AI 기능이 통합된 악성코드 405개 샘플을 분석하여 약 97%가 실제 운영 환경에 도달하지 못하고 샌드박스에만 존재함을 밝혔다. 12개 샘플이 Cortex XDR 보호 엔드포인트에서 발견되었으며, 모든 샘플이 기존 방어 기술로 탐지·차단되었다.
기존의 동작 탐지, 클라우드 기반 샌드박스, 엔드포인트 분석이 AI 기능이 통합된 악성코드를 효과적으로 차단하고 있다.
공업 제어 시스템(ICS)에서 기계 학습 기반 이상 탐지 모델의 훈련 데이터 오염에 대한 안정성을 평가하였다. 11개 이상 탐지기의 3가지 오염 전략(랜덤 삽입, 유사도 타겟 삽입, 특징 노이즈 삽입)을 평가하여, 모델별로 안정성이 크게 달라지는 것을 확인하였다.
공업 제어 시스템에서 기계 학습 모델의 훈련 데이터 무결성을 보장하는 것이 중요하다.
악성코드 변종이 빠르게 진화함에 따라 기존 학습 정보를 유지하면서 새로운 위협에 적응하는 시스템이 필요하다. 본 연구는 소량의 라벨 데이터로 새로운 악성코드를 학습하는 FSCIL 환경에서, SSL 백본과 LoRA 기법을 결합한 새로운 연속 학습 프레임워크를 제안한다. 실험 결과 이 접근법이 기존 악성코드 FSCIL 기준선을 꾸준히 초과하며 최첨단 성능을 달성한다.
이 연구는 새로운 악성코드를 소량의 샘플로 빠르게 학습하면서 기존 지식을 잃지 않는 시스템 구축에 실용적 기법을 제시한다.
LLM 에이전트의 메모리 시스템에 단일 인터랙션으로 메모리 주입 공격을 수행하는 InjecMEM을 제안한다. 다양한 메모리 시스템과 백본 모델에서 평가한 결과, InjecMEM은 메모리 드리프트 상황에서도 신뢰성 있게 주제 조건부 검색과 대상 생성을 달성하였다.
LLM 에이전트의 메모리 시스템 보안 강화가 필요하며, 이 연구는 메모리 공격에 대한 재현 가능한 프레임워크를 제공한다.
IoT 센서 데이터 집계를 위한 동형 암호화 블록체인 아키텍처를 제안하고, 토폴로지 기반 보안 및 성능 분석을 수행하였다. Hyperledger Fabric 2.5에서 실험 결과, 기존 기준 대비 끝점 대 끝점 지연 시간이 낮아졌다.
이 연구는 IoT 센서 데이터 집계의 보안과 확장성을 동시에 달성할 수 있는 블록체인 아키텍처를 제시한다.
Gumbel 기반 추론 검증은 LLM 가중치 유출을 제한하지만, 공격자가 프롬프트 분포를 조절하면 방어가 약화된다. 1B~32B 파라미터의 6개 모델에서 공격으로 유출 비트 수가 약 2배 증가해 지연 요인을 60x-118x로 낮췄다.
LLM 보안 방어는 정적 기준보다 동적 엔트로피 기반으로 설정해야 한다.
SxSSD는 보안적이고 확장 가능한 소프트웨어 정의 SSD 설계를 제안한다. SxSSD는 내부 정책 정의와 기본 FTL 메커니즘을 분리하여 신뢰할 수 있는 애플리케이션이 동적으로 및 안전하게 FTL 정책과 노출된 저장 인터페이스를 정의할 수 있도록 한다. 실험 평가 결과 SxSSD의 오버헤드는 네이티브 FTL 구현에 비해 작다.
SxSSD는 OS가 침해된 상황에서도 보안을 유지할 수 있는 SSD 설계를 제공하여, 저장 장치 보안을 강화할 수 있다.
