SecAI+のサンプル問題（本番形式・解説付き）

SecAI+（CompTIA・CompTIA SecAI+（CY0-001））の出題形式を、実際の問題で確かめられます。ここに掲載する5問は、無料の会員登録で解ける模試第1回（60問）の冒頭から抜粋したオリジナル問題です。当サイトは全503問を本番CBT準拠の形式で収録しており、この5問はそのごく一部にあたります。

設問1

推論サーバーとベクトル DB への経路を絞る

解説

ファイアウォール（FW-01）を開き、「ルール」のタブを出す。 3 行目（送信元 ANY・宛先 10.30.0.20・TCP 5432）を編集し、送信元を 10.20.0.10 にする。「ルールを追加」で、送信元 10.10.0.0/24・宛先 10.30.0.0/24・ANY・拒否の行を、5 行目（社員 LAN から ANY への TCP 443）より上に足す。 1・2・4・5 行目は要件どおりなので変えない。

設問2

自動ペネトレーションテストの範囲を検証環境に絞る

解説

ファイアウォール（FW-03）を開き、「ルール」のタブを出す。 2 行目（10.70.0.10 から 10.80.0.0/24 への TCP 1-1024）を編集し、プロトコルとポートを ANY にする。 3 行目（10.70.0.10 から本番環境 10.90.0.0/24 への全部の許可）を削除する。 4 行目（10.70.0.10 から ANY への TCP 443）を編集し、宛先を 10.50.0.30 にする。 1 行目（管理用 PC の SSH）は変えない。

設問3

医療分野の大規模言語モデルを学習させる際、学習データセットに含まれる患者の氏名・生年月日・保険番号などの識別子を、学習前にマスキングまたは削除する処理を実施した。この対策の主な目的として最も適切なものはどれか。

推論APIへの大量クエリを用いたモデル抽出攻撃によって、モデルの重みや機能が盗まれるリスクを低減するため
モデルの推論速度を向上させ、APIのレイテンシを削減するため
学習済みモデルが患者の個人情報を記憶し、後の推論時に漏えいさせるリスクを低減するため（正解）
学習済みモデルファイルの配布経路における改ざんを検知するため

解説

学習データから個人識別子を事前に除去・マスキングすることで、モデルがそれらを記憶し推論時の応答として再現・漏えいさせるリスクを低減できる。モデル抽出攻撃はAPIへのクエリを通じてモデルの挙動を複製する攻撃であり、学習データからの個人識別子の除去とは対策の対象が異なる。識別子のマスキングはデータの内容に関する処理であり、推論の計算量やレイテンシに直接影響を与える施策ではない。モデルファイルの改ざん検知はハッシュ検証や署名によって行われるものであり、学習データの前処理とは異なる段階の対策である。

他の選択肢が誤りである理由

「推論APIへの大量クエリを用いたモデル抽出攻撃によって、モデルの重みや機能が盗まれるリスクを低減するため」モデル抽出攻撃はAPIへのクエリを通じてモデルの挙動を複製する攻撃であり、学習データからの個人識別子の除去とは対策の対象が異なる。
「モデルの推論速度を向上させ、APIのレイテンシを削減するため」識別子のマスキングはデータの内容に関する処理であり、推論の計算量やレイテンシに直接影響を与える施策ではない。
「学習済みモデルファイルの配布経路における改ざんを検知するため」モデルファイルの改ざん検知はハッシュ検証や署名によって行われるものであり、学習データの前処理とは異なる段階の対策である。

設問4

あるSOCでは、同じ部署の端末から、似た手口のマルウェア感染が繰り返し報告されている。毎回、個別に駆除して終わっている。マネージャーは、過去のインシデントをAIでクラスタリングし、根本原因の特定に役立てたい。この仕組みが有効な理由として最も適切なものはどれか。

インシデントの発生を予測し、攻撃が起きる前に対象の端末を自動で隔離できる
過去の類似事例との共通点を提示することで、原因調査の仮説立案を効率化できる（正解）
攻撃者の身元や所属組織を、クラスタリングで得られた類似度の数値から特定できる
似た事例がまとまったクラスタを誤検知の集まりとみなし、まとめて自動で閉じられる

解説

類似インシデントのクラスタリングにより過去事例との共通パターンが可視化され、アナリストが根本原因の仮説を立てる際の手がかりを効率的に得られる。この場面で求められているのは、繰り返す事案の共通点から根本原因を探ることである。クラスタリングは既発生の事例を似たもの同士にまとめる分析手法であり、攻撃を予測して事前に隔離する機能ではない。クラスタリングは類似度に基づく分類であり、攻撃者の身元を確実に特定できる技術ではない。似ていることは誤検知であることを意味せず、一括で閉じると本物のインシデントを見逃す。クラスタリングの目的は根本原因調査の支援である。

他の選択肢が誤りである理由

「インシデントの発生を予測し、攻撃が起きる前に対象の端末を自動で隔離できる」クラスタリングは既発生の事例を似たもの同士にまとめる分析手法であり、攻撃を予測して事前に隔離する機能ではない。
「攻撃者の身元や所属組織を、クラスタリングで得られた類似度の数値から特定できる」クラスタリングは類似度に基づく分類であり、攻撃者の身元を確実に特定できる技術ではない。
「似た事例がまとまったクラスタを誤検知の集まりとみなし、まとめて自動で閉じられる」似ていることは誤検知であることを意味せず、一括で閉じると本物のインシデントを見逃す。クラスタリングの目的は根本原因調査の支援である。

設問5

あるAIガバナンス委員会が、NIST AI RMFの「信頼できるAI(trustworthy AI)」の特性に沿って、採用審査AIの評価項目を作っている。不採用になった応募者から理由を問われた時に、AIが出した判断の仕組みと、その結果が何を意味するかを示せることが要件である。この要件に対応するAI RMFの特性はどれか。

説明可能性及び解釈可能性(Explainable and Interpretable)（正解）
妥当性及び信頼性(Valid and Reliable)
セキュリティ及びレジリエンス(Secure and Resilient)
プライバシーへの配慮(Privacy-Enhanced)

解説

NIST AI RMFが定める信頼できるAIの特性は、妥当性・信頼性、安全性、セキュリティ・レジリエンス、説明責任・透明性、説明可能性・解釈可能性、プライバシー強化、公平性(有害バイアスの管理)である。このうち、AIの動作の仕組み(どのように)と出力の意味(なぜ)を示せることを扱うのは説明可能性及び解釈可能性である。

他の選択肢が誤りである理由

「妥当性及び信頼性(Valid and Reliable)」妥当性及び信頼性は、AIが要求どおりに正しく動き続けることを扱う特性であり、判断の仕組みと結果の意味を示すことを扱うものではない。
「セキュリティ及びレジリエンス(Secure and Resilient)」セキュリティ及びレジリエンスは、攻撃や想定外の事象に耐えて機能を保つことを扱う特性であり、判断の仕組みと結果の意味を示すことを扱うものではない。
「プライバシーへの配慮(Privacy-Enhanced)」プライバシーへの配慮は、個人の自律や情報を守ることを扱う特性であり、判断の仕組みと結果の意味を示すことを扱うものではない。

続きは、会員登録なしでそのまま50問解けます。採点と解説つきで、上と同じ本物の問題です。

登録なしで50問解く

← SecAI+ の資格ページへ