연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
PhantomCall은 Windows PE 악성코드의 함수 호출 그래프(FCG)를 변형하여 머신러닝 기반 악성코드 탐지를 회피하는 적대적 공격 기법이다. 평가 결과, MalConv, MalGraph, SAFE+GNN 탐지 시스템에서 85-100%의 공격 성공률을 기록했으며, 기존 최고 수준보다 최대 95.5% 포인트 높은 성능을 보였다.
시사점 이 연구는 기존 머신러닝 기반 악성코드 탐지 시스템의 취약점을 드러내며, FCG 기반의 탐지 방식에 대한 재검토가 필요하다는 시사점을 제공한다.
소프트웨어 개발 과정에서 보안 취약점을 조기에 식별하고 수정하기 위해 정적 애플리케이션 보안 테스트(SAST) 도구의 출력을 개발자들이 익숙한 이슈 추적 소프트웨어에 통합하는 자동화된 프로세스를 제안한다. SonarQube SAST 도구를 GitLab 기반 개발 환경에서 성공적으로 구현했으며, 개발자들이 구조화된 구현, 실시간 피드백, 프로액티브 취약점 관리를 긍정적으로 평가했다.
시사점 이 연구는 CI/CD 파이프라인에 SAST 도구를 통합함으로써 개발 과정에서 보안 취약점을 효율적으로 관리할 수 있는 방법을 제시한다.
버전 스페이스 접근법을 회로 분석 문제에 적용하여 정확한 후보 수를 계산하는 방법을 제안한다. 2002년 제안된 문제를 해결하고, TrustHub 오버플레이션 문제에서 키 수를 계산하여 광고된 키 길이보다 낮은 엔트로피를 보인다.
시사점 이 연구는 디지털 회로 분석에서 후보 수를 효율적으로 계산하는 방법을 제공하여, 회로 보안 평가에 활용될 수 있다.
공급망 보안에서 위협 분석의 복잡성을 해결하기 위해 그래프 기반 신경-기호 프레임워크를 제안하고, 이는 기존 기반선 대비 추론 정확도를 개선하며 환상 생성을 줄인다. 공개된 CTI 벤치마크를 사용한 실험 평가에서 NeuroGraph는 추론 정확도, 다중 홉 추론, 적대적 변동에 대한鲁棒성을 개선하였다.
시사점 이 연구는 공급망 보안 분석에서 설명 가능하고 신뢰할 수 있는 위협 추론을 가능하게 하여 실무자의 결정 과정을 지원할 수 있다.
다중 에이전트 LLM 시스템(MAS)에서 정보, 상태, 결정, 권한이 주체 경계를 넘나들며 발생하는 보안 문제를 체계적으로 분석하고, 공격 경로와 방어 전략을 제시한다. 197개 연구를 분석하여 6개의 상호작용 인터페이스, 4개의 공격자 위치, 7개의 시스템 수준 위험, 8개의 반복 공격 경로를 정리하고, A-I-R 프레임워크와 5부분 계약 방식의 방어 전략을 제안한다.
시사점 다중 에이전트 LLM 시스템의 보안을 평가할 때 상호작용 경로를 종단간으로 추적하고 방어 전략이 해당 경로를 차단하는지 테스트해야 한다.
LLM 에이전트의 장기 메모리 오염 공격을 엔드투엔드 최적화 문제로 접근하여, 기존 단계별 최적화의 한계를 극복하는 새로운 공격 기법 PipePoison을 제안한다. 세 가지 에이전트 프레임워크와 네 가지 메모리 메커니즘에서 공격 활용률을 19.1% 포인트 향상시켰으며, 미확인 피해 설정에서도 기존 최고 기준을 16% 포인트 초과했다.
시사점 LLM 에이전트의 장기 메모리 보호를 위해 단계별 최적화보다 엔드투엔드 접근을 고려해야 한다.
LLM 서비스의 안전장치 평가 방법을 분석하고, 실제 배포 환경에서의 효과를 측정하는 기준을 제시한다. 안전장치의 로컬 성능 향상이 전체 시스템의 안전성 향상으로 이어지지 않는다는 점을 보인다.
시사점 LLM 시스템의 안전성 평가 시 단순히 안전장치의 성능 향상에 집중하기보다, 전체 시스템에서의 잔여 위험을 고려해야 한다.
