Skip to main content

AIエージェントに『Pod見てきて』と頼んだら、K3sクラスタごと乗っ取れた。MCPサーバーの権限バイパスが教えるRBAC設計の盲点

AIエージェントに「Podを見てきて」と頼んだら、削除まで実行できてしまった

MCP(Model Context Protocol)を使えば、AIエージェントに「このPodの状態を確認して」と話しかけるだけで、Kubernetesクラスタの中を見て回らせることができる。読み取り専用のつもりで渡した権限のはずが、実際には削除や再起動まで実行できてしまう——そんな事態が、実際にmcp-server-kubernetesという広く使われているMCPサーバー実装で確認されている。

section01

このMCPサーバーはnpmで週間2万ダウンロードを超え、GitHub上でも1,400以上のスターを集める人気実装だ。ここで見つかった脆弱性(CVE-2026-46519、CVSSスコア8.8)の核心は単純だった。「どのツールが使えるか」を答えるtools/listという窓口では、ALLOW_ONLY_READONLY_TOOLSのような環境変数に基づいて読み取り専用ツールだけが正しくフィルタリングされていた。しかし、実際に「そのツールを実行する」tools/callという窓口では、同じ制限がまったくチェックされていなかった(NeuralTrust によるCVE解説)。

つまり、AIエージェントの目には「読み取り専用ツールしか見えていない」状態でも、ツール名さえ知っていれば削除系のツールを直接呼び出せてしまう。設定画面は正しく見えているのに、実行系の入り口には鍵がかかっていなかった、という構造的な欠陥だ。この問題は3.6.0以降で修正されているが、「見える範囲を制限する」ことと「実行できる範囲を制限する」ことは別レイヤーの実装だという事実は、MCPサーバーを自作・カスタマイズする際に常につきまとう落とし穴になる。

K3s/Kubernetesクラスタの運用者にとって、これは対岸の火事ではない。AIエージェントに「クラスタの中を見て教えてほしい」という軽い気持ちでMCP接続を許可した瞬間、そのエージェントが持つ実行権限の設計次第でクラスタ全体を危険にさらすことになる。

なぜMCP×Kubernetesは権限設計の盲点にはまりやすいのか

MCPは、AIアプリケーションを外部システムに接続するためのオープンな標準規格で、「AIアプリケーション向けのUSB-Cポート」とも表現される(Model Context Protocol 公式ドキュメント)。ホスト(AIアプリケーション本体)、MCPクライアント、そして実際にツールを提供するMCPサーバーという3要素で構成され、LLMは一度確立した文脈を引き継ぎながら複数のツール呼び出しを連鎖させられる。「Podの状態を確認して」と頼んだ次の会話で「じゃあ再起動して」と言うだけで、LLMは前の文脈からどのPodを指しているかを認識し、Kubernetes APIへの操作を連鎖実行できてしまう。この利便性の高さこそがMCPの価値であり、同時にリスクの源にもなっている。

section02

MCPのセキュリティは一般に5つの層で語られる。トランスポート・通信層、認証・ID層、コンテキスト完全性・機密性層、認可・権限管理層、そしてサプライチェーン層だ(Aembit によるMCPセキュリティガイド)。このうち認可・権限管理層で特に指摘されているのが、エージェントやツールが必要以上に広い権限を受け取りがちだという点だ。過剰な権限を持つIDが一度でも侵害されると、そこがより深い侵入への強力な足がかりになる。MCPアーキテクチャは相互接続されたワークフローで構成されるため、一つの脆弱性が連鎖的にシステム全体のインシデントへと広がりやすい構造を持つ。

AWSが公開しているセキュリティガイドも同じ結論に達している。「エージェントは決定論的ではなく、実行時の推論に基づいて動作するため、付与されたどの権限も行使される可能性を前提にすべきだ」という原則だ(AWS Security Blog)。人間のオペレーターであれば「この操作はさすがにやらないだろう」という暗黙の常識が働くが、AIエージェントにその前提は通用しない。渡した権限は、いつか必ず使われるものとして設計する必要がある。AIエージェントを組織の一員として"働かせる"以上、権限境界の設計は後付けではなく、連携を組む最初の段階で決めておくべき前提条件になる。

サービスアカウントは「見る」権限しか要らないのに、なぜ「消せる」権限まで持つのか

MCPサーバー自体の実装に脆弱性がなかったとしても、そのMCPサーバーがKubernetes APIにアクセスするために使うサービスアカウントの権限設計が甘ければ、結局は同じリスクを抱え込むことになる。Kubernetes RBACは加算的な権限モデルで、明示的に許可されていない操作はすべて拒否される「デフォルト拒否」が原則だ(Kubernetes 公式RBACドキュメント)。この原則を徹底すれば、AIエージェント用のサービスアカウントに過剰な権限を渡してしまう事態はかなり防げる。

section03

具体的な設計のポイントは次の3つに整理できる。

  • verbsを必要最小限にする: 「Podの状態を見るだけ」のエージェントであれば get watch list のみを許可し、delete patch create は含めない
  • resourcesを具体的なリソース種別に限定する: resources: ["*"] のような包括指定は避け、pods のように対象を明示する
  • RoleとNamespaceで影響範囲を区切る: クラスタ全体に効くClusterRoleではなく、対象Namespace内だけで完結するRole+RoleBindingを優先する

