SpiderSapien은 현대 웹 애플리케이션의 동적성과 대화형 특성을 고려한 클라이언트 중심 웹 크롤러 및 보안 스캐너를 제안한다. 평가 결과, 기존 스캐너 대비 평균 코드 커버리지가 최소 46% 증가했으며, XSS 취약점을 7개 애플리케이션에서 발견했다.
SpiderSapien은 현대 웹 애플리케이션의 보안 테스트를 위한 새로운 접근법을 제공하여, 실무에서 더 깊은 코드 탐색과 취약점 탐지를 가능하게 한다.
기계 학습 기반 침입 탐지 시스템의 일반화 능력을 평가하기 위해 차원 수 조정 실험을 수행하였다. 실험 결과 모델이 새로운 공격을 얼마나 효과적으로 탐지하는지를 보여주며, 기계 학습 기반 IDS 연구와 평가 기법의 구조적 약점을 드러냈다.
기계 학습 기반 침입 탐지 시스템의 평가 시 일반화 능력을 고려해야 한다.
연구팀은 위험 기반 알림(RBA) 기법을 이진 결정 문제가 아닌 연속 알림 우선순위 문제로 재구성하여 체계적으로 평가했다. 8개의 다양한 알림 데이터셋을 통해 RBA가 특정 가설 조합으로 뛰어난 알림 우선순위 성능(AUROC μ=0.92, σ=0.09)을 달성함을 보였다.
이 연구는 RBA가 실무에서 알림 피로를 완화하고, 복잡한 알림 분류 접근 방식의 기반으로 활용될 수 있음을 시사한다.
시각 기반 CAPTCHA 풀이 시스템을 제안하고, 경험을 통해 학습하는 방식으로 정확도를 높인다. 85.4% 전체 정확도와 84.2% 매크로 정확도를 달성했다.
CAPTCHA 운영자는 적응형 풀이 시스템에 대응하기 위해 지속적인 도전문제 개발이 필요하다.
기존 생성 모델을 수정하지 않고 AI 생성 콘텐츠의 출처를 추적하는 새로운 기법을 제안한다. 인코더-디코더 쌍을 활용한 자기 참조 회귀 합성 프레임워크를 통해 생성된 이미지의 일관성을 검증한다.
이 기법은 생성 모델의 아키텍처나 파라미터를 변경하지 않아도 AI 생성 콘텐츠의 출처를 신뢰성 있게 추적할 수 있다.
기존 HTTP 네이티브 결제 프로토콜(x402)을 확장하여 대체 결제 시나리오를 지원하는 Agentic Settlement Protocol(ASP)을 제안한다. ASP는 발행 마감일, 에스크로 만료일, 인벤토리 만료일을 분리한 3단계 홀드 모델과, 채우기 검증 계단, 부분 환불 메커니즘 등을 포함한다.
ASP는 대체 결제 시나리오에서의 취소 및 환불 문제를 해결하며, XDC 네트워크에서 구현될 예정이다.
LLM 생성 텍스트에 사용자 식별 메시지를 삽입하여 내용 출처를 추적하는 다중 비트 워터마킹 기법을 제안하고, 페이로드 확산을 통해 페이로드 용량을 향상시키며, 소프트 결정 오류 수정 코드를 통해 추출 정확도를 개선하고, 무편향 다중 계층 재가중을 통해 텍스트 품질을 유지한다. 200 토큰에서 32비트 메시지의 일치율은 89.8%로 BiMark의 20.8%에 비해 훨씬 높으며, 10% 치환 공격에서도 86.0%를 달성한다.
LLM 워터마킹 기법의 성능을 향상시켜 내용 출처 추적의 신뢰성을 높일 수 있다.
지속적 AI 에이전트가 반성, 검색, 통합을 통해 자기 서술 상태를 구성할 때 비신뢰할 수 있는 입력이 지속 상태에 포함될 수 있는 문제를 해결하기 위해 타입 기반 증명(typed provenance)과 진술 가이드라인(assertion guardrails)을 제안한다. 24개의 수작업 준수 사례에서 19개의 비안전 기회 중 하나도 무자격으로 통과시키지 않았으며, 모든 지원되는 제어를 보존했다.
