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.
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.
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.
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.
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.
KONTOGRAPH는 200ms 이내로 작동하는 실시간 자금세탁방지(AML) 파이프라인을 제시하고, 156만 건의 시뮬레이션 결제 데이터를 기반으로 실증 연구를 수행했다. 시점별 특징 일관성 검증을 통해 성능 향상과 결정 변경을 확인했으며, 0.26%의 결정 변화와 12%의 경고 증가를 기록했다.
이 연구는 실시간 AML 시스템에서 모델 변환 시 발생할 수 있는 성능 변화를 주의 깊게 모니터링할 필요성을 강조한다.
스마트 계약 수리에서 오류 전파를 줄이기 위해 문서 파싱, 정적 분석, 트리 오브 씽킹 추론을 결합한 3단계 프레임워크를 제안한다. 50개 실제 취약점에서 62% 단일 성공률과 84% 상위 3개 성공률을 달성했다.
이 연구는 스마트 계약 수리의 정확성과 실용성을 향상시켜 블록체인 보안을 강화할 수 있다.
LLM이 지시와 데이터를 구분하는 능력을 활용해 IPI 공격을 방어하는 AEGIS 방식을 제안한다. 휴리스틱 및 최적화 기반 공격에 대해 기존 방식 대비 뛰어난 탐지 성능을 보인다.
LLM 보안 방어에서 안정성과 효율성의 균형을 맞추는 새로운 접근법을 제시한다.
AI 생성 텍스트의 정밀한 속인식을 위해 기존 워터마킹 방법의 한계를 극복한 새로운 다중비트 워터마킹 기법 PURA를 제안한다. 200 토큰에 36비트를 삽입할 때 91.7%의 메시지 일치율을 달성한다.
PURA는 텍스트 속인식 기술의 정확성과 안정성을 동시에 향상시켜, AI 생성물의 책임 추적과 감사에 실용적으로 활용될 수 있다.
블랙박스 LLM 서비스의 응답 일관성을 분석하여 모델을 식별하는 AdaptPrint 방법을 제안한다. 27개 모델에서 Top-1, Top-3, Top-5 정확도가 각각 80.6%, 90.3%, 92.1%로 기존 방법을 크게 앞선다.
AdaptPrint는 블랙박스 LLM 서비스의 응답 일관성을 분석하여 모델을 식별하는 방법으로, 보안 및 저작권 감사에 활용될 수 있다.
LLM 코딩 에이전트에서 스킬 주입을 통해 토큰 증폭 공격을 수행하는 새로운 공격 기법을 제안한다. 실제 스킬 벤치마크에서 평균 최대 증폭률 5.4184~10.1455배를 달성했다.
LLM 에이전트의 스킬 시스템은 토큰 자원을 악용하는 공격에 취약할 수 있으므로, 자원 사용량 모니터링이 필요하다.
로컬에 배포된 대형 언어 모델(LLM)의 탈옥 공격 방어 메커니즘을 감사하고, 각 방어 기법의 실패 원인을 특정 가정에 따라 분석했다. 6개 오픈 웨이트 모델을 대상으로 13,800개 평가 기록을 통해 실험했다.
로컬 LLM의 탈옥 방어는 가정에 의존하므로, 실무에서는 방어 메커니즘의 설계 가정을 검증해야 한다.
XAI 설명 공급망에 Zero-Trust 아키텍처를 통합하여 설명 무결성을 보장하는 방어 프레임워크 ExplainGuard를 제안한다. Policy Decision Point를 통해 자산 무결성, 의미적 유효성, 특징 신뢰도를 검증하여 공격을 중화시킨다.
이 결과로 XAI 설명 조작 공격에 대한 방어 전략을 강화할 수 있으며, Zero-Trust 아키텍처를 활용한 설명 무결성 검증 프로세스를 도입할 필요가 있다.
ArrowCloak은 신뢰할 수 있는 실행 환경(TEE)에서 보호된 추론을 위해 벡터 방향을 마스킹하는 방어 기법이다. 본 연구는 ArrowCloak의 LWE 기반 보안성 주장이 부족하고, 마스킹 방향의 재사용으로 인해 행렬에 rank-one 성분이 노출된다는 점을 지적하며, 공개된 체크포인트와 마스킹된 가중치만으로도 99.92%-100%의 벡터 대응 관계를 복원하는 공격 기법을 제안한다.
ArrowCloak과 같은 경량 보호 기법은 개별 벡터의 기하 구조뿐만 아니라 전체 가중치의 결합 구조까지 고려해야 보안성을 확보할 수 있다.
AI와 딥페이크 기술로 인해 피싱 공격이 급증하고 있으며, 기존 보안 인식 교육이 이를 따라가지 못하고 있다. 이를 해결하기 위해 기술적 방어와 사용자 중심 교육을 결합한 이단계 프레임워크 CyberGLA를 제안한다.
이 연구는 AI 증강 피싱 공격에 효과적으로 대응하기 위해 기술적 탐지와 맞춤형 교육을 결합한 새로운 접근법을 제시한다.
프롬프트 인젝션 공격을 방어하기 위해 토큰 수준 피드백을 활용한 방어 기법 SecOPD를 제안한다. SecOPD를 적용한 Qwen3.6-27B 모델은 기존 최고 성능 모델인 Meta-SecAlign 대비 9.0%의 공격 성공률을 기록했다.
SecOPD는 적응형 프롬프트 인젝션 공격에 대해 기존 방어 기법 대비 훨씬 낮은 공격 성공률을 보여 AI 에이전트 보안 강화에 기여할 수 있다.
이 연구는 에이전트 언어 모델이 관계형 구조를 추론하는 능력을 평가하는 벤치마크를 제시한다. Android의 SMS 데이터베이스와 Snapchat의 데이터베이스를 대상으로, 추론된 구조의 정확성과 실행 일관성을 평가했다. 결과는 규칙적인 스키마에서는 신뢰할 수 있지만, 불규칙한 스키마에서는 정확도가 급격히 저하되는 것을 보였다.
디지털 포렌식에서 에이전트 언어 모델의 구조 추론 능력은 규칙적인 데이터베이스에서는 유용하지만, 불규칙한 스키마에서는 추가 검증이 필요하다.
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.