스마트 계약의 소스 코드 공개가 LLM 기반 취약점 스캐닝에 악용되는 문제를 해결하기 위해, DeLLMGuard라는 새로운 배포 프레임워크를 제안한다. DeLLMGuard는 387개 실제 취약 계약을 대상으로 실험한 결과, 원인 정확도를 23.5%에서 6.6%로 감소시켰다.
이 연구는 스마트 계약의 소스 코드 공개를 유지하면서 LLM 기반 취약점 스캐닝을 방어하는 방법을 제시하여, 블록체인 보안 실무에 새로운 방어 전략을 제시한다.
BEACON은 MITRE ATT&CK 기반 공격 행동을 기준으로 CTI 보고서에서 지식 그래프를 자동으로 구축하는 LLM 기반 프레임워크이다. 8,395개 요소를 포함하는 보고서 수준 CTI 추출 데이터셋과 3,487개를 포함하는 다중 소스 통합 데이터셋에서 기존 기준보다 각각 최소 23%와 9% 높은 성능을 보였다.
이 연구는 사이버 위협 지능을 자동화된 방식으로 통합하는 데 기여할 수 있으며, 보안 분석 팀은 BEACON을 사용하여 다중 소스의 CTI를 효과적으로 관리할 수 있다.
RAG 시스템의 외부 문서에 대한 데이터 오염 공격을 분석하고, 기존 공격 방식의 한계를 극복한 새로운 CamoDocs 공격 기법을 제안한다. CamoDocs는 평균 ASR 61.80%를 기록했으며, GPT-5.4-mini와 Claude-Haiku-4.5에서도 효과적임을 보인다.
CamoDocs 공격 기법은 RAG 시스템의 보안 강화를 위해 기존 방어 기법의 한계를 파악하고, 문서 기반 공격에 대한 새로운 대응 전략을 고려할 필요가 있다.
적대적 행동으로 시험 결과가 왜곡되는 문제를 해결하기 위해 최적 테스트 전략을 제안한다. 동적 프로그래밍을 사용하여 선택된 그룹을 재시험하고 보안 조치를 적용한다.
이 연구는 AI 기술을 활용한 시험 결과 왜곡을 방지하는 최적 테스트 전략을 제시하여, 테스트 신뢰도를 높이는 데 기여할 수 있다.
LLM 방어 계층의 실패 상관관계를 측정하여, 방어 효과가 독립적으로 작동하지 않는다는 것을 보였다. 실험에서 7계층 방어 스택의 실패 상관관계는 0.30~0.75 범위였고, 잔여 공격 성공률이 예측보다 최대 0.172 높았다.
LLM 방어 스택의 효과는 단일 계층의 성능만으로 판단할 수 없으며, 전체 시스템에서 실패 상관관계를 측정해야 한다.
TagZilla는 위협 리포트에서 IoC를 자동으로 분석하고, 해당 IoC의 소유자와 악용 타입을 태깅하는 플랫폼이다. 평가 결과, 소유자 태깅에서 F1 점수 0.94, 악용 타입 태깅에서 0.93을 달성했다.
TagZilla는 위협 리포트의 IoC를 자동으로 분류하여 보안 분석의 효율성을 높일 수 있다.
LLM 생성 인프라 코드(IaC)의 보안성을 평가하기 위해 100개의 배포 시나리오를 기반으로 한 벤치마크(GenIaC-SecBench)를 제안하고, 12개 모델 구성에서 1,196개의 IaC 아티팩트를 생성하여 3개 정책 엔진으로 분석했다. 모델 생성 IaC의 취약점 밀도는 인공 생성 IaC에 비해 3.21~3.87배 높았으며, 작업 복잡도가 낮을수록 격차가 커졌다.
LLM 생성 인프라 코드의 보안성을 평가할 때 인공 생성 코드와의 비교가 필수적이며, 모델의 사고 과정에 따라 보안성 차이가 발생함을 실증했다.
LLM 에이전트에 대한 프롬프트 인젝션 공격을 방어하기 위해 CAITLYN이라는 방어 미들웨어를 제안한다. 기존 방어 기법 대비 토큰 오버헤드가 낮으면서도 정확도를 유지하는 것을 보인다.
LLM 에이전트 환경에서 새로운 인젝션 공격에 대응하기 위해 CAITLYN과 같은 자율 방어 시스템을 도입할 수 있다.
CHISEL은 테스트 스위트 없이 Ghidra에서 파생된 의사-C 코드에서 소스 코드를 반복적으로 복구하는 프레임워크를 제안한다. 120개 ExeBench 함수를 대상으로 96.1% 재컴파일 가능성과 79.8% 재실행 가능성, 2.1회 평균 반복 횟수를 달성했다.
CHISEL은 테스트 스위트 없이도 높은 정확도로 소스 코드를 복원할 수 있어, 바이너리 분석 및 복호화 작업에서 실용적 도구로 활용될 수 있다.
사이버 위협 정보(CTI)를 적절한 시기에 올바른 분야에 전달하는 것이 중요하다. 연구팀은 CTI 이벤트를 분야별로 매핑하기 위해 BERT 모델을 적용하여 94.5%의 정확도를 달성했다.
이 연구는 CTI 자동화를 통해 조직이 빠르게 대응할 수 있도록 도와 실무에서 위협 대응 효율성을 높일 수 있다.
대규모 언어 모델의 배포 후 변경 사항을 감지하기 위해 zk-SNARK 기반의 프라이버시 보호 감사 프레임워크를 제안한다. 토큰 기반 프로브가 블랙박스 환경에서 모델과 GPU 플랫폼을 가리지 않고 가장 높은 평균 감도를 보이며, 50개까지 확장해도 증명 시간은 1.78초, 검증 시간은 0.84초에 머무른다.