GlitchLab은 물리적 결함 주입 공격을 효율적으로 탐색하기 위해 하드웨어-인-더-루프 최적화 플랫폼을 제안한다. AES, 비밀번호, 제어 흐름 캠페인에서 기존 기준보다 2-85배 적은 시도와 26-1,237배 적은 시간을 요구한다.
시사점 GlitchLab은 물리적 결함 주입 공격의 효율적인 탐색을 가능하게 하여, 보안 평가 및 방어 전략 개선에 기여할 수 있다.
신경 기호(Neuro-Symbolic) AI 모델의 적대적 공격에 대한 안정성을 평가하기 위해 DeepProbLog와 기초 신경망을 8가지 백도어 설정과 4가지 추론 작업에서 비교했다. 평균적으로 신경 기호 모델이 신경망보다 더 안정적이지만, 추론 과정의 엄격성과 공격 대상과의 호환성에 따라 안정성이 크게 달라진다.
시사점 신경 기호 AI 모델의 적대적 공격에 대한 안정성은 추론 과정의 엄격성과 공격 대상과의 호환성에 크게 의존하므로, 이 점을 고려한 설계가 필요하다.
언어 모델의 배포 보안 기법을 개선하기 위해 'capability-gated deployment'라는 새로운 접근법을 제안한다. 이 기법은 단일 가중치 집합 내에서 각 사용자의 접근 제어를 구현하며, 보안성이 이론적으로 증명된다.
시사점 이 연구는 언어 모델의 보안 기능을 효과적으로 구성하는 새로운 방법을 제시하여, 보안 정책의 유연한 적용을 가능하게 한다.
시스템 코드를 생성하는 대형 언어 모델이 적대적일 수 있는 상황에서, 생성된 코드가 직접 실행하는 대신 신뢰할 수 있는 중개자(mediator)가 효과를 수행하도록 하는 방식을 제안한다. 중개자의 보장은 코드 재생성에도 생존하며, 효과 검증을 위한 6가지 조건을 제시한다.
시사점 시스템 코드 생성 시 적대적 생성자를 대비해 실행 권한을 중개자에게 위임하는 방식을 도입할 수 있다.
로봇 능력 마켓플레이스에서 기존의 중앙집중식 PKI 대신 연방 신뢰 아키텍처를 제안하고, 이 모델을 런타임 거버넌스 계층에 구현하여 100%의 악의적 출판자 공격을 차단하는 것을 보였다. 5000회 적대적 시도에서 100%의 악의적 출판자, 변조, 위조, 취소된 서명자 공격을 거부했으며, 96.6%의 최소 버전 강제 하강 시도를 차단했다.
시사점 로봇 플릿 운영자는 연방 신뢰 아키텍처를 도입하여 중앙 인증 기관에 의존하지 않고 로컬 기반의 신뢰 검증을 통해 보안성을 높일 수 있다.
웨어러블 EEG 시스템에서 사용되는 공통 EEG 특징이 인지 상태 분류를 지원하는 동시에 참가자 신원 및 인구통계 정보를 유추할 수 있음을 보인다. NeuroPriv를 통해 인지 상태 분류 성능을 유지하면서 신원 및 인구통계 유추 정확도를 각각 0.206, 0.467, 0.563으로 감소시켰다.
시사점 웨어러블 뇌파 장치 사용 시 신원 및 인구통계 정보 유출 위험이 있으며, NeuroPriv를 통해 프라이버시 보호를 강화할 수 있다.
광물 공급망에서 검증 가능성과 정보 공개 간의 갈등을 해결하기 위해 OreProof라는 프로토타입 추적성 플랫폼을 제안한다. OreProof는 제로지식 증명을 활용해 선택적 공개를 가능하게 하며, 기존의 투명성 기준 대비 기밀 속성의 유추 가능성을 4개 중 3개에서 0개로 감소시켰다.
시사점 이 연구는 주요광물 공급망에서 정보 보호와 검증 가능성의 균형을 유지하는 기술적 접근법을 제시하여, 공급망 보안 및 정보 관리 실무에 새로운 방안을 제시한다.
