Apple、Safariの22件の脆弱性を修正——うち9件はCodex Securityの功績と認定

Appleは、Safari 26.6.1で修正されたWebKitの脆弱性22件のうち9件についてOpenAI Codex Securityの功績を認定しました。これは、AI支援型による脆弱性調査がオペレーティングシステムのセキュリティリリースに貢献した具体的な事例となります。ソフトウェアエコシステムが複雑化するにつれて、ブラウザのレンダリングエンジンは膨大な攻撃対象領域となり、従来のセキュリティテストに大きな課題を突きつけています。これまで、脆弱性の発見は専用のファジングクラスター、手動によるコード監査、外部からのバグ報奨金レポートに依存していました。コードベース固有の脅威モデリングと、隔離された環境での自動エクスプロイト検証を組み合わせることで、AIセキュリティエージェントは露出度の高いブラウザインフラ全体にわたる脆弱性開示パイプラインを強化しています。

Safari 26.6.1でのAppleの修正内容：22件のWebKit CVEの解剖

概要

Appleは2026年8月18日にSafari 26.6.1をリリースし、macOS SonomaおよびmacOS SequoiaにおけるWebKitの22件の脆弱性に対処しました。
OpenAI Codex Security（研究者のAmy Burnett氏）が9件のCVEエントリーでクレジットされており、これは記載されたアドバイザリの約41%に相当します。
今回のアップデートでは、領域外（アウトオブバウンズ）アクセス、解放後使用（use-after-free）状態、メモリ破損、機密データの漏洩など、いくつかのクラスのWebKitの問題に対処しています。

ブラウザベンダーはこれまで長年にわたり、内部のセキュリティ調査、外部からのレポート、ファジングを組み合わせて脆弱性を特定してきました。効果的ではあるものの、手動によるコードレビューでは、数百万行のC++やアセンブリを含む複雑でモダンなコードベースのペースに追いつくのが困難です。

ブラウザエコシステム全体におけるこれらの脆弱性に対処するため、AppleはmacOS SonomaおよびmacOS Sequoia向けのOSアップデートと同時にSafari 26.6.1のセキュリティコンテンツを公開しました。Appleの公式セキュリティリリースに関するページに詳細が記載されています。このアップデートにより、Safariを駆動するオープンソースのレンダリングエンジンであるWebKitに影響を与える22件の共通脆弱性識別子（CVE）の修正が提供されます。

OpenAI Codex Securityの功績が認定された9件のWebKit脆弱性を示すAppleのセキュリティリリースノートの表

Safari 26.6.1のリリースは、AI支援型による脆弱性調査が確立されたソフトウェアセキュリティワークフローにどのように組み込まれているかを示しています。9to5Macの技術分析で報じられているように、アップデートにリストされている脆弱性の約41%に相当する22件のCVEのうち9件は、OpenAI Codex Securityを活用した研究者のAmy Burnett氏によるものです。その他のセキュリティへの貢献としては、Cisco Talos、Citadelo、Out of Bounds、TrendAI Zero Day Initiative、Calif.io、Braze Security Teamなどの独立系研究グループが挙げられます。

Safari 26.6.1の修正とCVEクレジットの詳細を示すAppleのセキュリティアップデートのドキュメント

内部の仕組み：Codex SecurityがSafari 26.6.1の脆弱性調査にどのように貢献したか

アーキテクチャの観点から見ると、ブラウザエンジンは信頼されていないWebコンテンツを継続的に解析しながら、複雑なメモリやサンドボックスの境界とやり取りするため、特に脆弱な状態にあります。WebKitは、信頼されていないHTMLの解析、複雑なJavaScriptの実行、メモリ割り当ての管理、およびオペレーティングシステムのサンドボックス内でのクロスオリジンリソースの隔離を担当しています。

