
                                                                                                                                                  ブログ・ポッドキャスト
                                                                                                                                                  • Databricks ブログ
                                                                                                                                                  • AI ブログ
                                                                                                                                                  • Data Brew ポッドキャスト
                                                                                                                                                  企業情報
                                                                                                                                                  企業概要
                                                                                                                                                  • Databricks について
                                                                                                                                                  • 経営陣
                                                                                                                                                  • Databricks Ventures
                                                                                                                                                  • ご相談・お問い合わせ
                                                                                                                                                  採用情報
                                                                                                                                                  • 採用情報概要
                                                                                                                                                  • 求人情報
                                                                                                                                                  プレス・ニュース記事
                                                                                                                                                  • ニュースルーム
                                                                                                                                                  • 受賞歴と業界評価
                                                                                                                                                  セキュリティと信頼
                                                                                                                                                  企業概要
                                                                                                                                                  • Databricks について
                                                                                                                                                  • 経営陣
                                                                                                                                                  • Databricks Ventures
                                                                                                                                                  • ご相談・お問い合わせ
                                                                                                                                                  採用情報
                                                                                                                                                  • 採用情報概要
                                                                                                                                                  • 求人情報
                                                                                                                                                  プレス・ニュース記事
                                                                                                                                                  • ニュースルーム
                                                                                                                                                  • 受賞歴と業界評価
                                                                                                                                                  databricks logo

                                                                                                                                                  Databricks Inc.
                                                                                                                                                  160 Spear Street, 15th Floor
                                                                                                                                                  San Francisco, CA 94105
                                                                                                                                                  1-866-330-0121

                                                                                                                                                  採用情報

                                                                                                                                                  © Databricks 2026. All rights reserved. Apache, Apache Spark, Spark and the Spark logo are trademarks of the Apache Software Foundation.

                                                                                                                                                  • プライバシー通知
                                                                                                                                                  • |利用規約
                                                                                                                                                  • |現代奴隷法に関する声明
                                                                                                                                                  • |カリフォルニア州のプライバシー権利
                                                                                                                                                  • |プライバシー設定