연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
본 연구는 유사성 해싱 기반의 클러스터 중심점 선택과 과거 VirusTotal 데이터를 활용한 하위 클러스터 추정 방법을 결합한 AutoPYara를 제안했다. 이 도구는 기존 자동화된 접근 방식 대비 규칙 커버리지를 14%p 향상시키고, 분산을 7.1%p 감소시키며, 위협 헌팅 정확도를 10% 향상시켰다.
시사점 실제 환경에서 AutoPYara는 기존 자동화된 접근 방식보다 더 견고하고 효과적인 YARA 규칙을 생성한다.
공격자들은 유럽의 냉장 컨트롤러에 무단 침입하여 냉장고를 해동 모드로 설정하거나 온도를 50°C까지 높이는 공격을 감행했다. 이 공격은 초기에는 프랑스 슈퍼마켓을 대상으로 시작되었으며, 공격의 초기 접근 벡터는 확인되지 않았다.
시사점 IoT/OT 인프라의 취약한 설정이나 기본 인증 정보는 원격 공격에 노출될 수 있으므로, 장치에 대한 지속적인 보안 관리가 필요하다.
본 연구는 ESXi 및 Proxmox 환경에서 발생한 두 건의 랜섬웨어 공격 사례를 분석하며, 취약한 접근 통제, 네트워크 분리 부족, 관리자 자격 증명 관리가 공격에 어떻게 이용되었는지 기술한다. 공격은 복잡한 VM 탈출 없이도 모니터링 플랫폼이나 평문 메모에 저장된 자격 증명을 통해 가상화 계층에 접근하여 침해를 일으켰다.
시사점 가상화 환경의 보안은 하이퍼바이저뿐만 아니라 관리 콘솔, 모니터링 시스템 등 모든 연결된 계층의 설정과 접근 권한 관리에 달려 있다.
연구진은 서버 측에서 클라이언트 모델을 검사하는 LLM을 사용하여 사전 훈련 없이도 집계 규칙을 선택하는 FedReason을 제안했다. CIFAR-10 및 CIFAR-100 데이터셋에서 Dirichlet 레이블 치우침, 가중치 이질성, 비잔틴 클라이언트를 상대로 FedAvg 대비 평균 1.26%p 향상된 성능을 보였다.
시사점 LLM을 활용하여 분산 학습 서버의 집계 규칙을 동적으로 최적화하는 것이 가능하다.
본 연구는 센서 데이터가 하드웨어-펌웨어 스택을 통과하는 과정에서 공격자가 데이터를 가로채거나 변조하는 것을 막기 위해 SensorGuard-RV라는 하드웨어 우선 접근 방식을 제안했다. 이 방식은 RISC-V 명령어와 고정 기능 컨트롤러를 사용하여 센서 샘플을 인증된 암호화된 상태로 레지스터에 전달하며, 구현 시 100 MHz에서 5,191 사이클 만에 보호된 샘플이 레지스터에 도달했다.
시사점 센서 데이터 경로에 대한 신뢰할 수 없는 소프트웨어 스택을 우회하여 하드웨어 수준에서 데이터 무결성과 기밀성을 확보할 수 있다.
연구진은 행동 생체 인식에 LLM 기반 추론 모듈을 통합하여 문맥을 인지하는 인증 프레임워크를 개발했다. 이 프레임워크는 규칙 기반 및 점수 기반 모드에서 각각 99.46% 및 99.38%의 인증 정확도를 달성하며 동적 환경에서 높은 견고성을 보였다.
시사점 기존 행동 생체 인식 시스템의 한계를 극복하기 위해 LLM을 통합하는 접근 방식이 실제 환경에서 높은 인증 정확도를 달성할 수 있다.
연구진은 토큰을 생성하지 않고 텍스트에 대한 질문에 답하는 오픈 가중치 의사결정 모델을 사용하여 검색된 웹 페이지의 공격적 지시나 오염 시도를 탐지하는 방법을 테스트했다. 이 게이트는 공격 성공률을 27.9%에서 5.7%로 낮추었고, 오염 테스트베드에서 필터링을 통해 답변에 포함되는 가짜 페이지 노출을 0.5%로 유지하면서 정확도를 83%로 유지했다.
시사점 검색된 자료를 처리할 때, LLM을 게이트로 활용하여 공격적 입력이나 오염된 정보를 걸러내는 것이 효과적이다.
