연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
JEV-IDS는 라벨이 부족한 환경에서 제로데이 침입을 탐지하기 위해 Jev System One Model을 기반으로 한 네트워크 침입 탐지 시스템이다. JEV-IDS는 각 흐름에 대해 이진 공격 확률과 유한 선택 트래픽 범주 두 가지 질문을 JEV에 하여, GPT-5.6 Luna보다 4.8배 빠르고 3.8배 저렴하며, 새로운 공격에 대한 재현률이 1.5배 높았다.
시사점 JEV-IDS는 라벨 데이터가 부족한 상황에서도 효과적인 네트1워크 침입 탐지를 가능하게 하며, 기존 모델 대비 높은 성능과 낮은 비용을 제공한다.
양자화된 대규모 언어 모델(qLLMs)의 탈옥 공격에 대응하기 위해 MOMAT이라는 하드웨어 강화된 안전 프레임워크를 제안한다. MOMAT은 구조화된 지식 검색과 저전력 방어 가속화를 결합하여, 100개 쿼리 배치 처리 시간을 15,052.44ms에서 3,207.21ns로 4.69×10^6배 빠르게 하고, 에너지를 8.1×10^7 μJ에서 3.32 μJ로 2.5×10^5배 절감한다.
시사점 MOMAT은 양자화된 대규모 언어 모델의 탈옥 공격 방어를 저전력으로 가능하게 하여, 에지 기기에서의 안전한 모델 배포를 지원한다.
LLM 에이전트를 활용해 웹 애플리케이션 백엔드의 접근 제어 취약점을 체계적으로 탐지하는 보안 프레임워크 ABSENTIA를 제안한다. BAC-Bench라는 새로운 벤치마크를 공개하고, ABSENTIA가 19개의 취약점을 재현했으며 LLM 검증기의 51% 확인을 얻었다.
시사점 ABSENTIA를 사용하면 개발자와 보안 엔지니어가 웹 애플리케이션의 접근 제어 취약점을 체계적으로 감사하고 탐지할 수 있다.
AuraForge는 실행 가능한 보안 테스트를 생성하고 검증하여 안전한 코드 작성 에이전트를 훈련시키는 방법을 제시한다. AuraGym이라는 다중 언어 및 다중 CWE 훈련 환경을 구축하여, 기존 수작업 테스트 대비 3배 많은 테스트 케이스를 생성하고 83.23%의 오류율 감소를 달성했다.
시사점 AuraForge를 사용하면 코드 작성 에이전트의 보안 감독을 확장하여 더 안전한 코드 생성을 가능하게 한다.
LLM 추출 공격에 대한 다양한 방어 기법과 공격 방법을 통합 벤치마크로 평가하여 비교한다. 6가지 공격, 10가지 방어 기법, 2가지 적응 공격을 포함한 평가 프레임워크를 제안한다.
시사점 이 연구는 LLM 추출 방어 기법의 효과성을 체계적으로 평가할 수 있는 벤치마크를 제공하여, 보다 신뢰성 있는 방어 전략 개발에 기여할 수 있다.
LLM에서 토큰 수준 적응형 계산을 통해 안전성과 효율성을 동시에 향상시킨 SafeDepth 프레임워크를 제안한다. Llama-3-8B-Instruct에서 계산량을 줄이고 해로운 응답률을 55.44%에서 25.25%로 낮추는 실증 결과를 보인다.
시사점 LLM의 안전성과 효율성을 동시에 개선하는 SafeDepth를 통해 실무에서 모델 운영 비용과 위험을 줄일 수 있다.
LLM 에이전트가 실행 중인 상태에서 지속적인 정지와 재개 결정이 필요한 상황에서 신뢰할 수 있는 거버넌스 메커니즘을 제안하고, 이를 암호화 기반으로 구현한 책임 증명 블록(Accountability Proof Block, APB)을 제시한다. 3,812개의 정지 이벤트에서 100% 해결률을 기록했으며, 1,800개의 공격 중 100% 탐지, 2,000개의 단일 키 침해 시도에서 0건의 오인식을 보였다.
