受験日が明日でも、先生が今夜の分を組みます。公式の出題範囲のうち、出る所から先に解く順番を組みます。
CompTIA SecAI+(CY0-001)
公式の配点比率に沿って収録しています
| 分野 | 公式の配点 | 収録の配分 | 問数 |
|---|---|---|---|
| サイバーセキュリティに関連する基本的な AI 概念 | 17% | 19% | 94 |
| AI システムの安全確保 | 40% | 39% | 198 |
| AI 支援セキュリティ | 24% | 24% | 119 |
| AI のガバナンス、リスク、コンプライアンス | 19% | 18% | 92 |
公開前に、公式の配点との差を検査しています。
この資格にも、全141資格を知る先生が付きます。持っている資格をもとに、受験日までの計画を組みます。この50問は、販売中の全503問から取り出した、有料分と同じ収録問題です。
税込・買い切り・追加課金なし
購入には無料の会員登録が必要です(Google アカウントならワンクリックで登録でき、そのまま決済画面へ進みます)。
この価格に、下の全部が入っています
問題503問も、教科書も、模試も、これ一冊。
この教材だけで、合格ラインまで。
本番の形式:1 回 60 問・60 分・合格ライン 600点(100〜900の換算スコア)
問題と解説
全503問
- 選択式 全485問 :ほかの形式の問題と合わせて全503問で、うち480問を本番形式の模試8回に入れています・スマホで1問ずつ・進捗は自動保存
- シミュレーション形式の問題 10問 :ネットワーク図の機器を開き、端末で調べてルール表や設定を直す:本試験のパフォーマンス・ベースの設問(シミュレーション)に合わせた形式
- 組み立て式 8問 :対応付け・並べ替えをタイルのドラッグで解く(スマホはタップ):本試験の操作型の設問に合わせた形式
模試 8 回
1 回 60問・本番 60分
テキスト 3 点
学習用テキスト・頻出度別ノート・暗記用ノート
- テキスト3点(PDF) :参考書の買い足し不要。収録問題はテキストだけで解けるよう検品済み
第2回以降をまとめて解放
買うと、有料 7 回 420 問の模試(第2〜8回)・分野別の演習の問題23問・テキスト3点(PDF)が使えます。
ご購入で使える物
- 本番形式の模試 第2〜8回(全8回)
- テキスト3点(PDF・参考書の買い足し不要)
最終更新: 2026-10-03(模試の一部の問題を、別の問題に入れ替えました)
税込・買い切り
部署・研修でまとめて使う場合は 法人まとめ買い(引き換えコード) をご覧ください。
- クレジットカードで決済します(Stripe の決済ページ)
- 決済が終わると、お使いのアカウントにすぐ解放されます
- 全 8 回・480 問の模試を、いつでも何度でも受けられます
- 購入者限定テキスト3点(PDF)を、このページからダウンロードできます

買うと、家庭教師がつきます。
先生が決めるのは、毎日解く問題と、間違えた問題を出し直す日です。受験前の学習の段取りを組む機能です。
続きを読む ↓閉じる ↑
買ったあと受験日を入れると、マイページに「今日の分 ○ 問・約 ○ 分」が表示されます。間違えた問題は 1・3・7 日後にもう一度出題されます。
忙しい日は「今日は休む」を押すと、残りの日で組み直します。
AI とサイバーセキュリティが重なる領域を扱う、ベンダーに依存しない CompTIA の認定 SecAI+(CY0-001)です。
続きを読む ↓閉じる ↑
AI システムと学習データとモデルを守る側と、AI を使って検知と対応を強化する側の両方を問い、配点の 40% は「AI システムの安全確保」です。
英語版は 2026 年 2 月、日本語版は 2026 年 7 月に始まった新しい試験で、公式は Security+・CySA+・PenTest+ または同等の知識を推奨しています。
本番と同じ 1 回 60 問・60 分の模試で、合格ラインは 900 点満点中 600 点です。
主な学習トピック
- サイバーセキュリティに関連する基本的なAI概念(AIの基本原則と用語・AIシステムの構成とライフサイクル・セキュリティにおけるAIの使いどころと生じる脅威)
