LEO 위성 시스템에서의 사이버 공격 탐지를 위해 시간적 특성을 고려한 다중 모달 딥러닝 모델을 제안하고, 이를 위성 전용 데이터셋으로 평가했다. 계층적 트랜스포머가 91.66% 정확도와 85.63% 매크로 F1을 달성했다.
이 연구는 위성 통신 시스템의 복잡한 환경에서 효과적인 사이버 공격 탐지를 위한 모델 설계와 평가 방법을 제시한다.
CARTS는 오토회귀 언어 모델을 활용하여 텍스트를 동일 길이의 스테가노그래피 텍스트로 변환하는 기법이다. Llama 3 8B 모델을 사용한 실증 연구에서 원본 페이로드의 정확한 복원과 키 충돌이 발생하지 않는 것을 확인하였다.
이 연구는 언어 모델을 암호화 및 프라이버시 보호 통신에 활용할 수 있는 이론적 기반을 제공한다.
LLM을 SOC에 통합할 때 발생하는 간접 프롬프트 인젝션 취약점을 해결하기 위해 결정론적 및 신경망 기반 방어를 결합한 새로운 아키텍처를 제안한다. MITRE ATLAS 세트를 기준으로 다양한 프롬프트 인젝션을 대상으로 실험 평가를 수행하여 프롬프트웨어 킬체인을 효과적으로 해체함을 보인다.
이 연구는 AI-SOC에서 LLM을 보호하기 위한 실용적 방어 전략을 제시하여, 보안 운영센터의 위협 탐지 및 대응 능력을 향상시킬 수 있다.
신뢰할 수 있는 실행 환경(TEE)은 공신력 있는 소프트웨어를 보호하지만, 공유된 마이크로아키텍처 자원으로 인해 캐시 기반 부채널 공격에 취약하다. HermiCache는 RISC-V 코어를 위한 enclave 인식형 캐시 교체 정책으로, 프로세서 코어에 6%의 면적 오버헤드를 가진다.
이 연구는 TEE에서 캐시 기반 부채널 공격을 방어하기 위한 새로운 캐시 교체 정책을 제안하여, 보다 정밀한 보안 설정이 필요한 시스템 설계자에게 유용할 수 있다.
전력망 상태 추정을 조작하는 허위 데이터 주입 공격(FDIA)이 잔차 기반 이상 데이터 탐지기(BDD)를 우회할 수 있는 이론적 조건을 분석하고, 무작위 공격의 숨기기 공간을 수학적 구조로 정의했다. IEEE 시스템에서 BDD 우회율 95% 기준으로 실험을 수행하여 상태 영향을 비교했다.
전력망 보안 실무자는 이론적 공격 벡터를 이해하고, 잔차 기반 탐지기의 한계를 인식하여 보완 방안을 모색해야 한다.
기계 학습 설명이 모델 보안과 데이터 프라이버시에 영향을 미친다는 점을 밝히고, 25개 연구를 체계적으로 분석하여 공격 경로와 방어 전략을 비교했다. 설명 신호 유출에 따라 공격 효과가 달라진다는 점을 밝혔다.
머신러닝 모델의 설명 기능을 사용할 때 프라이버시 유출 가능성을 종합적으로 평가해야 한다.
멀티모달 대형 언어 모델에서 발생하는 컨텍스트 내 학습 탈옥 공격을 포스터리어 재가중 프레임워크를 통해 이론적으로 설명하고, 안전한 행동을 유도하는 방어 기법을 제안한다. 실험 결과, 기존 방어 기법 대비 개선된 견고성-유틸리티 균형을 달성했다.
이 연구는 멀티모달 언어 모델의 탈옥 공격 이해와 방어에 새로운 이론적 기반을 제공하며, 실무적으로는 보다 효과적인 방어 기법의 개발을 촉진할 수 있다.
차분 프라이버시(DP)를 적용한 합성 교육 데이터의 유효성과 예측 성능을 평가하는 PEARL 프레임워크를 제안한다. 96개 실험 설정 중 12개만이 모든 PEARL 검증을 통과했으며, 일부 데이터셋은 특정 그룹(예: 중도탈락 학생)을 누락하거나 학습 활동 순서를 보존하지 못해 거부되었다.
차분 프라이버시를 적용한 합성 데이터는 예측 성능과 공정성을 보장하기 위해 PEARL과 같은 종합적 평가 프레임워크가 필요하다.
본 연구는 블랙박스 환경에서 대형 언어 모델의 멤버십 추론 공격을 수행하기 위한 새로운 기법인 WPMIA를 제안한다. WPMIA는 단어 레벨 확률 추정을 통해 기존 블랙박스 기준을 평균 TPR@5%FPR 42.0으로 초과하는 성능을 보인다.
이 연구는 블랙박스 멤버십 추론 공격의 효과성을 입증하여, 대형 언어 모델의 개인정보 보호 리스크를 평가하는 데 중요한 참고 자료가 된다.
확산 모델의 훈련 과정에서 발생하는 프라이버시 문제, 특히 멤버십 추론 공격(MIA)에 대응하기 위해, Adaptive Diffusion Freezing(ADF)이라는 새로운 프레임워크를 제안한다. ADF는 교차 타임스텝 적응형 동결 훈련을 활용하여, 다양한 데이터 서브셋의 참여를 마스크 행렬을 통해 조절함으로써 과도한 학습을 줄이고 멤버십 유출을 방지한다.
이 연구는 확산 모델의 프라이버시 보호를 강화하는 새로운 접근법을 제시하여, 생성 모델을 사용하는 기업이나 연구자들이 멤버십 추론 공격에 대비할 수 있도록 지원한다.