시사점 이 연구는 LLM 에이전트의 실행 중 정지 상황에서 신뢰할 수 있는 결정을 내리는 메커니즘을 제시하여, 보다 안전한 AI 시스템 운영을 가능하게 한다.
강화학습(RL) 에이전트가 사이버 공격 시뮬레이터 간 및 실제 환경으로 전이될 수 있는지 연구하고, 정책 이전 프레임워크를 제안한다. 4개 시뮬레이터에서 실험한 결과, 60.5% 성능을 가진 정책이 45.2% 승률을 보였으며, 가상 머신 환경에서 0.085의 Jensen-Shannon 발산을 기록했다.
시사점 이 연구는 사이버 공격 시뮬레이션 에이전트의 환경 간 전이 가능성을 입증하여, 다양한 시뮬레이터에서 훈련된 정책을 실제 환경에 적용할 수 있는 기반을 제공한다.
기존 집계 프로토콜은 클라이언트 업데이트의 정밀도를 고정하지만, 이 연구는 클라이언트가 단 한 번 업로드한 후에도 점차 더 높은 해상도의 집계를 승인할 수 있는 새로운 기능을 제안한다. 이를 실현하기 위해 클라이언트 업데이트를 중첩 격자 숫자로 표현하고, 별도로 해제 가능한 레이어를 보안 집계와 추가 집계 패드로 보호한다.
시사점 이 연구는 분산 학습 환경에서 보안 집계의 유연성을 높이는 새로운 방법을 제시하여, 실무에서 보다 효율적인 데이터 관리와 보안 유지가 가능해질 수 있다.
강화 학습(RL) 기반의 자율 사이버 방어 시스템은 훈련된 네트워크에 의존하여 일반화가 제한된다. 이를 개선하기 위해 계층적 RL 구조를 제안하고, 대규모 언어 모델(LLM)을 활용한 훈련 없는 방어 제어를 실험적으로 평가했다. 3B~70B 파라미터의 6개 모델을 사용한 실험에서, LLM 기반 실행 제어는 네트워크 규모 변화에도 1% 이하의 측면 이동을 억제하는 성능을 보였다.
시사점 대규모 언어 모델을 활용한 방어 시스템은 네트워크 규모 변화에 따른 재훈련 없이도 효과적인 방어를 가능하게 할 수 있다.
계층적 레드팀 에이전트의 아키텍처를 평가하기 위해 CybORG CAGE-4와 Cyberwheel 네트워크에서 실험을 수행했다. RL+RL은 CAGE-4(78.5%)와 100-호스트 Cyberwheel(81.0%)에서 높은 성능을 보였으며, LLM+LLM은 1010-호스트 Cyberwheel(55.0%)에서 우수했다.
시사점 레드팀 에이전트의 아키텍처 선택은 환경에 따라 달라져야 하며, 단일 환경에서의 평가로는 일반화할 수 없다.
ZoneClaw는 지속 메모리 공격을 방어하기 위해 OpenClaw 스타일 컴퓨터 사용 에이전트에서 메모리 존을 구분하는 방식을 제안한다. 4가지 공격 시나리오, 2가지 주입 설정, 4가지 백본에서 ZoneClaw는 ASR을 372/480에서 6/480로 감소시키며 458/480 시도에서 유틸리티를 유지했다.
시사점 ZoneClaw는 지속 메모리 공격을 방어하면서도 환경에서 배우는 능력을 유지함으로써 컴퓨터 사용 에이전트의 보안을 강화할 수 있다.
A2A를 통한 간접 프롬프트 인젝션 공격 기법을 제안하고, 공격 효과성을 평가하는 GDA Measurement를 설계했다. 15개 에이전트-LLM 조합 실험에서 A2A-TIBA 공격의 효과성을 검증했으며, 봉투층 방어가 LLM의 악성 콘텐츠 인식을 향상시킨다는 것을 보였다.
시사점 LLM 에이전트 보안 평가 시 봉투층 방어를 고려해야 하며, A2A-TIBA 공격 기법을 대비한 방어 전략이 필요하다.
