Ruby正規表現の脆弱性とUnicode大文字小文字変換の罠
Rubyの正規表現と大文字小文字変換に見つかった7件の脆弱性を解説。Unicodeケースフォールディングが危険な理由と自社コードの監査方法を紹介。

Railsアプリがメールアドレスを保存する前にupcaseで正規化する、というのは数えきれないほどのチュートリアルで推奨されている書き方です。あるユーザーが、どこかのパイプラインでWindows-1252が妥当なエンコーディングだと判断されてしまったフォームからmueller@straße.exampleとして登録します。upcaseの呼び出しによって末尾のßがSSに変わり、元々1バイトだった場所に2バイトが入ることになり、そのうちの1バイトがヒープバッファの末尾を越えて書き込まれます。これは仮説の話ではありません。Rubyコアチームが先日修正した7件のRubyの正規表現および文字列の大文字小文字変換の脆弱性のうち1件について、もっともらしく再現したものです。そのうちいくつかは動作するリモートコード実行のPoCも存在しています。
今回のアドバイザリは、Ruby 4.0.10、3.4.13、3.3.14という3つの緊急リリースと同時に公開されました。これは、一見もっとも単純な文字列ライブラリの操作である大文字小文字変換が、実は最も危険な操作の一つである、という深い教訓を示す良いケーススタディです。Unicodeの膨大な仕様と、数十年前のC言語のコードが交わる場所であり、ヒープオーバーフローが育つのはまさにその接合部なのです。
7件のバグ、2つのサブシステム、1つの根本原因
7件のアドバイザリ(CVE番号の割り当てが遅れているため、当面はGHSA識別子で追跡されています)は2つのファミリーに分かれます。2件はStringの大文字小文字変換に関するもので、1バイトのヒープバッファオーバーフローと、ヒープオーバーフローへ連鎖する整数オーバーフローです。残り5件はRubyの正規表現エンジンに関するもので、パターンコンパイル中のダブルフリー、コンパイル中の整数オーバーフロー、大文字小文字を区別しないマッチングでの範囲外読み取り、大文字小文字を区別しない後方参照マッチングでの範囲外読み取り、そしてRegexp#to_sでのヒープバッファオーバーフローです。
これらに共通するものを見てみましょう。通常の意味での不注意なコーディングではありません。RubyのCコアは古く、長年の実戦を経て、大量のファジングにもさらされてきました。問題は、両方のサブシステムがUnicodeの大文字小文字のセマンティクスを実装していることであり、そしてUnicodeの大文字小文字のセマンティクスは罠なのです。大文字小文字を区別しない正規表現マッチングでは、パターンと入力の両方を畳み込む(フォールディングする)必要があります。つまり、エンジンはString#upcaseと同じ危険な変換テーブルを使っており、ただしより頻繁に通るホットパスで、しかも攻撃者が入力をより強く制御できる状態で動いているわけです。大文字小文字を区別するモードでの後方参照は、畳み込んだ部分文字列同士を比較しなければなりません。Regexp#to_sはパターンのソーステキストをオプション付きで再出力する必要があり、その再構築のためのバッファサイズ計算自体が大文字小文字を意識したロジックを含みます。これらすべてのコードパスが、同じ一見単純だが実は難しい問いに答えなければなりません。「大文字小文字を変換したら、この文字列はどれくらいの大きさになるのか?」と。
Ruby 3.3はまだセキュリティメンテナンス期間中なので修正が提供されています。Ruby 3.2以前はサポート終了になっており、修正は一切提供されません。これらのバージョンを使っているなら、このアドバイザリは警告ではなく、移行の期限だと考えてください。
大文字小文字変換が間違いを生んできた小史
ASCIIでは、大文字小文字の変換はビット反転で済みます。アルファベットのペアは26組、一対一で、長さは変わらず、ロケールにも依存しません。K&R時代のCのtoupper()は、その考え方を一つのルックアップテーブルに凝縮しています。多くの人が大人になってからも持ち続けているメンタルモデルであり、世界中のCコードのバッファサイズ計算にも埋め込まれているモデルです。しかし、基本的なラテン文字以外のほぼすべての文字体系では、このモデルは誤りです。
Unicodeには何千もの大文字小文字のマッピングが定義されており、その中の相当な割合は一対一ではありません。ドイツ語の鋭いs(ß)はSSに大文字化されます。ffという合字はFFになります。アルメニア文字の合字も展開されます。ギリシャ文字には文脈依存のシグマがあり、σと語末のςを正しく扱うには前後の文字を見る必要があります。トルコ語とアゼルバイジャン語には、点ありと点なしのIの問題があります。iはİに、ıはIに大文字化されます。これはトルコ語ロケールでJavaアプリやPHPのstrtoupperを壊したことで有名です。さらにチェロキー文字には、2015年のUnicode 8.0で後から小文字が追加されたため、かつて大文字小文字の区別がなかった文字体系が区別のあるものになり、世界中のソフトウェアの前提が崩れました。