LLM이 생성한 거래 전략의 일관성을 평가하기 위해 FIDES라는 새로운 측정 프로토콜을 제안한다. 40개 전략을 대상으로 실시한 실증 분석에서, 40개 중 2개만이 buy-and-hold 전략을 초과했으며, 32개 전략이 자신이 buy-and-hold를 초과할 것이라고 주장했지만 실제로는 하나도 넘지 못했다는 결과를 얻었다.
LLM 생성 거래 전략의 일관성을 평가하는 FIDES 프로토콜을 통해 생성 모델의 신뢰도와 정확성을 검증할 수 있다.
피싱 웹사이트는 짧은 수명과 빠른 변화를 특징으로 하며, 기존 데이터셋은 URL이나 사전 계산된 특징으로만 구성되어 있어 연구의 한계가 있다. PhiShark2026은 HTML 콘텐츠, 스크린샷, HTTP 헤더, TLS 인증서, DNS 등 다양한 원증거를 보존한 67,502개의 스캔 데이터를 제공한다. 33,387개의 피싱 관측치와 34,115개의 양성 참조 관측치를 포함하며, 호스팅 인프라 정보를 마스킹하여 혼동을 방지한다. 피싱과 양성 사이의 웹 자원 사용, 도메인 성숙도, 보안 헤더, 인프라 맥락에서 체계적인 차이를 보인다.
이 데이터셋은 피싱 웹사이트의 진화에 따라 재분석이 가능하며, 다양한 피싱 탐지 및 분석 방법의 기초가 될 수 있다.
지하 포럼에서 사이버 위협 지능(Cyber Threat Intelligence, CTI)을 자동으로 추출하는 다중 에이전트 대형 언어 모델(LLM) 기반 시스템인 DarkBot을 제안한다. 100개의 CrimeBB 대화에서 72.8%의 MITRE ATT&CK 기법을 복구했으며, 7일 동안 평균 3.85개의 CTI 엔티티를 더 수집했다.
이 연구는 지하 포럼에서 CTI를 자동으로 추출하는 실용적인 방법을 제시하여, 보안 분석의 효율성을 높일 수 있다.
LLM을 활용한 사이버보안 능력 향상을 위해 오픈소스 프레임워크 CyberFactory를 제안하고, 이를 통해 훈련된 모델 Aegis가 기존 모델 대비 22.8포인트 높은 52.4% 성능을 보인다.
이 연구는 LLM을 활용한 사이버보안 능력 향상을 위한 오픈소스 프레임워크를 제시하여, 실무에서 보안 자동화 도구 개발에 활용될 수 있다.
쉴드 UTXO 기반 프로토콜의 익명성을 계층적 시스템 모델과 분석 파이프라인을 통해 평가하고, 실제 블록체인 데이터를 사용해 익명 집합 크기 감소를 분석했다. 186,356건의 거래를 분석한 결과, 평균 익명 집합 크기 감소율은 40.1%~59.0%이며, 3,679건의 거래는 최대 10개 주소만 남는다.
이 연구는 DeFi 프로토콜의 익명성 손실 패턴을 분석하여 사용자 행동과 미래 프로토콜 설계에 시사점을 제공한다.
기존 도лев-야오(DY) 공격자 모델은 모든 가능한 공격을 시도하지만, 실제 공격자는 유용성을 극대화합니다. 본 연구는 공격 행동에 비용과 보상을 부여한 이성적 DY 공격자를 제안하고, 유한 비용 주석이 있는 병렬 게임 구조에서 이 모델의 결정 가능성을 증명합니다. 94.5% F1
이 연구는 보안 프로토콜 검증 시 실제 공격자의 이성적 행동을 고려함으로써 보다 현실적인 보안성을 평가할 수 있는 방법을 제공합니다.
이 연구는 네트워크 인터페이스 카드(NIC)의 전자기 방사를 분석하여 네트워크 위협 행동을 인식하는 새로운 방법을 제안한다. NICWhisper는 8개 행동 클래스에서 80.67%의 Macro-F1 성능을 달성하였다.