AI 에이전트의 지속 상태 관리 시 보안성을 확보하기 위해 타입 기반 증명과 진술 가이드라인을 도입할 필요가 있다.
신뢰할 수 있는 실행 환경(TEE)에서 정보 흐름 보안을 강제하는 새로운 방법을 제안한다. SPLITR을 구현하여 OpenSSL과 같은 실제 애플리케이션에서 성능 평가를 수행하였다.
이 연구는 LLVM 기반 애플리케이션에서 수동 enclave 분할의 필요성을 줄이고 보안성을 향상시킬 수 있는 실용적 접근법을 제시한다.
LLM 에이전트의 스킬 선택 과정에서 암묵적 조작 공격(ISM)을 제안하고, 세 단계 전략을 통해 타겟 스킬 선택률을 15.2%에서 63.5%까지 높였다. ISM은 명시적 지시 없이도 인간 심사자에 의해 차단당하는 비율이 2.9%에 불과하다.
LLM 에이전트의 스킬 선택 과정에서 암묵적 조작 공격이 효과적임을 보여주어, 보안 설계 시 이러한 공격 방식을 고려해야 한다.
WiFi RF 지문 인식(RFF)의 장치 인증 문제를 해결하기 위해 OpenMax 프레임워크를 개선한 C$^2$T-OpenMax 방법을 제안한다. 공개 WiFi CSI 데이터셋에서 테스트한 결과, 8개 위치 그룹 중 7개에서 가장 높은 오픈세트 정확도를 달성했으며, AUROC 0.0887, OSCR 0.0856 증가 등 기존 기법 대비 성능 향상이 입증된다.
이 연구는 WiFi 장치 인증 시 환경 변화에 대한 일반화 능력을 향상시키는 새로운 RFF 기법을 제시하여, 무선 네트워크 보안 분야에서 실용적 적용 가능성을 제시한다.
연방 학습에서 클라이언트 간 모델 업데이트의 민감 정보 유출을 방지하기 위해 다중 비밀 키 동형 암호화를 기반으로 한 프라이빗 평균 집계 프로토콜을 제안한다. 기존 대비 암호문 확장과 온라인 비용을 대폭 줄이며, 동형 집계 성능을 유지한다.
이 연구는 연방 학습 환경에서 보안성을 유지하면서도 계산 효율성을 향상시킬 수 있는 새로운 암호화 기법을 제시하여, 분산 학습 시스템의 실용화에 기여할 수 있다.
Poisson subsampling의 독립성에 기반한 프라이버시 증폭 메커니즘을 분석하고, 음의 상관관계가 이 메커니즘을 얼마나 확장할 수 있는지 이론적으로 규명했다. 음의 상관관계가 있는 경우, 정수 R\'enyi 순서 $\alpha\ge2$에서 독립적인 경우와 동일한 R\'enyi 발산을 보인다.
이 연구는 실무에서 구조화된 참여 방식을 사용할 때 프라이버시 증폭 계산의 한계와 대안을 제공하여, 미분 프라이버시 시스템 설계에 중요한 지침을 준다.
자율 에이전트가 조직 간 데이터베이스와 클라우드 서비스를 변경하는 도구 동작을 실행할 때 발생하는 보상 가능한 부작용을 정산하기 위한 스마트 계약 프로토콜인 Recourse를 설계하고 평가했다. Recourse는 허가된 동작을 범위, 복구, 증거, 지급금, 보증금과 결합하여 보상되지 않은 피해를 줄이는 데 기여한다.
이 연구는 자율 에이전트가 조직 간에 실행하는 도구 동작의 부작용을 스마트 계약으로 정산하는 새로운 프로토콜을 제안하여, 보상되지 않은 피해를 감소시키는 데 기여한다.