レガシーエンコーディングはさらに事態を悪化させます。Windows-1252には小文字のß(0xDF)のバイトはありますが、大文字版のバイトはありません。歴史的にドイツ語では本文中に大文字版を使わず、SSと綴ってきたからです。そのため、Windows-1252の文字列に対して大文字小文字変換を行うルーチンがßに出会い、正しくSSに置き換えると、文字列は1バイト大きくなります。アドバイザリ公開後に出回っている鋭い分析によると、これがまさに1バイトのオーバーフローの原因と思われます。変換ループが文字ごとに1つずつバッファの空きを確認しているように見えるため、ぎりぎりのサイズで確保された文字列の末尾にßがあると、余分なSが1つ割り当て領域の外に書き込まれてしまうのです。攻撃者が制御できるS1つによる1バイトのヒープオーバーフローは、扱いにくく面倒な悪用の手段ですが、アドバイザリではRCEを達成したPoCが存在すると確認されています。つまり、誰かがヒープの整形(heap grooming)をやってのけたわけです。
大文字小文字変換は全単射ではなく、長さも保たれず、ロケールにも依存せず、すべてのエンコーディングで表現できるわけでもありません。そう仮定しているコードは、ファザーが来るのを待っている脆弱性です。
正規表現エンジンこそが本当の懸念である理由
RubyのRegexpエンジンはOnigurumaからフォークされたOnigmoです。これは本当に優れたソフトウェアで、数十種類のエンコーディング、完全なUnicodeの大文字小文字のフォールディング、後読み、名前付きグループ、後方参照をすべてCで扱い、その層構造は1990年代後半にまでさかのぼります。その層構造こそが問題なのです。Onigmoの大文字小文字を区別しないマッチングでは、比較のたびにフォールディングのロジックが実行される可能性があり、フォールディングは長さを変えるため、パターンのオフセット、文字列のオフセット、マッチ境界の間の管理が非常に複雑になります。修正されたバグのうち2件は、まさにこの仕組みにおける範囲外読み取りです。1件は大文字小文字を区別しないマッチング全般、もう1件は特に大文字小文字を区別しない後方参照のマッチングで、エンジンが以前にキャプチャした(畳み込まれた)部分文字列を現在の位置と比較する箇所です。
ただし、重要なのは内部の仕組みより悪用のモデルです。5件の正規表現バグのうち3件はパターンのコンパイル時に発生し、アドバイザリは誰が影響を受けるかを率直に述べています。攻撃者が制御するパターンをコンパイルするアプリケーションです。まれだと思うかもしれませんが、そうではありません。Regexp.new(query)でラップされたすべての検索ボックス、データベースから読み込まれる設定可能なバリデーションルール、オペレーターや(乗っ取られたテナントを含む)攻撃者が制御する設定ファイルからパターンを組み立てるすべてのログ解析やルーティングの層。これらはすべて、悪意ある入力で到達可能なコンパイル経路です。このアドバイザリ以前、悪意あるパターンをコンパイルした場合の最悪のケースはReDoSでした。破滅的なバックトラッキングでCPUを占有させるものです。厄介ではありますが、回復は可能でした。今では最悪のケースはメモリ破壊とRCEのPoCです。何年も本番環境で動かしてきた同じ一行のコードにとって、これは質的に異なるリスクです。
ここで指摘しておく価値のあるパターンがあります。仕様は一つのことを言い、Cのコードは別のことを言い、その隙間が悪用可能になるのです。以前にもこの力学を取り上げました。仕様と実装のギャップこそバグが潜む場所です。そしてUnicodeの大文字小文字のフォールディングテーブルは、Cプログラマーに実装を求められうる中でも屈指の豊かな仕様です。テーブルはUnicodeのバージョンごとに変わり、特殊ケースのルールにはサブ条項があり、2003年にバッファサイズのコードを書いた人は、今あなたの文字列が届くUnicodeよりも小さく単純なUnicodeを前提にしていたのです。
整数オーバーフロー:4ギガバイトが6バイトになる
2つ目の文字列のバグは、別の失敗モードの見事な例です。64ビットの世界での32ビットの長さ計算です。アドバイザリ公開後に公開されて出回っているこのPoCは、Shift_JISを使い、4ギガバイトを超える文字列を使っています。
str = ("\x82\xA0" + ("A" * (2**32 + 4))).force_encoding(Encoding::Shift_JIS)
puts "str.bytesize: #{str.bytesize}" # 4294967302
new_str = str.downcase
puts new_str.bytesize # 6 on unpatched builds (!)
