O-RAN 보안 강화를 위한 양자 기반 솔루션
암호
O-RAN의 분산형 아키텍처로 인한 보안 취약점을 양자 기반 기술로 보완하는 방안을 제시한다. 양자 저항성 암호(PQC), 양자 인증, 양자 강화 위협 탐지 등을 제안한다.
시사점 O-RAN 보안 강화를 위해 양자 기반 기술을 도입할 필요가 있다.
O-RAN양자 보안양자 저항성 암호PQC
(새 창에서 원문 열기)RESEARCH
연구·리포트 참고 자료
이번 주 연구
연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
연구 목록
코어별 누수 공격: 멀티코어 아키텍처의 전자기 부채널 모니터링
시스템·하드웨어멀티코어 아키텍처의 전자기 누수 메커니즘을 분석하고, 코어별 누수를 활용한 부채널 공격을 실증했다. 상용 멀티코어 임베디드 시스템에서 실용성을 검증했다.
시사점 임베디드 시스템의 멀티코어 구조는 전자기 누수를 통한 부채널 공격에 취약할 수 있으므로, 하드웨어 설계 시 누수 저감 기술을 고려해야 한다.
부채널(side-channel)멀티코어전자기 누수임베디드 시스템(새 창에서 원문 열기)LongPIBench: 프롬프트 인젝션(prompt injection)을 위한 긴 문맥 벤치마크
AI 보안긴 문맥에서의 프롬프트 인젝션 공격과 방어를 평가하기 위해 LongPIBench라는 새로운 벤치마크를 제안한다. 평가 결과, 기존 방어 기법이 긴 문맥에서 높은 성공률로 우회되는 것으로 나타났다.
시사점 긴 문맥 환경에서 기존 프롬트 인젝션 방어 기법의 효과가 크게 떨어진다는 점을 실무에서 고려해야 한다.
프롬프트 인젝션긴 문맥벤치마크AI 보안(새 창에서 원문 열기)LLM 기반 취약점 스캐닝을 방어하는 스마트 계약 배포 프레임워크 DeLLMGuard
AI 보안스마트 계약의 소스 코드 공개가 LLM 기반 취약점 스캐닝에 악용되는 문제를 해결하기 위해, DeLLMGuard라는 새로운 배포 프레임워크를 제안한다. DeLLMGuard는 387개 실제 취약 계약을 대상으로 실험한 결과, 원인 정확도를 23.5%에서 6.6%로 감소시켰다.
시사점 이 연구는 스마트 계약의 소스 코드 공개를 유지하면서 LLM 기반 취약점 스캐닝을 방어하는 방법을 제시하여, 블록체인 보안 실무에 새로운 방어 전략을 제시한다.
스마트 계약LLM취약점 스캐닝DeLLMGuard(새 창에서 원문 열기)BEACON: MITRE ATT&CK 기반의 다중 소스 사이버 위협 지능 지식 그래프 구축
AI 보안BEACON은 MITRE ATT&CK 기반 공격 행동을 기준으로 CTI 보고서에서 지식 그래프를 자동으로 구축하는 LLM 기반 프레임워크이다. 8,395개 요소를 포함하는 보고서 수준 CTI 추출 데이터셋과 3,487개를 포함하는 다중 소스 통합 데이터셋에서 기존 기준보다 각각 최소 23%와 9% 높은 성능을 보였다.
시사점 이 연구는 사이버 위협 지능을 자동화된 방식으로 통합하는 데 기여할 수 있으며, 보안 분석 팀은 BEACON을 사용하여 다중 소스의 CTI를 효과적으로 관리할 수 있다.