Safari 26.6.1で解決された脆弱性は、いくつかの明確なWebKitの問題のクラスに分類されます。例としては以下のようなものがあります。

領域外メモリへのアクセス（CVE-2026-64784）：Appleのセキュリティノートによると、境界チェックの改善により、領域外アクセスに関する問題に対処しました。
解放後使用（Use-After-Free）の脆弱性（CVE-2026-64715、CVE-2026-64787）：メモリ管理の改善により、解放後使用の問題に対処しました。
ロックおよび入力検証を通じたメモリ破損（CVE-2026-64782、CVE-2026-64781）：ロックの改善によりメモリ破損の脆弱性に対処し、入力検証の改善により予期せぬSafariのクラッシュを引き起こす問題に対処しました。
WebKit履歴の機密データ漏洩（CVE-2026-64778）：悪意を持って作成されたWebサイトにアクセスした際に機密データが漏洩する可能性のあるWebKit履歴の問題について、チェックの改善により対処しました。

Appleのセキュリティリリースでは、22件のWebKit CVEエントリーのうち9件についてOpenAI Codex Securityの功績を認定しています。Appleは個々の発見ごとに個別の発見プロセスに関する詳細な解説を公開していませんが、このクレジットはCodex Securityが実際の脆弱性調査に関与している具体例を示しています。

OpenAI Codex Securityの公式ドキュメントによると、同システムは対象リポジトリのアーキテクチャとリポジトリの履歴に基づいて、プロジェクト固有の脅威モデルを構築します。言語モデルの推論を使用して現実的な実行パスを探索し、隔離されたテスト環境内で潜在的な問題を検証し、人間によるレビュー用に提案されたパッチを提示します。

以下の図は、従来のスキャン方法とコンテキストを認識した脆弱性発見の構造的な違いを示しています。

[SAST パイプライン]
ソースコード
  └──> 静的ルール / データフロー分析
        └──> 報告された発見事項
              └──> アナリストによるトリアージ

[ファジング パイプライン]
ターゲットバイナリ / ハーネス
  └──> 入力の生成と変異
        └──> 実行とカバレッジ
              └──> クラッシュのトリアージ

[Codex Security ワークフロー]
リポジトリコンテキスト
  └──> 脅威モデルと攻撃パス
        └──> 隔離された検証
              └──> パッチの提案と人間のレビュー

このアプローチは、単一の静的ルールだけでは評価が難しい脆弱性を調査することを目的としています。特に、セキュリティの特性がより広いシステムのコンテキストや複雑なプログラムの動作に依存している場合に有効です。

AI支援型の脆弱性調査が従来のスキャンと異なる点

自動化された脆弱性の発見が確立されたセキュリティワークフローに組み込まれるにつれて、セキュリティアーキテクトはこれらのツールがソフトウェアテストライフサイクル全体でどのように動作するかを理解する必要があります。これらのアプローチは、脆弱性の発見と検証の方法において異なっています。

方法論の評価：静的解析、ファジング、およびAIエージェント

AIセキュリティエージェントは、既存の脆弱性調査手法を置き換えるものではなく、補完するものです。SASTツールが静的ルール、データフロー、プログラム解析手法を使用してソースコードを分析する一方、ファザーは生成または変異させた入力を使用して実行時動作をテストし、クラッシュを露呈させます。コンテキストを認識するエージェントは、相互接続されたモジュール全体にわたるセマンティックな意図と実行ロジックを分析します。

以下の表は、複雑なソフトウェア内の脆弱性を特定するための標準的な方法論を比較したものです。

方法論	発見のメカニズム	検証のアプローチ	主な強み
SAST	静的ルール、データフロー、コード分析	アナリストによるトリアージとテスト	コードレベルのリスクのスケーラブルな検出
ファジング	ターゲットに対して実行される生成または変異された入力	クラッシュの再現とカバレッジ分析	予期せぬ実行時動作の発見
Codex Security	リポジトリのコンテキスト、脅威モデリング、コード推論	隔離された再現とエビデンスの収集	より広いコードコンテキストに依存する脆弱性の調査

自動化された攻撃パスの探索と隔離された検証を組み合わせることで、セキュリティエージェントは、上流のメンテナーに修正案を提出する前に、理論上のコードの異常が実際の欠陥を表しているかどうかを研究者が検証できるようにします。