puts new_str.bytes # [130, 160, 97, 97, 97, 97]
4,294,967,302バイトの文字列を入力すると、ダウンケースされた結果のサイズは6と報告されます。処理経路のどこかで長さが32ビット型を通して計算または切り捨てられ、2の32乗+6が6にラップされ、その後の割り当てやコピーがそのサイズに基づいて行われたのです。典型的な整数オーバーフローからヒープオーバーフローへの流れです。4ギガバイトは非現実的な入力に聞こえるかもしれませんが、実行中のプロセスの文字列は必ずしも一度にネットワークから届くわけではないことを思い出してください。文字列はチャンクから組み立てられ、展開や、インポート処理やファイルパーサーでの連結によって作られます。攻撃者が文字列に蓄積されるデータ量に影響を与え、その後その文字列にdowncaseを呼ばせることができれば、このバグの両方の要素を支配できてしまいます。
両方の文字列バグは、Alpineの10年前のアスタリスクのバグと同じアーキテクチャ上の教訓を共有しています。危険なコードは、誰も攻撃対象だとは考えない経路に置かれているのです。誰もupcaseの脅威モデリングなどしません。だからこそ、これらのバグは何年も生き延びてきました。人間が監査しない経路に潜んでおり、最近まで、ファザーも有効なマルチバイトのエンコード文字列を組み立てるだけの知性を持って到達できていなかったのです。
機械がこれらのバグを見つけた。そしてそれは計算を変える
クレジットを見てください。7件のアドバイザリのうち4件では、OSS-Fuzzのハーネス開発の多くを担っているAda LogicsのStephan Lippに感謝が述べられており、そしてAnthropicにも感謝されています。ファジングインフラの専門家とAIモデルの組み合わせであり、最近このような特徴を持つアドバイザリはこれが初めてではありません。この系譜は味わう価値があります。ファジングは1990年にBarton Millerがランダムなゴミデータを Unixのユーティリティに流し込むことから始まり、2013年にはAFLのカバレッジ誘導型ミューテーションで賢くなり、2016年以降はOSS-Fuzzがオープンソースプロジェクトを継続的に叩くことで工業化され、そして今ではコードを推論できる層を得ました。4GiBのShift_JIS文字列や、末尾がßのWindows-1252バッファを構築するには、バイトを変異させるだけでなく、エンコーディングの妥当性と長さの計算を理解する必要があるのです。

戦略的な含意は両刃の剣です。防御側は、どのチームも手作業では審査しきれないコードベースに対して、継続的で疲れを知らない監査を得られます。しかし同じ能力は、モデルと計算資源を持つ誰もが利用でき、そして全員がアドバイザリを報告するわけではありません。メモリ破壊のバグが、目立たないコードパスの中で何年も邪魔されずに生き延びられた時代は終わりつつあり、それらを見つける経済性は崩壊しました。以前、AIスキャナーが技術的負債の取り立てに来ていると書きましたが、これがその証拠です。数百万人に使われている言語ランタイムが、暇な研究者の週末の作業ではなく、ただ動き続ける自動化パイプラインによって欠陥を見つけられたのです。
私の立場はこうです。これはメモリセーフな言語を支持する根拠を強めますが、議論でよく語られるような安易な形ではありません。OnigmoをRustで書き直してもロジックの問題は解決しなかったでしょう。長さを変えるケースフォールディングは依然として仕様レベルの危険であり、バッファサイズの問いには正しく答えなければなりません。メモリセーフティが取り除くのは、結果の深刻さの勾配です。ロジックのバグはパニック、誤った結果、失敗したリクエストになり、RCEにはなりません。これは小さなことではありません。インシデントと障害通知の違いなのです。
自分たちの影響範囲を監査する方法
まずは分かりやすいところから、外側に向かって進めましょう。4.0.10、3.4.13、または3.3.14にアップグレードしてください。OnigmoはRubyのビルドに組み込まれているため、個別にパッチするライブラリはありません。ランタイムそのものがパッチです。その上で、アプリケーションコードに含まれる2つの危険な形を監査してください。攻撃者が影響を与えられる文字列が大文字小文字変換の処理に流れ込む箇所と、攻撃者が影響を与えられるパターンがRegexp.newやRegexp.compileに流れ込む箇所です。
- ユーザー入力をパターンにコンパイルするのをやめる。ユーザーが検索語を入力するなら、