사이버 위협 지능지식 그래프MITRE ATT&CKLLM(새 창에서 원문 열기)CamoDocs: 검색 증강 언어 모델에 대한 문서 위장형 데이터 오염 공격
AI 보안RAG 시스템의 외부 문서에 대한 데이터 오염 공격을 분석하고, 기존 공격 방식의 한계를 극복한 새로운 CamoDocs 공격 기법을 제안한다. CamoDocs는 평균 ASR 61.80%를 기록했으며, GPT-5.4-mini와 Claude-Haiku-4.5에서도 효과적임을 보인다.
시사점 CamoDocs 공격 기법은 RAG 시스템의 보안 강화를 위해 기존 방어 기법의 한계를 파악하고, 문서 기반 공격에 대한 새로운 대응 전략을 고려할 필요가 있다.
RAG데이터 오염 공격CamoDocsLLM 보안(새 창에서 원문 열기)적대적 테스트 응시자로부터 정직한 테스트 결과 추출
AI 보안적대적 행동으로 시험 결과가 왜곡되는 문제를 해결하기 위해 최적 테스트 전략을 제안한다. 동적 프로그래밍을 사용하여 선택된 그룹을 재시험하고 보안 조치를 적용한다.
시사점 이 연구는 AI 기술을 활용한 시험 결과 왜곡을 방지하는 최적 테스트 전략을 제시하여, 테스트 신뢰도를 높이는 데 기여할 수 있다.
적대적 예제테스트 보안동적 프로그래밍AI 기술(새 창에서 원문 열기)파워 도메인 NOMA에서의 허위 CSI 공격: 위협 분류와 시스템 영향
네트워크·프로토콜파워 도메인 NOMA의 채널 상태 정보(CSI)가 조작되었을 때의 보안 취약점을 분석하고, 허위 CSI 공격의 분류와 시스템 영향을 제시한다. 공격 유형별로 전력 할당, SIC 신뢰도, 스케줄러 동작, 공정성, 처리량, 비밀성 등에 미치는 영향을 매핑하였다.
시사점 6G 네트워크에서 파워 도메인 NOMA의 CSI 보안을 강화하여 허위 CSI 공격으로부터 시스템 신뢰성을 보장해야 한다.
NOMA6GCSI보안 취약점(새 창에서 원문 열기)LLM 방어 계층의 실패 상관관계 측정 및 분석
AI 보안LLM 방어 계층의 실패 상관관계를 측정하여, 방어 효과가 독립적으로 작동하지 않는다는 것을 보였다. 실험에서 7계층 방어 스택의 실패 상관관계는 0.30~0.75 범위였고, 잔여 공격 성공률이 예측보다 최대 0.172 높았다.
시사점 LLM 방어 스택의 효과는 단일 계층의 성능만으로 판단할 수 없으며, 전체 시스템에서 실패 상관관계를 측정해야 한다.
LLM 보안방어 스택실패 상관관계inference cost(새 창에서 원문 열기)TagZilla: 위협 리포트의 IoC에 대한 소유자 및 악용 타입 태깅 자동화
AI 보안TagZilla는 위협 리포트에서 IoC를 자동으로 분석하고, 해당 IoC의 소유자와 악용 타입을 태깅하는 플랫폼이다. 평가 결과, 소유자 태깅에서 F1 점수 0.94, 악용 타입 태깅에서 0.93을 달성했다.
시사점 TagZilla는 위협 리포트의 IoC를 자동으로 분류하여 보안 분석의 효율성을 높일 수 있다.
TagZillaIoC 태깅LLM위협 리포트(새 창에서 원문 열기)LLM 생성 인프라 코드의 보안 벤치마크(GenIaC-SecBench)
AI 보안LLM 생성 인프라 코드(IaC)의 보안성을 평가하기 위해 100개의 배포 시나리오를 기반으로 한 벤치마크(GenIaC-SecBench)를 제안하고, 12개 모델 구성에서 1,196개의 IaC 아티팩트를 생성하여 3개 정책 엔진으로 분석했다. 모델 생성 IaC의 취약점 밀도는 인공 생성 IaC에 비해 3.21~3.87배 높았으며, 작업 복잡도가 낮을수록 격차가 커졌다.