이 연구는 모델 배포 후 변경 사항을 비침투적으로 감지할 수 있는 프레임워크를 제시하여, AI 모델의 거버넌스와 보안을 강화할 수 있다.
LLM 에이전트의 런타임 컨텍스트를 유출하는 새로운 공격 기법인 ContextLeak을 제안한다. 강화 학습을 활용해 악성 도구의 이름과 설명을 생성하여 에이전트가 해당 도구를 선택하고 컨텍스트를 입력 인수로 전달하도록 유도한다.
LLM 에이전트가 악성 도구를 선택할 때 런타임 컨텍스트가 유출될 수 있으므로, 도구 선택 과정에서의 보안 검증이 필요하다.
기존 의미 수표는 문장 의미에 묶어 토큰 선택보다 견고하지만, 공격자가 텍스트를 다시 표현하거나 재정렬하면 탐지가 실패한다. 이를 해결하기 위해 EDA 공격과 k-SwordStamp 방어 기법을 제안한다.
이 연구는 의미 수표 기반 보안 기법의 취약점을 분석하고, 공격에 더 강한 방어 기법을 제시하여 실무에서의 적용 가능성을 제고한다.
시각-언어 모델(VLM)의 보안 취약점을 분석하기 위해 메타적응형 다중모달 탈옥 공격(MAMJ) 기법을 제안한다. MAMJ는 공격 전략 프롬프트(ASP)와 공격 효과성을 결정하는 가중치(φ)를 최적화하여, 기존 공격 기법보다 높은 공격 성공률(ASR)을 달성한다.
이 연구는 대규모 시각-언어 모델이 메타적응형 공격에 취약하다는 것을 보여주어, 해당 분야의 방어 기법 개발을 촉진시킬 수 있다.
LLM이 제한 해제 공격에 어떻게 반응하는지 기계적 해석을 통해 분석하고, 특정 회로를 제거하여 공격 성공률을 최대 80%까지 줄였다. 80%까지 공격 성공률 감소.
LLM의 제한 해제 공격을 감지하고 방어하는 데 회로 탐지 기법을 활용할 수 있다.
LLM 에이전트가 공격자의 지시를 따라 해로운 도구를 실행하는 간접 프롬프트 인젝션 공격을 방어하기 위해, 사용자로부터 유래한 값만이 상태 변경 도구에 도달할 수 있도록 하는 ROPE 방식을 제안한다. ROPE는 민감한 도구 매개변수에 대한 결정론적 원본 검사를 통해 공격 성공률을 1.6-2.6%로 유지하면서 82-100%의 정상 기능을 보존한다.
ROPE는 LLM 에이전트의 도구 실행을 보호하는 구조적 접근법으로, 실무에서 프롬프트 인젝션 공격에 대한 방어를 강화할 수 있다.
TaintedPixels는 딥페이크 영상에 대한 프로액티브 보호 방법으로, 얼굴 영역의 파란 채널에 구조화된 주기적 편차를 주입하여 조작이 이루어졌는지 시각적으로 확인할 수 있도록 한다. 3개의 공개 딥페이크 생성 도구와 2개의 디텍터를 통해 TaintedPixels는 가장 높은 위조 감지율을 보이며, 편차가 작게 유지되었다(LPIPS = 0.0042).
TaintedPixels는 딥페이크 영상의 조작 여부를 시각적으로 확인할 수 있는 프로액티브 방어 기법으로, 실무에서 딥페이크 탐지 시스템에 활용될 수 있다.
LLM의 안전성 회피 메커니즘을 분석하기 위해 퍼트urbation 프로빙이라는 새로운 진단 방법을 제안한다. Qwen3-4B 모델에서 50개의 신경망이 80%의 해로운 요청을 거부하는 안전 템플릿을 제어하는 것을 확인했다.
이 진단 방법은 LLM의 안전성 회피 가능성과 취약성을 측정하여, 보안팀이 모델을 비교하고 개선할 수 있도록 지원한다.
LLM 기반 에이전트의 탈옥 공격을 자동화하기 위해 경험을 기반으로 기술이 진화하는 레드팀 에이전트 RedEvoAgent를 제안한다. 여러 벤치마크와 대상 모델에서 기존 고정 및 에이전트 기반 기준보다 우수한 성능을 보이며 도구 효율성을 향상시켰다.
RedEvoAgent는 LLM 기반 시스템의 보안 검증에 있어 더 효과적인 자동 레드팀 전략을 제공할 수 있다.
Pickle과 PyTorch 기반 모델 아티팩트에서 ModelScan, ModelAudit, Fickling의 보안 판단 성능을 평가했다. 135개 라벨링된 가족 중 ModelAudit은 100%, Fickling은 81.5%, ModelScan은 49.6%에서 확정적 보안 판단을 내렸다.
보안 스캐너의 판단 정확도와 판단 가능성을 구분하여 종합적으로 평가해야 한다.
LLM 에이전트 허네스에서 낮은 수준의 악성 콘텐츠를 높은 권한으로 승격시켜 모델 행동을 조작하는 공격 기법을 제안한다. 6개의 코드 에이전트 허네스에서 13개의 공격 목표를 달성하는 실험을 통해 이 공격의 일반성을 보인다.
이 연구는 LLM 에이전트 허네스의 권한 관리 메커니즘을 재검토하고, 낮은 수준의 입력이 높은 권한으로 승격되는 것을 방지하는 방어 전략을 개발할 필요성을 시사한다.
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.