Regexp.escapeでエスケープしてください。本当に正規表現の力が必要なら、許可リストと厳格なタイムアウトを前段に置いてください。ただし、タイムアウトが効くのはReDoSに対してだけで、メモリ破壊には効かないことを知っておいてください。 - 信頼境界でエンコーディングを正規化する。2つの文字列のバグは、Windows-1252やShift_JISといった特殊なエンコーディングに依存しています。アプリがUTF-8しか扱わないなら、その前提を境界で明示してください。入力時にエンコーディングを強制するか変換し、きれいに変換できないものは拒否してください。
- 大文字小文字変換より大文字小文字を区別しない比較を優先する。
a.casecmp?(b)は問いを投げかけますが、a.upcase == b.upcaseは、入力が主張するエンコーディングで新しい文字列を2つ割り当てます。比較APIの方が意味論上の表面積ははるかに小さいです。 - 信頼できないデータに対する
upcase、downcase、swapcase、capitalizeを検索する。それぞれの呼び出し箇所には、長さに関する前提が潜んでいます。自分で書いたCの拡張で独自の大文字小文字ロジックを持つものも同様です。それらはコアチームの修正の恩恵をまったく受けられません。 - 自分の所有するものをファジングする。Ruby本体はOSS-Fuzzでファジングされていますが、あなたのCの拡張はされていません。ASan付きのAFL++やlibFuzzerを使えば、機械がRubyで見つけたのと同じ種類のバグを、あなたのコードの中でも見つけられるでしょう。
- ランタイムのメンテナンス状況を把握する。Ruby 3.2はサポート終了であり、これらの修正は提供されていません。パッチの流れが止まっているときに「まだ動いている」は、セキュリティ対策にはなりません。
最も一般的なパターン、つまりユニーク性チェックのためにユーザー名やメールアドレスを正規化する場合の、修正前後の具体例です:
# Before: allocates a new string, trusting the input's claimed encoding
def normalize(username)
username.upcase
end
# After: pin the encoding at the boundary, fold for comparison only
def normalize(username)
utf8 = username.encode(Encoding::UTF_8, invalid: :replace, undef: :replace)
utf8.downcase(:fold)
end
# And for comparisons, skip allocation entirely:
def same_user?(a, b)
a.encode(Encoding::UTF_8).casecmp?(b.encode(Encoding::UTF_8))
end
パッチ未適用のランタイムでは、これだけで安全になるわけではありません。そのためのアップグレードです。しかし、こうした習慣は、下の層から継承しうるバグの範囲を縮小し、テキストはバイト列ではないという事実に、自分のコードを正直に向き合わせてくれます。

言語ランタイムにとっての深い教訓
これを「Cは危険だ、続きはまた後で」と片付けたくなる誘惑がありますし、アドバイザリへの軽い反応はまさにそうしていました。しかし、私はもう一歩踏み込みたいと思います。これら7件のバグは本質的にはCの話ではありません。進化し続ける国際化標準と、固定化された実装の前提とのずれについての話なのです。Unicodeは今後も新しい文字体系を追加し、マッピングを洗練させ続けるでしょう。地球上のすべての言語ランタイムには、過去のバージョンのテーブルに基づいて書かれ、文字列がどれだけ大きくなりうるかという過去の理解に従ってサイズが決められた大文字小文字変換のコードがあります。今月たまたまRubyがそれにつまずきました。次に狙われるのは、別の誰かの正規表現エンジン、大文字小文字変換器、正規化ルーチンでしょう。
実務上の結論は、テキスト変換をユーティリティ関数ではなく、セキュリティ境界として扱うことです。再エンコード、大文字小文字の変換、正規化、フォールディングを行うものはすべてパーサーであり、メモリバグが潜むのはパーサーです。そして、言語好きの私にとって本当に満足のいく歴史的な教訓は、ドイツ語のßという控えめな文字が、印刷職人がフラクトゥールの時代から格闘してきた文字であり、六世紀にわたる活版印刷の歴史を越えて、今もなおヒープバッファの末尾を一バイト越えて書き込ませうるということです。言語が単純だったことは一度もありません。私たちが機械を、言語は単純だと仮定して作ってしまっただけなのです。