NVIDIA H200 GPU의 전력 소모를 분석하여 AI 작업 부하를 식별하는 방법을 제시한다. 97% 정확도로 학습과 추론을 구분할 수 있으며, 4가지 회피 전략 중 3가지에 대해 99% 이상의 탐지 성능을 보인다.
시사점 이 연구는 AI 작업 감시를 위한 물리적 부채널 기반의 새로운 접근법을 제시하여, AI 거버넌스 정책 수립에 기여할 수 있다.
다중 에이전트 언어 모델 시스템에서 권한 위임과 런타임 거버넌스의 보안 문제를 실증적으로 분석하고, 4가지 공격 시나리오에 대응하는 권한 부여 브로커를 제안한다. 200,000개의 위조 토큰 중 0개를 수용하고, 평균 1.5개의 행동만 허용하는 등 높은 보안 성능을 보인다.
시사점 이 연구는 다중 에이전트 LLM 시스템에서 권한 위임 시 보안을 강화하기 위한 실용적 접근법을 제시하며, 실무에서는 권한 부여 브로커 도입을 고려해야 한다.
DUPIN은 대량의 감사 이벤트를 사용하여 비감독 사전 학습을 수행한 후 소수의 라벨이 있는 공격 예제로 미세 조정하는 학습 기반 공격 포렌식 접근법을 제안한다. DUPIN은 최대 38-52일 동안의 감사 로그(총 7.3TB)로 사전 학습하고 4개의 다른 데이터 소스에서 25개의 APT 캠페인에 대해 다양한 기준선과 비교 평가한다.
시사점 이 연구는 대량의 감사 로그를 활용한 학습 기반 공격 포렌식 접근법을 제시하여, 소규모 라벨 데이터로도 효과적인 공격 탐지를 가능하게 한다.
산업 사이버보안에서 인공지능(AI)의 불투명한 의사결정이 운영 신뢰와 규정 준수를 어렵게 하므로, 설명 가능한 인공지능(XAI) 기법을 검토하여 투명성과 해석성을 향상시킨다. XAI 기법의 주요 유형과 산업 환경에서의 적용 가능성, 한계를 분석한다.
시사점 이 결과로 실무에서는 XAI 도구를 보안 운영 센터(SOC)에 통합하여 AI 기반 위협 탐지의 신뢰도를 높이고 규정 준수를 용이하게 할 수 있다.
AI 에이전트가 상품 및 서비스를 구매하고 사용자의 대리로 지급을 실행하는 대리 지급 프로토콜의 보안 의존성을 분석하였다. 4개의 대표적인 프로토콜을 Tamarin에서 형식화하고, 86개의 검증 사례를 통해 40개의 새로운 형식적 일관성 문제를 발견하였다.
시사점 이 연구는 대리 지급 프로토콜의 보안 원칙을 명확히 하여, 자율 거래 시스템의 설계 및 검증에 실질적인 기여를 할 수 있다.
에이전트 언어 모델(agentic LLM) API 제공업체의 백본 모델을 감사하기 위해 도구 사용 패턴을 분석하는 새로운 방법 AgentProv를 제안한다. AgentProv는 630개 체크포인트 쌍에서 100%의 탐지 성능을 보이며, 시스템 프롬프트 주입에 따른 오류율은 7% 미만이다.
시사점 이 연구는 제공업체가 주장하는 모델과 실제 제공하는 모델이 다른 경우를 감지하는 데 실무적으로 활용될 수 있다.
Mirage Kitten APT 그룹이 새로운 Node.js 및 JavaScript 기반의 RAT(NodeRabbit, PollCat)를 사용하여 아프가니스탄, 이집트, 에티오피아의 시스템에 침투하는 공격을 수행하고 있음을 밝혀냈다. 공격자는 채용 과정을 가장한 악성 코드 아카이브를 통해 악성코드를 배포하고 있다. NodeRabbit은 Windows, Linux, macOS에 영향을 주며, C2 서버와의 통신을 위해 Azure 호스팅 인프라를 사용한다.
시사점 APT 그룹이 Node.js 및 JavaScript 기반의 악성코드를 사용하는 새로운 공격 방식을 채택하고 있어, 개발자 및 보안 전문가들은 채용 과정에서 제공되는 코드 아카이브에 주의해야 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.