- AIシステムの安全確保(プロンプトインジェクション等の推論層への攻撃・学習データのポイズニング・モデル窃取・AIサプライチェーンとMLOpsの保護・安全な展開環境)
- AI支援セキュリティ(AIを使った異常検知・イベントトリアージ・アラート相関・レスポンスオーケストレーションと、AIを使う側の限界)
- AIガバナンス、リスク、コンプライアンス(GDPR・NIST AI RMF・AIリスクの評価と扱い・監査と説明責任)
SecAI+ の模試を解く
全 503 問のうち 480 問を、本番形式の模試 8 回(1 回 60 問)に分けました。
続きを読む ↓閉じる ↑
残りの 23 問は、模試の各回を 60 問にそろえるため模試に入れず、分野別の演習で解答できます。50問は会員登録なしで解答できます。
模試の第1回(60問)は、無料の会員登録で利用できます。
登録なしで解く
会員登録(無料)で解く
購入者限定テキスト(3点)
購入者限定テキスト(3点)
問題集のご購入で、SecAI+の学習テキスト3点(PDF)をダウンロードできます。
続きを読む ↓閉じる ↑
この3点は参考書の買い足しが要らないように作っています。収録しているすべての問題を、テキストの記述だけで解けるところまで、問題との突き合わせ検品を重ねて仕上げました。
学習用テキストと頻出度別ノート、暗記用ノートの3冊と問題演習で、合格ラインまでここで完結します。
形式はPDFです。スマホに保存しておけばログインなしでいつでも見返せますし、紙で勉強したい方は印刷して紙のテキストとしても使えます。
3冊の使い方
- 学習用を読む
- 頻出度別で解き方を掴む
- 問題演習で腕試し
- 頻出度別に戻って再確認(試験直前もここ)
暗記用ノートは、空き時間の反復と用語の確認に使います。
スマホ・タブレットはA5版、PCはA4版が読みやすい設計です。
2026年9月1日 改訂:学習用テキストに図解を35枚追加しました(構成図・流れ図・対応表など、本文の理解を助ける技術図解です)。
ご購入済みの方は、下のボタンから再ダウンロードすると最新版になります。
- 学習用テキストサイト・PDFこれだけで問題が解けるようになる本編テキスト。サイトでは章ごとに読め、読んだ章に印が付きます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
- 頻出度別ノートサイト・PDFテキストを読んだら次はこれ。頻出順に絞った問題と解説で「解ける」に橋渡しします。試験直前の最終チェックにも。サイトでは答えを押して開きながら解答できます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
- 暗記用ノートサイト・PDF覚えるべき要点だけを一問一答に凝縮。空き時間の反復と用語の再確認用です。サイトでは問いの下の答えを押して開きながら覚えます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
テキストはご購入者本人の学習用です。PDFの各ページにはご購入者を識別できる透かしが入ります。再配布・転載・AI学習利用はできません。
改訂の履歴
- 2026年10月3日:模試の一部の問題を、別の問題に入れ替えました
- 2026年10月1日:模試の回ごとの組み合わせを見直しました
- 2026年9月1日:学習用テキストに図解を35枚追加しました
- 2026年8月6日:学習用テキストに説明を書き足しました
ご購入済みの方は、最新版をお使いいただけます。
見本 10 問(無料 50 問から)
問 1. セキュリティ教育チームが、標的型メール訓練に使う、実在しない社員の顔写真と自然な文面を作りたい。これまで使ってきたスパム判定のような判別モデル(Discriminative Model)では作れない理由を示すため、生成AI(Generative AI)との違いをまとめる。最も本質的な違いはどれか。
- 入力データをあらかじめ定義したカテゴリのいずれかに割り当てる出力に特化している点
- ラベル付きデータを使う教師あり学習に限られ、ラベルの無いデータからは学習できない点
- 学習データの分布を捉え、そこから新しいテキストや画像などのコンテンツを生成できる点(正解)