이 연구는 네트워크 보안 모니터링에서 전통적인 트래픽 분석 외에도 물리적 관측을 활용할 수 있음을 보여준다.
암호화폐 시스템의 양자 컴퓨터 취약성과 경제적 위험을 검토하고, NIST 표준 디지털 서명과 Solana, Algorand, Ethereum의 새로운 해결책을 제안한다. 주요 블록체인 플랫폼의 취약성과 이행 전략을 분석한다.
암호화폐 운영자는 양자 컴퓨터 위협을 인식하고, NIST 표준 및 블록체인별 이행 전략을 검토해야 한다.
AES128 암호 분석을 위해 블랙박스 계산을 활용한 로컬 역전(local inversion) 기법을 제안하고, 알려진 평문 공격(KPA) 상황에서 최대 80비트의 키 복구가 실현 가능한 시간과 메모리 내에 가능함을 보인다. 64, 72, 80비트 미지의 키 복구 결과를 기반으로 128비트 키 복구에 필요한 반복 시퀀스 주기를 예측하고, 폴리노미얼 시간 내에 실제 키를 검증하는 전략을 제시한다.
AES128의 키 복구가 실현 가능한 시간 내에 가능함을 보여주어 암호 설계 및 보안 평가에 중요한 시사점을 제공한다.
LLM을 사용하여 Suricata 규칙을 생성하는 프레임워크를 제안한다. 281개 실제 CVE와 실제 IoT 장치의 정상 트래픽을 대상으로 한 실험에서 81.5%의 탐지율과 0.0%의 거짓 긍정률을 달성했다.
이 연구는 LLM을 활용한 IDS 규칙 생성의 실용성을 입증하며, 보안 실무자에게 자동화된 규칙 생성 도구로서의 가능성을 제시한다.
LLM 에이전트 시스템에서 민감한 데이터의 흐름을 제어하기 위해 흐름 중심 정책 언어와 실행 모델인 AgentFlow를 제안한다. 평가 결과, 949건의 테스트에서 확인된 침해를 33.0%에서 0.0%로 줄이고, 집계 유틸리티를 46.7%에서 63.3%로 향상시켰다.
이 결과는 LLM 에이전트 시스템에서 민감한 데이터 흐름을 효과적으로 제어할 수 있는 실용적인 보안 프레임워크를 제공한다.
블루투스 접근 제어를 위해 NFT 소프트 페어링 프레임워크를 제안한다. 3단계 아키텍처를 통해 보안 인증과 동적 취소 기능을 구현했다.
이 연구는 블루투스 기반 접근 제어 시스템의 보안성을 향상시키는 새로운 접근법을 제시한다.
EGAMA-RC는 메모리 포렌식에서의 악성코드 분류를 위해 위험을 고려한 증거 기반 프레임워크를 제안한다. 세 가지 악성코드 데이터셋과 멀티시드 프로토콜을 통해 93.12%의 샘플을 99.86%의 정확도로 자동 수용하고 0.136%의 오류 수용률을 보였다.
실무에서는 위험 수준에 따라 자동 분석과 수동 검토를 조절하는 EGAMA-RC를 도입해 악성코드 분류 효율성을 높일 수 있다.
TEE-X는 대규모 시각 모델의 보안과 성능을 동시에 향상시키기 위해 신뢰 실행 환경(TEE) 내에서 작동하는 가속화 프레임워크를 제안한다. TEE-X는 민감도 기반 모듈화 기법과 벡터화를 통해 정확도-지연 시간의 최소한의 교환을 달성한다.
TEE-X는 대규모 시각 모델의 보안성을 유지하면서도 GPU 수준의 추론 지연 시간을 달성하여, 실시간 엣지 애플리케이션에서의 활용 가능성을 높인다.
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.