
4-4 LLM APIを踏み台にしたSSRF攻撃——外部サービス連携の脆弱性

2026年現在、LLM(大規模言語モデル)は単なるテキスト生成エンジンから、外部ツールと連携して自律的に動作する「Agentic AI」へと進化を遂げています。それと同時に、その攻撃対象領域は劇的に拡大しており、中でも「LLM APIを踏み台にしたSSRF(Server-Side Request Forgery)攻撃」は、もはや古典的なWebアプリケーションの脆弱性ではなく、AIシステムのインフラそのものを脅かすクリティカルなリスクとして認識されるべきです。
本記事では、最新のAIセキュリティ動向と具体的な脆弱性事例を交えながら、この脅威の本質と対策を解説します。
1. SSRFとは何か?—— そしてなぜLLMで深刻化するのか
SSRFは、攻撃者がサーバーに任意のリクエストを送信させ、内部ネットワークの探索や機密情報の取得を図る攻撃です。従来のWebアプリケーションでも脅威でしたが、LLMの登場によりその危険性は飛躍的に高まりました。その理由は、LLMが「呼び出し元」として機能するからです。
外部ツール連携のデフォルト化:2026年のAIエコシステムでは、Web検索、RAG(検索拡張生成)、データベース操作、クラウドAPIなど、LLMが外部サービスと連携することは標準機能です。
「信頼」の誤った前提:多くの開発者は、LLMの出力が構造化データ(JSONなど)としてパースされることと、そのデータが「安全である」ことを混同しがちです。しかし、LLMの出力パーサーは入力サニタイザーではありません。攻撃者は、巧妙なプロンプトインジェクションを用いて、LLMに悪意のあるパラメータ(URLなど)を選択させることができます。
つまり、AIエージェントが与えられたツールを使うという「便利さ」が、攻撃者に社内ネットワークへの侵入経路を提供する「脆弱性」に転じるのです。
2. 2026年のLLMエコシステムで確認されたSSRFの実例
理論だけではありません。ここ1年で、主要なLLM関連ツールやライブラリで、現実にSSRF脆弱性が多数発見・公開されています。これらの事例は、もはや「想定外」ではなく「当たり前」のリスクであることを示しています。
LiteLLM(CVE-2026-12774)
RAGデータ取り込みやMCP接続テストのエンドポイントで、ユーザーが指定したfile_urlやtoken_urlを無検証でリクエストする脆弱性。
その結果、内部ネットワークスキャン、クラウドメタデータサービス(IMDS)へのアクセス、認証情報の窃取といった被害が発生する。
OpenClaw(CVE-2026-26322)
Function CallingのgatewayUrlパラメータをLLMの指示に従い無検証で使用する脆弱性。
これにより、内部ネットワークへのバックドア化が可能となり、AIエージェントが内部の「スパイ」と化すリスクがある。
Headroom(CVE-2026-77775)
HTTPヘッダーx-headroom-base-urlで指定された任意のホストにリクエストをプロキシする脆弱性。
Authorizationヘッダーごと内部サービスに転送され、認証情報を含むデータが漏洩する深刻な被害をもたらす。
flyto-core
base_urlパラメータを検証するSSRFガードが、「公開ホスト」を許可していたために、オペレーターのAPIキーが攻撃者サーバーに送信される事態に。
結果として、クラウドLLMアカウントの乗っ取りや不正利用による経済的被害が発生する。
これらの事例に共通するのは、バリデーションの欠如もしくは不十分さです。開発者は「セキュリティはシステムプロンプトで何とかする」という誤った楽観論を捨て、ゼロトラストの思想で設計に臨む必要があります。また、LiteLLMの事例のように、一見修正されたように見えても、パラメータのネストなどで簡単にバイパスされるケースも報告されており、セキュリティ対策の「すり抜け」が常に警戒されています。
3. 脅威の最前線:MCPとRAGがもたらす新たな攻撃面
特に注意すべきは、2025年頃から急速に普及したMCP(Model Context Protocol) とRAGです。
MCPサーバーの台頭:MCPはAIエージェントの機能を拡張するためのプロトコルですが、各MCPサーバーが新たな攻撃対象となります。セキュリティ研究者は、MCPサーバーに対し、たった1つのPOSTリクエストでRCE(リモートコード実行)やSSRFが可能になるケースを確認しています。
RAGパイプラインの盲点:外部ドキュメントを読み込むRAG機能は、SSRFの格好の標的です。ドキュメントの取得元URLをLLMに指定させる設計は、攻撃者に内部システムへのアクセス権限を事実上与えることと同義です。
4. どう防御するか——ゼロトラストで臨む具体的な対策
「システムプロンプトで安全を指示する」といった表層的な対策は、プロンプトインジェクションによって容易に無効化されます。インフラとコードのレベルで防御を組み込むことが不可欠です。
厳格な入力バリデーションとホワイトリスト制御:
URLを受け付けるFunctionやAPIエンドポイントには、スキーマ(http/httpsの制限)、ホスト名、ポート番号の厳格なホワイトリストを実装します。内部IPアドレス(`127.0.0.1`、`169.254.169.254`など)は明示的に拒否します。
ネットワークレベルの隔離とファイアウォール:
LLMサーバーやAIエージェントが動作する環境からのEgress(外部送信)通信を厳しく制限します。許可された外部APIエンドポイント以外への接続をブロックするのが理想です。
シークレットの分離と権限の最小化:
オペレーターの秘密鍵(APIキー)を、ユーザーが制御可能なパラメータと一緒に自動送信してはいけません。ユーザーがカスタムの`base_url`を指定する場合は、それ用のAPIキーをユーザーに提供させるなど、設計を根本的に見直す必要があります。
クラウドメタデータサービスへのアクセスには、IMDSv2の使用を必須化し、認証を強化します。
継続的なセキュリティテストと監視:
開発パイプラインに静的解析ツール(SAST) を組み込み、コードレベルでSSRFリスクを検出します。
AIエージェントが実際にどのような外部リクエストを行っているかを監視し、異常なコールパターン(不審なURLや高頻度のアクセス)を検知する仕組みを導入します。
まとめ:リスクを「飼いならす」ために
LLM APIを踏み台にしたSSRF攻撃は、AIシステムの「外部連携」という強力な機能の裏返しです。この脆弱性は、LLM自体の欠陥というよりも、それを取り巻くインフラやアーキテクチャの設計ミスに起因します。
『DeepSeek 安全運用の手引き』のタイトルが示す通り、このリスクを「飼いならす」ためには、LLMを「信頼できない外部入力」として扱い、ネットワーク、コード、データフローの各レイヤーで多層的な防御を実装する覚悟が必要です。そして、それは単に特定のAIベンダーを選択するかどうかではなく、AIを利用するすべての組織が主体的に取り組むべき、現代のセキュリティにおける必須教養と言えるでしょう。
▼ DeepSeekを、日本語で学び、動かし、安全に使う。
実践学習サイト「deepseek.ac」では、参考書の内容を
操作と実装で確かめられる教材を公開しています。
▼ 参考書・問題集
『DeepSeek安全運用の手引き』
『DeepSeek安全運用の手引き 問題集 全70問』