복합 AI 파이프라인의 비결정성을 고려한 무신뢰 검증 프로토콜을 제안하고, 샘플 수보다 임계값 선택이 검증의 한계를 결정하는 것을 보인다. 합의 없이 k=5 재실행에서 44/45 정직 재현을 수용하고 104/105 분기 쌍을 거부했으나, 동일 입력 위조는 27/29 시도에서 성공한다.
복합 AI 워크플로우 검증 시 샘플 수보다 임계값 설정이 더 중요하며, 무신뢰 환경에서의 한계를 이해해야 한다.
감금 해제 공격의 성공 여부를 자동 평가하는 다양한 평가자를 비교 분석하였다. JADES가 가장 높은 성능을 보였다.
감금 해제 공격 평가 시 JADES를 사용하는 것이 효과적일 수 있다.
PuzzleMask는 기존 LLM 기반 정책 검사를 우회하기 위해 일반 영어 텍스트를 특수하게 구성한 공격 기법이다. 정책 위반 페이로드를 특수하게 구성된 텍스트로 감싸서 탐지 회피를 시도한다.
이 기법은 기존 LLM 기반 정책 검사의 한계를 드러내며, 보다 정교한 프롬프트 분석 기법이 필요하다.
Kubernetes 노드의 루트 권한을 악용해 SPIFFE/SPIRE 기계 신원 시스템을 오용하는 공격 기법을 제시하고, 공격 도구 Spooffe를 개발했다. 공격자는 cgroup 정보를 위조해 공유 노드 내 다른 워크로드의 신원 문서를 획득할 수 있음을 보인다.
Kubernetes 환경에서 루트 권한 관리와 노드 보안 강화가 중요하다.
ESET 연구원들은 러시아 계열 해킹 그룹 UAC-0099가 AI 기반 코드 분석 도구를 방해하기 위해 악성 스크립트에 가짜 핵무기 개발 요청 주석을 삽입하는 기법을 발견했다. 이 기법은 분석 도구가 해당 파일을 더 이상 검토하지 않도록 유도한다.
이 기법은 AI 기반 코드 분석 시스템의 안전 장치를 우회할 수 있으므로, 다중 모델과 인간 전문가의 협업을 통해 분석 결과를 검증하는 방식이 필요하다.
LL-Verifier라는 새로운 자동화된 프레임워크를 제안하여, 대규모 언어 모델과 논리 모델 체커를 결합하여 애플리케이션의 논리 결함을 식별한다. 27개의 IoT 장치 액세스 제어 프로토콜에서 다양한 논리 취약점을 발견했다.
이 연구는 IoT 프로토콜의 논리 결함을 자동으로 탐지할 수 있는 프레임워크를 제시하여, 실무에서 보안 분석의 효율성을 높일 수 있다.
전기자동차 충전소 소프트웨어의 보안 취약점을 분석하고, 계층적 소프트웨어 품질 보증(HSQA) 접근법을 제안한다. HSQA는 개별 취약점(CVE)부터 고수준 보안 특성(CIA 삼중구조)까지 포괄적으로 평가한다.
전기자동차 충전소 소프트웨어 보안 평가에 HSQA 접근법을 적용할 필요가 있다.
코딩 에이전트의 최종 패치에 워터마크를 삽입하는 기존 방법은 제출된 아티팩트의 출처를 증명하지만, 생성 과정을 인증하지 못한다. TrajMark은 소유권을 강력하게 추적하면서 로컬한 수정을 감지할 수 있는 트레이스 워터마킹 프레임워크로, 3개의 코딩 에이전트 프레임워크와 3개의 LLM에서 정확한 소유자 복원률 100%, 수정 탐지률 95.5%-100%, 수정 사이트 정위치율 95.8%를 보였다.
TrajMark은 코딩 에이전트의 작업 흐름을 보호하고 위조를 탐지하는 데 활용할 수 있으며, 소프트웨어 개발 과정의 무결성을 검증하는 데 유용하다.
운영 기술(OT) 시스템의 침해 대응 전략을 위한 부분 관측 가능 마르코프 결정 과정(POMDP) 모델을 제안하고, PPO 기반 학습 방법을 통해 효과적인 대응 전략을 개발했다. 실증 평가에서 여러 MITRE 공격에 효과적임을 보였다.
이 연구는 OT 시스템 침해 대응 자동화에 학습 기반 접근법을 제안하여, 실무에서 보다 효율적인 대응 전략을 개발할 수 있다.
연구팀은 5개 공개 ReDoS 탐지 도구와 1개 정규표현식 수정 도구의 효과성을 3개 데이터셋을 사용해 비교 분석했다. NVD 데이터베이스에 보고된 ReDoS 취약점을 실증 분석한 결과, ReDoS 취약점이 비-ReDoS 취약점보다 더 자주 악용되고 있는 것으로 나타났다.
실무에서는 ReDoS 취약점이 일반 취약점보다 더 높은 위험성을 지니므로, 탐지 도구 선택 시 도구 간 결과 차이를 고려해야 한다.
Maverick는 행렬-벡터 곱셈 위임 프로토콜을 기반으로 사용자의 입력 비공개성과 추론 결과의 검증성을 보장하는 대형 언어 모델(LLM) 추론 방식이다. Maverick는 17x에서 157x까지의 처리량 향상을 달성했다.
이 연구는 대형 언어 모델 추론 시 사용자의 입력 비공개성과 검증성을 동시에 보장하면서 처리량을 향상시킬 수 있는 새로운 기술을 제시한다.
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.