- モデルのパラメータ数が判別モデルより少なく、推論の計算コストを低く抑えられる点
解説
生成AIは学習データの背後にある分布を学習し、その分布からサンプリングして新規のコンテンツを生成する点が判別モデルとの本質的な違いである。訓練用の素材を新しく作れるかどうかが、この場面の分かれ目である。分類などカテゴリ割り当てに特化するのは判別モデルの特徴であり、生成AIの本質的な違いを説明するものではない。生成AIには教師なし学習・自己教師あり学習を用いる手法(GANやLLMの事前学習など)も広く使われており、ラベル付きデータに限定されない。パラメータ数の大小はモデル設計次第であり、生成AIのほうが少ないという関係は成り立たない。LLMのように大規模な生成AIも多くある。
問 2. メール基盤の担当者が、過去3年分のメールに、アナリストが「フィッシング」「正常」のラベルを付けたデータを持っている。これを使い、新しく届くメールがフィッシングかどうかを自動で分類するモデルを作りたい。採用する学習手法として最も適切なものはどれか。
- ラベルの無いデータ集合内の類似度だけをもとにグループ分けする教師なしクラスタリング
- 環境からの報酬を最大化する行動方針を学習する強化学習
- ラベル付きデータの入出力関係を学習する教師あり学習(正解)
- 正常データを学習し、新規データとの距離で異常を判定する外れ値検知
解説
正解ラベルが付与されたデータで入出力の対応関係を学習し二値分類器を構築する手法は教師あり学習であり、本問の要件に合致する。この場面では、正解のラベルが付いたデータで、2つの区分に分ける分類器を作る。教師なしクラスタリングはラベルを使わずに類似度でグループ化する手法であり、既知ラベルを活用する本問の目的には合わない。強化学習は環境との試行錯誤で報酬を最大化する学習方式であり、静的なラベル付きメールデータの分類には適さない。外れ値検知は正常データのベースラインからの乖離を見る手法であり、ラベル付き二値分類とは前提が異なる。
問 3. あるSOCがAIの脅威検知モデルを導入したが、検知漏れが多い。調べると、EDRのログは一部の端末からしか集めておらず、クラウドの操作ログは取り込んでいなかった。ベンダーは別のアルゴリズムへの切り替えを提案している。検知精度を上げるため最も優先すべきものはどれか。
- SOCアナリストが使用するモニターの解像度
- 学習に用いるテレメトリ(ログ・イベント)データの網羅性と品質(正解)
- アラート通知に用いるメール送信サーバーの冗長構成と配送再試行の間隔設定
- 検知結果を表示するダッシュボードの配色デザイン
解説
「Garbage In, Garbage Out」の原則どおり、収集するテレメトリデータの網羅性・品質が低ければ、優れたアルゴリズムでも検知精度は向上しない。この場面の検知漏れは、アルゴリズムより先に、取り込むデータの欠けから来ている。モニターの解像度はアナリストの作業環境の話であり、モデルの検知精度そのものには影響しない。メール送信サーバーの冗長構成はアラート配信の可用性の話であり、検知精度の要因ではない。ダッシュボードの配色は視認性に関わるUIの話であり、モデルの検知精度とは無関係である。
問 4. あるSOCでは、EDR・メールゲートウェイ・ファイアウォールのアラートを担当者が別々の画面で確かめ、隔離や遮断を手作業で行っている。夜間の対応が遅れるため、アラートを1か所に集め、決めた手順書に沿って対応を自動で実行したい。導入する仕組みとして最も適切なものはどれか。
- CASB(Cloud Access Security Broker)
- DLP(Data Loss Prevention)
- SOAR(Security Orchestration, Automation and Response)(正解)
- PKI(Public Key Infrastructure)
解説
複数のセキュリティ製品を連携させ、プレイブックに基づいて調査や封じ込め対応を自動化・オーケストレーションする仕組みはSOARと呼ばれる。要件は、アラートの集約と、手順に沿った対応の自動実行である。CASBはクラウドサービス利用の可視化・制御を行う仕組みであり、プレイブック自動化そのものを指す用語ではない。DLPは機密データの持ち出しや漏えいを検知・防止する仕組みであり、アラート対応の自動化とは目的が異なる。PKIは公開鍵証明書を発行・管理する基盤であり、対応アクションの自動実行とは無関係。