시사점 LLM 생성 인프라 코드의 보안성을 평가할 때 인공 생성 코드와의 비교가 필수적이며, 모델의 사고 과정에 따라 보안성 차이가 발생함을 실증했다.
LLM인프라 코드보안 벤치마크취약점 분석(새 창에서 원문 열기)마가(Magma): 근거가 명확한 퍼징 벤치마크의 영향
시스템·하드웨어Magma는 퍼저 평가와 비교를 위한 근거가 명확한 퍼징 벤치마크를 제시한다. 기존 퍼징 벤치마크의 한계를 극복하여 퍼저 간 공정한 비교를 가능하게 했다.
시사점 이 연구는 퍼징 도구의 성능 평가를 표준화하여 향후 퍼징 기술 개발과 비교에 기여할 수 있다.
퍼징벤치마크Magma시스템 보안(새 창에서 원문 열기)Moirae: 동적 안드로이드 악성코드 탐지를 위한 다중 모달 에이전트 협업 프레임워크
악성코드·위협기존 머신러닝 탐지기는 개념 드리프트에 취약한 반면, 대형 언어 모델(LLM)은 단일 차원의 증거에 의존해 악성코드 분석에 한계가 있다. Moirae는 동적으로 다중 모달 런타임 증거를 수집하고 ReAct 기반 전용 에이전트를 사용해 90.06% 정확도를 달성했다.
시사점 Moirae는 개념 드리프트에 강한 동적 악성코드 탐지 기법으로, 안드로이드 보안 시스템 개선에 활용될 수 있다.
안드로이드악성코드LLM다중 모달(새 창에서 원문 열기)CAITLYN: LLM 에이전트가 자율적으로 새로운 인젝션 공격 방어를 합성할 수 있는가?
AI 보안LLM 에이전트에 대한 프롬프트 인젝션 공격을 방어하기 위해 CAITLYN이라는 방어 미들웨어를 제안한다. 기존 방어 기법 대비 토큰 오버헤드가 낮으면서도 정확도를 유지하는 것을 보인다.
시사점 LLM 에이전트 환경에서 새로운 인젝션 공격에 대응하기 위해 CAITLYN과 같은 자율 방어 시스템을 도입할 수 있다.
LLM 에이전트프롬프트 인젝션방어 기법CAITLYN(새 창에서 원문 열기)AI 기반 반복 복구로 소스 코드 복원하기(CHISEL)
AI 보안CHISEL은 테스트 스위트 없이 Ghidra에서 파생된 의사-C 코드에서 소스 코드를 반복적으로 복구하는 프레임워크를 제안한다. 120개 ExeBench 함수를 대상으로 96.1% 재컴파일 가능성과 79.8% 재실행 가능성, 2.1회 평균 반복 횟수를 달성했다.
시사점 CHISEL은 테스트 스위트 없이도 높은 정확도로 소스 코드를 복원할 수 있어, 바이너리 분석 및 복호화 작업에서 실용적 도구로 활용될 수 있다.
AI 기반 반복 복구소스 코드 복원CHISELGhidra(새 창에서 원문 열기)DisCTI: 누가 언제 알아야 할까? 분야별 실시간 사이버 위협 정보 공유 자동화
AI 보안사이버 위협 정보(CTI)를 적절한 시기에 올바른 분야에 전달하는 것이 중요하다. 연구팀은 CTI 이벤트를 분야별로 매핑하기 위해 BERT 모델을 적용하여 94.5%의 정확도를 달성했다.
시사점 이 연구는 CTI 자동화를 통해 조직이 빠르게 대응할 수 있도록 도와 실무에서 위협 대응 효율성을 높일 수 있다.