모델 양자화가 모델 역공격에 미치는 영향을 분석하고, 데이터 특성에 따라 달라지는 관계를 규명했다. 4비트에서의 양자화 민감도 차이를 확인하고, 모델 역공격 저항성을 향상시키는 새로운 양자화 방법을 제안했다.
시사점 이 연구는 모델 양자화를 통해 모델 역공격을 저항성을 향상시키는 방법을 제시하여, 모델 보호와 모델 효율성 사이의 균형을 맞추는 데 도움이 된다.
AI 에이전트가 지갑을 제어할 때 해로운 거래를 제안할 수 있으므로, 기존 방어 기법은 체인 상태 변화에 취약하다. PGS는 SMT 솔버를 사용해 거래 효과를 검증하고, 260개 시나리오에서 93.6%의 해로운 거래를 차단했다.
시사점 PGS는 체인 상태 변화를 고려한 거래 검증으로, 온체인 AI 에이전트의 보안을 강화할 수 있다.
LLM에서 백도어 공격을 제거하기 위해 훈련이 필요 없는 NEEDLE 방법을 제안한다. NEEDLE은 가장 낮은 평균 ASR(0%)와 낮은 KL 발산을 달성한다.
시사점 이 연구는 LLM에서 백도어를 효과적으로 제거할 수 있는 새로운 방법을 제시하여, 모델 보안을 강화하는 데 기여할 수 있다.
자기 수정 AI 에이전트가 실행 가능한 후계자들을 생성하는 과정에서 권한을 보존하는 새로운 프로토콜을 제안한다. 64개의 등록 결정을 통해 28개 허용, 36개 거부를 달성했다.
시사점 이 연구는 AI 에이전트가 스스로 수정되면서도 권한을 안전하게 이전할 수 있는 방법을 제시하여, 보안 시스템 설계에 새로운 접근을 제공한다.
대규모 멀티모달 모델(LMM)의 안전성을 평가하기 위해 유기적 해로운 이미지-텍스트 생성 시나리오에 초점을 맞춘 새로운 벤치마크인 UnifiedAttack을 제안한다. 이 공격 기법은 텍스트와 이미지 모달이 협력하여 개별 구성 요소보다 훨씬 큰 해를 끼치는 시너지 효과를 활용하여 현대의 정렬을 우회하는 것을 보인다.
시사점 이 연구는 멀티모달 모델의 안전성 테스트에 있어 시너지 효과를 고려한 방어 전략이 필요하다는 것을 시사하며, 실무에서는 멀티모달 생성물의 일관성과 논리성을 기반으로 한 보안 대응을 강화해야 한다.
도구 사용 에이전트가 사용자에게 보여주는 클레임이 실제 실행 결과와 소스에 기반한 것인지 검증하기 위한 실행 계약을 제안한다. 1,280개 공격 시도 중 1,275개(99.61%)를 탐지하는 정량 결과를 보인다.
시사점 이 연구는 AI 에이전트의 실행 결과 신뢰성을 확보하는 기반 구조를 제시하여, 대규모 모델의 감사 및 보안 강화에 기여한다.
LLM에서 개인 정보 유출을 방지하기 위해 키 기반 접근 제어 메커니즘인 Locket을 제안하고, 다양한 데이터셋과 LLM 모델에서 실험적으로 검증하였다. 올바른 토큰 제공 시 퍼플렉시티가 미세조정과 유사하며, 토큰 누락 시 PII 유출을 줄이면서 기존 방어 수준과 맞먹는 유틸리티를 유지한다.
시사점 Locket은 기존 LLM에 키 기반 접근 제어를 구현하여 개인 정보 보호를 강화하며, 실제 시스템에 적용 가능하다.
A-IDS(Agentic-Process Intrusion Detection System)를 제안하고, 이는 런타임 침입 탐지의 근거 인식 보안 해석 계층이다. A-IDS는 증거 기반 관찰을 지정된 기대 기준과 비교하여 워크플로우 상태, 권한, 통신, 필수 이벤트를 모니터링한다.
시사점 A-IDS 모델은 에이전트 프로세스의 보안 모니터링 접근 방식을 개념적으로 제시하지만, 구현 검증이나 실증 성능은 포함하지 않아 실무 적용 시 추가 검토가 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.