問 5. 製造業の企業が、工場のネットワークにつながる小型のゲートウェイ機器の中で、ログの要約を動かしたい。機器のメモリと処理能力は小さく、データを社外のクラウドに出すこともできない。大規模言語モデル(LLM)と小規模言語モデル(SLM)の違いを踏まえた説明として最も適切なものはどれか。
- LLMはパラメータ数が多い分、推論時のメモリと計算資源が少なく済み、エッジデバイスに向いている
- SLMは事前学習を行わず、少量のラベル付きデータで最初から学習させたモデルを指す
- LLMとSLMの違いはアーキテクチャの種類であり、Transformerを使うものがLLMと呼ばれる
- SLMはLLMよりパラメータ数が少なく、限られた計算資源の環境やエッジデバイスへの展開に適している(正解)
解説
SLMはLLMに比べてパラメータ数が少なく設計されており、その分メモリや計算資源の制約が厳しい環境やエッジデバイスへの展開に適している。この場面では、小さな機器の中で動くことが条件になる。パラメータ数が多いLLMは推論時のメモリと計算資源をむしろ多く必要とし、エッジデバイスに向くのはSLMの側である。SLMも一般にはLLMと同じく大量のデータで事前学習を行い、その後に用途に合わせて調整される。事前学習を行わないことがSLMの定義ではない。LLMもSLMも多くはTransformerを使っており、主な違いはパラメータ数や必要な計算資源の規模である。
問 6. AIアプリケーションが、LLMが生成した応答をそのままフロントエンドのHTMLに埋め込んで表示していたところ、攻撃者がプロンプトによってLLMに悪意あるスクリプトタグを含む出力を生成させ、結果としてクロスサイトスクリプティング(XSS)が発生した。OWASP Top 10 for LLM Applications(2025年版)においてこのリスクに該当するカテゴリはどれか。
- LLM05:2025 Improper Output Handling(正解)
- LLM01:2025 Prompt Injection
- LLM08:2025 Vector and Embedding Weaknesses
- LLM09:2025 Misinformation
解説
LLMの出力を検証・サニタイズせずに下流のシステム(ブラウザやデータベースなど)へそのまま渡すことで生じる脆弱性はLLM05:2025 Improper Output Handlingに該当する。「LLM01:2025 Prompt Injection」は適切でない。プロンプトインジェクションは指示が上書きされる入力側の問題を指す用語であり、本問の焦点は出力を検証せずに使ってしまったアプリケーション側の処理にあるため、直接的にはLLM05の方が適合する。LLM08:2025はベクトルデータベースや埋め込みを利用するRAGシステム特有の脆弱性を扱うカテゴリであり、出力のサニタイズ不足とは別の論点である。LLM09:2025はモデルが誤った情報を自信を持って生成するリスクを扱うカテゴリであり、出力を安全に処理する仕組みの欠如とは異なる論点である。
問 7. ある企業が、EU域内の採用担当者向けに、応募者を評価するハイリスクAIシステムを提供する予定である。製品責任者は、発売までに整える体制を計画に入れたい。EU AI ActがハイリスクAIシステムの提供者に課す義務として適切なものはどれか。
- リスク管理システムの構築、技術文書の整備、人間による監視の確保(正解)
- 学習に使ったソースコードと重みを一般に公開すること
- AIシステムの判定を出すたびに、その判定の対象となる個人から個別に同意を取得すること
- 学習データの永久保存と削除の禁止
解説