연구진은 7개의 공격군을 학습에서 제외하고 실제 트래픽에 주입하여 제로샷 판별 모델과 지도 학습 탐지기를 비교 분석하였다. 학습된 탐지기는 제외된 공격군 중 37%에서 60%의 경로 탐색(path traversal)에 대해 낮은 확률을 부여했으며, 이는 알려진 공격군에 비해 낮은 비율로만 심층 검토(escalate)에 도달했다.
시사점 2단계 분류 시스템에서 빠른 모델의 판별 능력이 학습 범위를 벗어난 공격에 대해 편향되거나 불완전한 결정을 내릴 수 있음을 시사한다.
본 연구는 STM32F407 마이크로컨트롤러를 기반으로 하는 하드웨어 서명기를 구축하고, 난수 생성 과정과 ML-DSA-65 서명 과정을 구현하여 키 노출 가능성을 탐색했습니다. NIST SP 800-90B 도구는 1,000,000개 샘플에서 IID 가정을 거부했으며, 비-IID 추적에서 바이트당 최소 엔트로피 6.898 비트를 평가했습니다.
시사점 저가형 하드웨어 환경에서 양자 내성 서명 키의 물리적 구현 및 잠재적 노출 경로를 탐색할 수 있다.
본 연구는 공격자와 방어적 에이전트 간의 상호작용을 포착하는 형식적 모델을 제시하고, 이 모델을 사용하여 상호작용의 역학을 분석했다. 분석 결과, 미끼 던지기 에이전트의 존재 비율이 특정 임계값을 초과하면 사기꾼의 수익성이 마이너스로 전환되며, 양측이 같은 속도로 발전할 경우 방어자가 우위를 점할 수 있음을 발견했다.
시사점 AI 기반 사기꾼과의 대치 상황에서 방어적 에이전트의 투입은 특정 조건 하에 장기적인 효과를 가질 수 있다.
연구진은 47가지 재밍 조건에서 수집된 Iridium 메시지 실제 데이터셋을 활용하여, 물리 계층 정보만을 이용해 재밍을 탐지하는 세 가지 오토인코더 기반 이상 탐지기를 분석했습니다. 그 결과, 노이즈 재밍이 노이즈 플로어를 9 dB 이상 상승시킬 때 오토인코더가 AUC 0.84 이상을 달성한 반면, $C/N_0$ 및 SNR 추정기는 실패했습니다.
시사점 LEO 위성-IoT 링크의 재밍 조기 탐지는 GNSS 도메인의 신호 품질 지표가 아닌 물리 계층 정보를 활용해야 한다.
본 연구는 복사-붙여넣기 채널을 통해 전송되는 텍스트의 출처를 추적하기 위해, 동형 문자(homoglyph)의 변형을 키 기반의 인증 채널로 활용하는 KeHoSu를 제안하였다. 이 기법은 LLM 생성 텍스트에 적용하여 178자(약 두 문장) 또는 167자(약 한 문장)의 짧은 분량에서도 대부분의 발췌문을 원래 계정에 귀속시킬 수 있음을 보였다.
시사점 텍스트가 복사-붙여넣기 과정을 거치더라도, KeHoSu를 통해 해당 텍스트가 어느 플랫폼과 계정에서 생성되었는지 추적할 수 있다.
본 연구는 전송 전력을 조절하여 SINR 저하를 정상적인 링크 변동으로 위장하는 재밍 UAV를 베이지안 보안 게임 관점에서 모델링하고 탐지 방안을 제안하였다. 수치적 결과는 제안된 방식이 기존 방식 대비 탐지자의 기대 효용을 향상시킨다는 것을 보여준다.
시사점 UAV 군집 환경에서 은밀한 재밍 공격에 대응하기 위해 베이지안 게임 이론을 적용한 탐지 기법을 고려할 필요가 있다.
본 연구는 클라우드 기반 LLM 교사가 차량 측 경량 IDS 모델을 감독하는 CANMentor 프레임워크를 제안하며, 개인 정보 보호를 위해 원본 CAN 메시지 대신 프록시를 사용하여 클라우드 추론을 수행한다. 이 지식 증류 방식은 ROAD 및 HCRL 데이터셋에서 최대 상대적 Macro F1 향상 25.01% 및 20.79%를 달성했고, 교사 예측은 국소적 결정 경계 근처 메시지의 탐지 정확도를 38.71-42.00 퍼센트포인트 향상시켰다.
시사점 CAN 버스 환경에서 리소스 제약과 데이터 프라이버시를 고려하면서도 강력한 침입 탐지 성능을 확보할 수 있는 협업 모델링 접근법을 시사한다.