사이버 위협 정보BERT자동화분야별 매핑(새 창에서 원문 열기)파괴가 아닌 증명: 프라이버시 보호 LLM 검증을 위한 적대적 프로브
AI 보안대규모 언어 모델의 배포 후 변경 사항을 감지하기 위해 zk-SNARK 기반의 프라이버시 보호 감사 프레임워크를 제안한다. 토큰 기반 프로브가 블랙박스 환경에서 모델과 GPU 플랫폼을 가리지 않고 가장 높은 평균 감도를 보이며, 50개까지 확장해도 증명 시간은 1.78초, 검증 시간은 0.84초에 머무른다.
시사점 이 연구는 모델 배포 후 변경 사항을 비침투적으로 감지할 수 있는 프레임워크를 제시하여, AI 모델의 거버넌스와 보안을 강화할 수 있다.
zk-SNARK프라이버시 보호LLM 검증적대적 프로브(새 창에서 원문 열기)GraftyVul: 실제 취약점 이식을 통한 보안 취약 프로그램 합성
취약점·익스플로잇GraftyVul은 실제 취약점을 오픈소스 프로젝트에 이식하여 보안 취약 프로그램을 생성하는 시스템이다. 212개의 검증되고 공격 가능한 취약 프로그램을 5개 언어와 23개 CWE 범주에 걸쳐 생성하였다.
시사점 이 결과는 취약점 탐지 및 자동 수정 연구에 더 다양하고 현실적인 데이터셋을 제공할 수 있다.
취약점데이터셋GraftyVul보안(새 창에서 원문 열기)사용자 중심의 컨텍스트 인식 권한 관리 프레임워크
프라이버시기존 모바일 OS의 권한 모델은 앱 세션 단위로 권한을 부여해 사용자가 데이터 접근 시점을 알기 어렵다. 컨텍스트에 따라 권한을 제어하는 프레임워크를 제안하고, 104명의 설문과 8명의 테스트를 통해 초기 평가를 수행했다.
시사점 이 연구는 모바일 기본 앱의 권한 관리를 개선해 사용자 이해도를 높이는 방안을 제시한다.
모바일 보안권한 관리프라이버시사용자 인터페이스(새 창에서 원문 열기)FISGuard: 멤버십 추론 공격을 위한 고정 입력 부분공간 방어
프라이버시FISGuard는 멤버십 추론 공격을 방어하기 위해 고정된 저차원 표현 부분공간을 구축하는 방식을 제안한다. 실험 결과, FISGuard는 ProjRes 공격의 AUC를 0.5 수준으로 낮추며, 다운스트림 작업 성능을 유지하고 계산 오버헤드가 적은 것을 보였다.
시사점 FISGuard는 멤버십 추론 공격에 효과적인 방어 기법으로, 분산 학습 환경에서 개인정보 보호를 강화할 수 있다.
FISGuard멤버십 추론(membership inference)프로젝션 잔차(ProjRes)저차원 표현 부분공간(새 창에서 원문 열기)ContextLeak: 악성 도구를 통한 LLM 에이전트 컨텍스트 유출
AI 보안LLM 에이전트의 런타임 컨텍스트를 유출하는 새로운 공격 기법인 ContextLeak을 제안한다. 강화 학습을 활용해 악성 도구의 이름과 설명을 생성하여 에이전트가 해당 도구를 선택하고 컨텍스트를 입력 인수로 전달하도록 유도한다.
시사점 LLM 에이전트가 악성 도구를 선택할 때 런타임 컨텍스트가 유출될 수 있으므로, 도구 선택 과정에서의 보안 검증이 필요하다.
LLM 에이전트컨텍스트 유출악성 도구강화 학습(새 창에서 원문 열기)
본 페이지의 연구 요약은 공개된 초록을 AI가 한국어로 정리한 것으로, 원문과 차이가 있을 수 있습니다. 정확한 내용은 반드시 원문을 확인하십시오. 본문과 PDF는 제공하지 않으며, 모든 저작권은 각 저자와 발행처에 있습니다.