ハイリスクAIシステムの提供者には、リスク管理システムの構築、データガバナンス、技術文書・記録の整備、透明性の確保、人間による監視、正確性・堅牢性・サイバーセキュリティの確保などが義務付けられる。計画に入れるべきなのは、ハイリスクAIの提供者に課される義務である。ソースコードや重みの一般公開は義務として定められていない。ハイリスクAIに求められるのは、当局や利用者に向けた技術文書や情報の提供である。判定ごとの同意取得はEU AI Actの義務として定められていない。個人データの扱いの同意はGDPRなど別の法制の論点である。データの永久保存・削除禁止は義務ではなく、むしろデータ保護法制とも矛盾する内容である。
問 8. セキュリティアナリストが、既存のシグネチャベースの検知に、機械学習による異常検知(アノマリー検知)を足すかを検討している。投資の理由を経営層に示すため、異常検知のほうが特に効く場面を1つ挙げたい。最も適切なものはどれか。
- 既知のマルウェア亜種を高速に大量スキャンし、ハッシュ値やシグネチャの一致によって確実に排除したい場面
- 過去に定義されたパターンが存在しない未知の攻撃手法やゼロデイ攻撃の兆候を捉えたい場面(正解)
- コンプライアンス監査のために過去のログ保管期間を正確に記録したい場面
- ネットワーク帯域の使用率をリアルタイムに可視化しダッシュボード表示したい場面
解説
異常検知はベースラインからの逸脱を捉える手法のため、事前定義済みのシグネチャが存在しないゼロデイ攻撃や未知の攻撃手法の兆候を発見しやすい。投資の理由になるのは、シグネチャでは捉えられない場面である。既知のパターンとの一致確認はシグネチャベース検知が得意とする領域であり、異常検知の強みとは異なる。監査ログの保管期間の管理はログ管理・保持ポリシーの話であり、検知手法の選定基準ではない。帯域使用率の可視化は監視ダッシュボードの機能であり、脅威検知の話ではない。
問 9. ある企業の写真分類モデルは、全体の精度の評価では毎回合格していた。ところが後から、隅に小さな模様が写り込んだ写真だけで、決まった誤分類を起こすことが分かった。学習データに細工が混ぜられていた。このバックドア(トリガー型)データポイズニング攻撃の特徴として最も適切なものはどれか。
- 学習データ全体の精度を一様に低下させるため、通常の評価指標(全体精度)を学習のたびに確認していれば容易に検知できる
- モデルの重みを外部から直接改ざんする攻撃であり、学習データの内容とは無関係に成立する
- 推論APIのレスポンス遅延を利用して、モデルの内部構造をサイドチャネル的に推測する
- 特定のトリガーパターン(特定の単語・画像パッチ等)を含む入力に対してのみ異常な挙動を発現し、通常の入力に対しては正常に動作するため検知が困難(正解)
解説
バックドア型のデータポイズニングは、特定のトリガーを含む入力にのみ異常な挙動を発現させ、それ以外では通常どおり動作するよう設計されるため、全体精度などの通常評価では発見しにくい。この場面では、全体の評価には現れず、特定の印がある時だけ異常が出ている。バックドア型ポイズニングは特定のトリガーに対してのみ異常な挙動を発現させるよう設計されるため、通常の評価指標(全体精度)では検知が難しい点が特徴である。モデルの重みを外部から直接改ざんする行為は学習データとは別の攻撃経路であり、バックドア型データポイズニングの説明ではない。推論APIのレスポンス遅延を利用した内部構造の推測はサイドチャネル的な情報収集の手口であり、バックドア型データポイズニングの特徴とは異なる。
問 10. SOCの検知モデルを社内のログで再学習させる設定ファイルに「epochs: 10」と書かれていた。この値が表す機械学習の「エポック(Epoch)」の意味として最も適切なものはどれか。
- モデルの重みを更新する際に一度に使用するサンプル数
- モデルの推論時に許容される最大の応答時間
- 学習データセット全体を1回モデルに通して学習させる単位(正解)
- 学習済みモデルの重みを整数型に変換する処理単位
解説
エポックとは、学習データセット全体を1回モデルに通して学習(順伝播・逆伝播とパラメータ更新)を行う単位を指す。重み更新の際に一度に使用するサンプル数はバッチサイズの説明であり、データセット全体を1周する単位であるエポックとは異なる。推論時の許容応答時間はレイテンシなど別の性能指標であり、エポックの定義ではない。重みを整数型に変換する処理は量子化の説明であり、学習の単位であるエポックとは異なる概念である。
よくある質問
- 利用期限はありますか?