エンジニアリングチェックリスト：AIセキュリティエージェントを導入する前にセキュリティチームが検証すべきこと

AI支援型による脆弱性発見を企業のエンジニアリングワークフローに責任を持って統合するために、セキュリティリーダーは体系的な運用ガイドラインを確立することができます。

セキュリティチーム向けの導入チェックリスト

隔離されたサンドボックス検証の確立：意図しない実行を防ぐため、すべてのAIセキュリティエージェントが厳重にパーティション分割された環境内で検証ワークフローを実行することを確認します。
人間参加型のレビュー（Human-in-the-Loop）の徹底：デプロイの前に、経験豊富なセキュリティエンジニアがすべてのAI生成による脆弱性の発見事項と提案されたパッチを評価および検証することを義務付けます。
リポジトリと認証情報へのアクセスのスコープ設定：自動化エージェントに対して最小権限のアクセス許可を構成し、本番環境の認証情報にアクセスすることなく、対象のソースコードのみを検査するようにします。

ガバナンスと運用監視のチェックリスト

シグナル対ノイズ比のベンチマーク：エンジニアリングの効率を確保するため、AIが生成したセキュリティアラートの誤検知率を既存のSASTおよび動的解析パイプラインと比較して測定します。
透明性の高いCVE開示の維持：調整された脆弱性の開示基準に従い、明確な再現手順と検証済みの修正提案を上流のソフトウェアメンテナーに提供します。
オペレーティングシステムのセキュリティパッチの迅速な適用：公開されたWebKitのメモリおよび状態処理の欠陥を修復するため、企業の端末がSafari 26.6.1などのブラウザアップデートを受信できるようにします。

よくある質問（FAQ）

Codex Securityは、功績が認定された9件のWebKitの発見にどのように貢献しましたか？

Appleは、22件のWebKit CVEエントリーのうち9件についてOpenAI Codex Securityの功績を認定しており、クレジットにはAmy Burnett氏の名前が記載されています。Appleは個々の発見ごとに個別の発見プロセスに関する詳細な解説を公開していません。OpenAIによると、Codex Securityはリポジトリのコンテキスト、脅威モデリング、攻撃パスの分析、隔離された検証を使用して潜在的な問題を特定し、人間によるレビュー用のパッチ案を提示します。

Safari 26.6.1ではどのような種類のセキュリティ上の欠陥が解決されましたか？

このアップデートでは、領域外メモリへのアクセス、解放後使用（use-after-free）の状態、状態同期中の不適切なロック、入力検証のエラー、および悪意を持って作成されたWebページにアクセスした際に機密のブラウジングデータを漏洩させる可能性のあるWebKit履歴の欠陥など、22件のWebKitの脆弱性が解決されています。

AI支援型の脆弱性調査は、従来のSASTやファジングツールとどのように異なりますか？

事前に定義された構文ルールに依存する静的アナライザーや、クラッシュを引き起こすためにランダムまたは変異した入力を生成するファザーとは異なり、AIセキュリティエージェントは言語モデルの推論を使用してコンテキストの意図を分析し、現実的な攻撃ベクトルをモデル化し、人間によるレビュー用のパッチを提案します。

エンジニアリングチームにとっての重要なポイント

Safari 26.6.1のリリースは、AI支援型による脆弱性調査が実際のブラウザセキュリティのリリースに貢献した具体的な事例を提供しています。人間の研究者を置き換えるのではなく、AIエージェントは検証と修復を人間のレビュー下に維持しながら、自動化された脆弱性分析の範囲を拡大することができます。

セキュリティチームにとっての実用的な教訓は、単一の検出方法に依存するのではなく、リポジトリのコンテキスト、脆弱性の検証、および人間のレビューを組み合わせることです。厳格なサンドボックステストと調整された開示を実施することで、組織はソフトウェアが本番環境に到達する前に複雑な脆弱性を特定して修復することができます。