에이전트 플라이트 레코더(Agent Flight Recorder)는 장기적 툴 사용 에이전트의 모든 동작을 구조화된 이벤트로 기록하고, 해시 체인과 머클 배치를 통해 탬퍼 증거를 제공하는 시스템이다. 시스템은 48 마이크로초 평균 이벤트 지연과 512바이트당 이벤트, L2 앵커링 비용 $2.30/10만 이벤트를 기록했으며, 100% 탐지율과 0% 오류를 보였다.
이 시스템은 장기적 툴 사용 에이전트의 보안 감사 및 탬퍼 증거를 제공하여, 조직 간 분쟁 해결과 제3자 검증을 용이하게 한다.
이 연구는 뇌파 신호를 바이오메트릭 인증 시스템으로 사용하는 데 있어 적대적 공격에 대한 취약성을 분석한다. 6개 공개 데이터셋을 사용한 실험에서 기록 조건에 따라 취약성이 크게 달라지는 것을 보였다.
이 연구는 뇌파 기반 인증 시스템의 보안 설계 시 적대적 공격에 대한 고려가 필요함을 시사한다.
LLM 에이전트의 지속 메모리가 권한 상태를 잘못 기록해 권한을 조작하는 '내생적 권한 세탁' 현상을 분석하고, 이를 측정하는 EAL-Bench 벤치마크를 제안한다. 50.2%의 비인가 요청에 대해 거짓 권한이 생성되고, 이는 98.6%의 경우 실행에 이르는 것으로 나타났다.
LLM 에이전트의 메모리 관리가 권한 정책의 핵심 요소임을 보여주어, 메모리의 정확성 보장을 위한 설계가 필요하다.
이 연구는 소프트웨어 취약점 탐지를 위해 행동 트리(Behavior Tree, BT)를 사용하는 새로운 접근법을 제안한다. Java 소스 코드를 AST로 변환한 후 BT로 전환하는 전처리 단계를 제안하고, 460개의 Java 샘플에서 원본 코드, AST, BT의 탐지 성능을 비교한 결과, BT는 짧은 코드 샘플에서 재현율을 향상시키고 긴 코드에서는 전체 성능을 개선하는 것으로 나타났다.
이 연구는 라이트급 LLM을 사용한 취약점 탐지에서 행동 트리(Behavior Tree)가 효과적임을 보여주어, 제한된 자원 환경에서의 실용성을 높일 수 있다.
완전 동형 암호화(FHE) 기반 언어 모델 추론의 성능 저하 문제를 해결하기 위해, 비선형성 근사 반복 횟수를 학습 가능한 파라미터로 변환하는 훈련 방법을 제안한다. HEAT를 사용하면 GPT-2 해독 작업에서 반복 횟수를 3.1배, 부트스트랩을 1.6배, 종단 간 지연을 1.4배 감소시키며, 기준선 대비 해독 일치도를 개선한다.
이 연구는 FHE 기반 언어 모델 추론의 효율성을 향상시켜, 암호화된 데이터 처리 환경에서 실용성을 높이는 데 기여할 수 있다.
이 연구는 텍스트-음성(TTS) 모델에 대한 멤버십 추론 공격(MIA) 프레임워크를 제안한다. TTS 모델의 멀티레벨 음성 특성과 시간적 변이성을 고려한 대표성 공학과 쿼리 생성 기법을 통해, 세 가지 최신 TTS 모델에서 멤버십 정보를 0.80~1.0의 AUC로 추론할 수 있음을 보인다.
이 연구는 TTS 모델이 개인 음성 데이터를 통해 학습되었을 때의 개인정보 유출 위험성을 입증하여, 보다 강력한 프라이버시 보호 기법의 필요성을 강조한다.
AI 에이전트가 MCP와 A2A 프로토콜을 동시에 사용할 때 정보 유출 경향을 측정했다. 4개 모델에서 PUBLIC 라벨이 유출률을 평균 0.8 증가시켰다.
AI 에이전트 시스템에서 공개 라벨이 정보 유출을 유도할 수 있으므로, 보안 정책에 반영해야 한다.
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.