- ありません。買い切りです。内容を改定した場合も、追加の料金なしでそのまま使えます。
- スマホでも解答できますか?
- 解答できます。ブラウザでそのまま使えるので、アプリのインストールは不要です。通勤中の演習にも向いています。
- アカウントは必要ですか?
- いいえ、50問は会員登録なしで解答できます。模試の第1回(60問)は、無料の会員登録で利用できます。会員登録(無料・Google なら 1 押し)は、このほか購入の時に要ります。購入後はどの端末からでもログインして続きを再開できます。
- 返品・返金はできますか?
- デジタルデータのため、ご購入後の返品・返金はお受けしておりません。決済の重複などの不具合があった場合は、お問い合わせページからご連絡ください。買う前に、同じ問題集の収録問題を登録なしで50問解いて確かめられます。
- サービスが終了した場合はどうなりますか?
- サービスを終了する場合は、終了日の3ヶ月以上前にサイトとメールでお知らせし、購入済みの問題・解説をダウンロードできる形で提供します。
詳しくは特定商取引法に基づく表記をご覧ください。
分野別の実力と、出る順
出題比率が高い分野から並べています。
並べ方と出典 ?
CompTIA 公式 SecAI+ (CY0-001) の Exam Domainsに沿って、収録問題を分野ごとに分けています。公式が示す出題比率が高い分野から並べているので、上から順に潰していけば、限られた時間を比率の高い分野に集中できます。
出典: CompTIA 公式 SecAI+ (CY0-001) の Exam Domains(CY0-001・2026年10月確認)。 収録503問すべてに分野を付けています。
- AI システムの安全確保—公式の配点比率 40%解答 0 問
- AI 支援セキュリティ—公式の配点比率 24%解答 0 問
- AI のガバナンス、リスク、コンプライアンス—公式の配点比率 19%解答 0 問
- サイバーセキュリティに関連する基本的な AI 概念—公式の配点比率 17%解答 0 問
いまの実力の見込み
読み込み中です。
公式の合格ライン: 600点(100〜900の換算スコア)。
復習の定着
読み込み中です。
全部やらなくても、範囲は1周できます
無料で解ける第1回(60問)の中を、公式の出題比率が高い分野から並べ替えて解答できます。全範囲を対象にした「最短1周セット」は、ご購入後にこの欄に表示されます。
SecAI+ についての記事
SecAI+ の合格報告
ご購入いただいた方から届いた合格のご報告です。お名前は出していません。
合格報告 13 件・平均の学習期間 4.5 週間
「見覚えがある」は、同じ出題範囲を先に解いたからです。本番の問題は 1 問も載せていません。
2026年9月受験・学習期間 6週間(約1か月)
夜勤明けの時間で6週間。出題範囲の比率どおりに練習できました。合格できてほっとしています。
2026年9月受験・学習期間 4週間(約1か月)
出張の移動中に4週間。用語を英語と日本語の両方で覚えられました。
2026年10月受験・学習期間 5週間(約1か月)
朝5時に起きて5週間。出題範囲の比率どおりに練習できました。次は Project+ を受けます。
合格報告をお送りいただいた方には、お礼として次回使える500円クーポンをお渡ししています。