본 연구는 공격자가 통제하는 콘텐츠가 진행 중인 작업의 결과를 변조하는 새로운 형태의 간접 프롬프트 인젝션(IPI)을 정의하고, 세 가지 도구 사용 환경에서 90가지 검증된 사례를 통해 벤치마크를 구축했다. 다섯 가지 목표 중 일부를 공격할 경우, 방어 없이도 특정 LLM에서 평균 성공률이 나타났으며, 방어 기법 적용 시에도 공격 목표에 따라 성공률이 달라짐을 확인했다.
시사점 LLM 에이전트의 방어 기법은 공격이 목표로 하는 의사결정의 세부 요소(목표, 규칙, 상태 등)에 따라 그 효과가 다르게 나타나므로, 방어의 범위를 정확히 이해해야 한다.
본 연구는 LLM 에이전트의 웹 취약점 공격에 대응하기 위해 애플리케이션 소스 기반의 정적 허니팟을 설계하고, 공격 요청을 격리된 그림자 복사본으로 라우팅하는 방어 기법을 고안했다. 이 정적 계획은 40개의 CVE-Bench 과제에서 Claude Opus 4.8의 실제 침해를 26/40에서 5/40으로, ARTEX 프레임워크의 침해를 20/40에서 0/40으로 줄이는 데 성공했다.
시사점 이러한 정적 허니팟 접근법은 공격을 완전히 막지 못하더라도 공격을 격리된 환경으로 유도하여 실제 목표의 침해를 효과적으로 줄일 수 있다.
연구진은 자동화된 벤치마크 구축과 FOL 가이드 이중 분기 탐색을 결합한 JailBound라는 통합 평가 프레임워크를 제시했습니다. 이 프레임워크를 13개 모델군 46개 LLM에 적용한 결과, High-Value Branch는 ZOL 단독 기준 대비 평균 ASR을 각각 5.1 및 4.9 퍼센트포인트 향상시켰습니다.
시사점 LLM의 안전 경계를 체계적으로 탐색하고 공격 성공률을 높이기 위해 자동화된 평가 프레임워크를 활용할 필요가 있다.
본 연구는 보고서 관찰을 기법 정의에 연결하는 공유 행동 표현을 기반으로 지식 제약형 LLM 추론 프레임워크인 MEvince를 제시했다. MEvince는 11가지 베이스라인 대비 정확도 F1 점수를 17.4% 향상시키고 골드 레이블 후보군 커버리지를 31.6%에서 47.9%로 높였다.
시사점 LLM을 활용하여 산재된 악성코드 보고서에서 체계적으로 기법을 식별하는 데 지식 제약적 접근 방식이 유용하다.
연구진은 텍스트, JSON, 서명된 요구사항 매니페스트 핸드오프를 비교하며, HMAC-SHA256으로 서명된 매니페스트가 공격으로부터 안전하지 않은 커밋을 69.4%에서 9.0%로 감소시켰음을 보였다. 서명은 전송 중 변조를 막지만, 추출 단계의 오류가 잔여 위험의 근원이 된다.
시사점 LLM 에이전트 간의 핸드오프 시 서명은 전송 중 변조를 방지하지만, 요구사항 추출 단계의 신뢰 경계(trust boundary) 관리가 중요하다.
본 연구는 장기간 운영되는 산업용 컨트롤러를 위해 공개키 서명 및 영구적 커밋먼트를 주기적 체크포인트로 이동시킨 AMORT-V1 인증 프로토콜을 제안하였다. 이 프로토콜은 체크포인트를 통해 컨트롤러 비용을 기존 대비 최대 90배까지 절감하며, 10,000개 식별자에 대해 보고당 6.18 마이크로초의 확장성을 보인다.
시사점 장기간 운영되는 산업 제어 시스템에 양자내성 인증을 적용할 때, 주기적 체크포인트 방식을 도입하면 성능 저하를 크게 완화할 수 있다.
본 연구는 $\mathsf{TraintoDefend}$의 가중치 유사성 기반 방어 기법이 작은 섭동에 취약함을 발견하고, $\mathsf{SimBreak}$라는 적응형 군집화 규칙을 도입하여 이를 공격하였다. MNIST 데이터셋으로 훈련된 여섯 개의 완전 연결 네트워크에서 $\mathsf{SimBreak}$는 타겟 레이어 시그니처 복구율을 0%에서 100%까지 높였다.
시사점 모델의 가중치 유사성만을 보호 기준으로 삼는 것은 불충분하며, 암호 분석적 추출 방어를 평가할 때는 적응형 평가가 필수적이다.
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.