K3sの公式ハードニングガイドでも、Kubernetesワークロードが特定のAPIアクセスを必要とする場合は専用のサービスアカウントを明示的に作成すべきだとされ、標準のdefaultサービスアカウントに対するトークンの自動マウントを無効化することが推奨されている。ガイドは「これらのポリシー関連コントロールはK3sがデフォルトで強制するものではなく、運用者が明示的に設定する責任がある」とも明記している。MCPサーバー用のサービスアカウントを「とりあえずデフォルト」で済ませることは、この原則に真っ向から反する。

Red HatがOpenShift向けに提供するMCPサーバー(テクノロジープレビュー)は、この考え方を実装レベルで体現している例だ。標準的なKubernetes RBACをそのまま尊重する設計で、破壊的な操作はデフォルトで無効化されており、書き込み系の機能は管理者が明示的に有効化しない限り使えない。読み取り専用をデフォルトにし、書き込みをオプトインにするという発想は、Kubo のようなK3sベースのマネージドクラスタでAIエージェント連携を設計する際にも、そのまま応用できる考え方だ。

AIがやった操作か、人間がやった操作かを監査ログで分ける

権限設計を最小化しても、実際に何が実行されたかを追跡できなければインシデント対応は後手に回る。ここで重要になるのが、AIエージェントによる操作と人間のオペレーターによる操作を監査ログ上で区別できるようにしておくことだ。

section04

Kubernetesの監査ログは、kube-apiserverが生成するイベントとして、誰が・いつ・何に対して・どんな操作をしたかをJSON Lines形式で記録する仕組みを備えている(Kubernetes 公式 監査ログドキュメント)。監査ポリシーのレベルをMetadata以上に設定すれば、リクエストヘッダーに含まれるuser-agent情報も含めて記録できる。Red HatのOpenShift向けMCPサーバーでは、この仕組みを活用し、AIエージェントが発行したAPIコールに専用のuser-agent文字列を注入することで、監査ログ上で人間の操作とAIエージェントの操作を明確に区別できるようにしている。

AWSのセキュリティガイドでも同様のアプローチが紹介されている。AWS管理のMCPサービス経由であればaws:ViaAWSMCPServiceのような条件キーで判定でき、自前で構築したMCPサーバーであればセッションタグを使って「これはAIエージェントによるアクセスか」を区別できる。重要なのは、この区別を後から手動で調べるのではなく、削除のような破壊的操作についてはAIエージェント経由のときだけ拒否する、といったポリシーをあらかじめ組み込んでおける点だ。

こうした監査ログの分離は、単なる事後調査のためだけではない。CI/CDやGitOpsの運用で「誰がいつこの変更をデプロイしたか」を追跡するのと同じ発想で、AIエージェントによるクラスタ操作にも同水準のトレーサビリティを持たせる。それができて初めて、AIエージェントにクラスタ操作の一部を委ねるという判断が、運用として成立する。

まとめ:AIエージェントにクラスタを任せる前に確認すべきチェックリスト

MCP経由でAIエージェントにKubernetes/K3sクラスタの操作を任せる動きは、2026年に入って急速に広がっている。だが、CVE-2026-46519が示したように、「見えるツール」と「実行できるツール」が同じレイヤーで制御されているとは限らない。AIエージェントを本番クラスタに接続する前に、次の4点は最低限確認しておきたい。

  1. 使用するMCPサーバー実装で、tools/listのフィルタリングとtools/call実行時のチェックが一致しているか(最新バージョンへのアップデート状況を含む)
  2. MCPサーバー用のサービスアカウントに、必要なverbs・resourcesだけを許可するRoleを設計しているか(ClusterRoleの安易な使用を避けているか)
  3. Kubernetes監査ログでAIエージェントの操作と人間の操作を区別できる設定になっているか
  4. 破壊的な操作(delete、patchなど)について、AIエージェント経由のアクセスを個別に制御・拒否できる仕組みがあるか

AIエージェントを本番運用のインフラに組み込むには、こうした権限境界の設計が前提になる。Captain.AI はMCP/Skillsによるオープンなアーキテクチャを採用しつつ、AIエージェントが「何を」「どこまで」触れるかを制御できる設計を志向しており、AIを"ご利用する"存在から組織の一員として"働かせる"存在に変えていく上で、権限設計そのものを後回しにしない発想を前提にしている。

そして、その土台となるKubernetesクラスタ自体の運用しやすさも重要だ。Kubo はK3sベースの軽量なKubernetesディストリビューションに、Prometheus・Grafanaによる監視基盤とRBAC設計のベストプラクティスを標準搭載しており、AIエージェント連携を見据えたクラスタ運用を、月額48,000円からのコストで始められる。データを外部に出せない要件がある場合は、Kubo On-Premise でAir-Gapped環境のまま同じ運用モデルを適用することも可能だ。AIエージェントにクラスタを任せる時代のインフラ基盤について検討したい場合は、お問い合わせ から気軽に相談してほしい。

Related articles

← Back to all posts