연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
연구진은 자체 및 공개된 13개 취약점 발견 도구를 분석하여, 모델 실행 전후의 엔지니어링 선택으로 인해 취약점이 누락되는 13가지 지점을 분류 체계화하였다. 이 연구는 이러한 누락 현상을 이해하고 도구를 개선하며, 공격자가 취약점을 숨기는 데 이를 악용할 수 있음을 보여준다.
시사점 LLM 기반 취약점 발견 도구를 구축할 때는 엔지니어링적 선택으로 인한 데이터 누락 지점을 인지하고 이를 해결하는 것이 중요하다.
본 연구는 아키텍처 위협 모델링과 운영 지식 기반 간의 격차를 해소하기 위해 MASAR라는 세 가지 계층의 형식적 프레임워크를 제시하였다. 이 프레임워크를 5G IMS 아키텍처에 적용하여 SIP 시그널링을 통한 미디어 결제 우회 및 Diameter Cx 인터페이스를 통한 정보 노출 공격 시나리오를 분석하였다.
시사점 MASAR는 통신 시스템의 네트워크 상태를 고려하여 아키텍처적 위협을 특정 프로토콜 동작과 연결하는 방법을 제공한다.
연구진은 기존의 분산형 다중 권한 속성 기반 암호 구성에 대해 공격을 성공적으로 수행했으며, 이 결함은 LSSS 행렬 정규화 불변성을 잘못 확장한 데서 비롯됨을 밝혀냈다. 연구진은 좌표별 마스크를 독립적인 완전 선형 공유로 대체하여 수정된 스킴을 제안하고, 이를 통해 정적 보안을 증명하였다.
시사점 기존의 분산형 다중 권한 속성 기반 암호 구성은 특정 조건 하에서 평문 복구 공격에 취약하므로, 보안 강화를 위한 수정이 필요하다.
연구진은 결제 승인과 같은 중요한 행동을 수행하는 AI 모니터들의 실패 가능성을 측정했으며, 열두 개의 소규모 오픈 가중치 모니터와 세 개의 폐쇄형 최신 모델을 대상으로 실험을 진행했다. 새로운 데이터에 대해 출처 수를 세는 규칙은 올바른 결제를 0.9% 차단했고, 최적의 카운팅 규칙은 7.4%를 차단했다.
시사점 모니터의 입력을 다양화하고, 모니터를 강화하며, 투표 수가 아닌 출처 수를 세는 것이 중요하다.
연구진은 정규 시그니처 복호화(RSD) 문제에 대한 정교한 하이브리드 대수 공격을 통해, 기존에 사용되던 많은 매개변수 설정이 예상보다 훨씬 쉽게 해결될 수 있음을 보였다. 이 공격은 특정 응용 분야에서 128비트 목표보다 낮은 공격 비용을 가지며, PCG 벤치마크에서 이전 공격 비용을 최대 29.77 및 25.91 비트 향상시켰다.
시사점 기존에 사용되던 RSD 기반 응용 분야의 매개변수 설정들은 그 난이도가 과대평가되었을 가능성이 있으므로 보안 강도를 재검토해야 한다.
본 연구는 어셈블리 언어 모델(ALM)에서 숫자형 피연산자의 정체성을 보존하기 위해, 코드, 데이터, 스택 컨텍스트를 구조적 측면 기술자로 인코딩하는 NumAnchor를 제안하였다. 이 방법은 다양한 ALM 계열에서 최대 35.0%의 Recall@1 및 31.7%의 MRR 향상을 달성하며, 점프 및 콜 타겟 정렬에서 98.7%의 계층적 위치 정확도를 보였다.
시사점 ALM을 이용한 바이너리 분석 시, 숫자형 피연산자의 구조적 정보를 보존하는 입력 표현 기법이 모델 성능 향상에 기여함을 시사한다.
본 연구는 다중 에이전트 시스템(MAS)을 대상으로 하는 강화학습 기반의 레드팀 공격 프레임워크인 ReMAS를 제안한다. 이 프레임워크는 공격 LLM을 미세 조정하여 시스템 프롬프트 추출에 효과적인 적대적 프롬프트를 생성하며, 기존 공격 대비 성공률을 향상시켰다.
시사점 다중 에이전트 시스템은 적응형 블랙박스 공격에 취약하며, 이에 대한 강력한 방어책 마련이 중요하다.
본 연구는 K-12 학교 생태계 전반에 걸친 6가지 차원으로 구성된 AI 보안 리터러시(AISL) 프레임워크를 제안하고, 이를 실제 AI 모델 기반의 브라우저 플랫폼으로 구현하였다. 설문 조사 결과, 교사 중 34.5%만이 학교 AI 정책을 가지고 있었으며, 기술적 견고성 평가는 공격과 훈련된 모델에 따라 달라짐을 확인하였다.
시사점 AI 기술이 교육 현장에 도입됨에 따라, 교육 생태계 전반에 걸친 AI 보안 리터러시 역량 확보가 필요하다.
본 연구는 대화형 LLM 서비스의 영속적 메모리 기능을 악용하여 세션 간 공격 전파가 가능한 메모리 주입(memory injection)이라는 새로운 위협 모델을 제시하였다. 이 모델을 통해 ChatGPT Instant 5.3, Claude Sonnet 4.6, Gemini 3 Flash 등 주요 서비스들이 영속적으로 허위 정보를 유포하거나 유해 콘텐츠를 생성하도록 조작될 수 있음을 입증하였다.
시사점 상용 LLM 서비스의 영속적 메모리 기능은 공격자가 세션을 넘어 지속적으로 시스템을 침해할 수 있는 새로운 공격 경로를 제공하므로 이에 대한 방어 메커니즘 구현이 시급하다.
연구진은 오픈소스 하네스를 사용하여 24가지 모델-러너 구성을 실제 코드베이스에 적용하여 취약점 발견 과정을 연구하였다. 네 가지 모델을 사용한 실험에서, 최소 프롬프트에서 CodeQL 기반 콜 그래프를 갖춘 엔지니어링된 프롬프트로 전환 시, 소규모 및 중급 모델의 가중치 부여된 수율이 20-86% 향상되었다.
시사점 LLM 기반 취약점 발견 시, 모델, 프롬프트, 컨텍스트를 작업에 맞게 매칭하고 여러 구성을 결합하는 것이 광범위한 커버리지를 위해 중요하다.
연구진은 npm과 PyPI 생태계의 악성 패키지를 포함한 대규모 데이터셋을 구축하고, 빌드 시 소스 코드를 직접 사용하는 전략을 검토했다. 그 결과, 소스 출처 확인 여부에 따라 악성코드 방지 성공률은 87.7%에서 99.9% 사이였으며, 양호한 패키지 중에는 출처를 명시하지 않은 경우도 있었다.
시사점 소프트웨어 빌드 시 패키지 레지스트리 의존도를 줄이고 소스에서 직접 빌드하는 것이 악성코드 공격 표면을 줄이는 데 효과적이다.
본 문서는 PHP의 두 가지 원격 코드 실행(RCE) 취약점인 CVE-2026-109618과 CVE-2026-109619를 분석하고, 공격 벡터를 설명한다. 이 취약점들은 메모리 관리 오류를 통해 공격자가 임의 코드를 실행할 수 있게 하며, Palo Alto Networks의 관측에 따르면 2260만 개 이상의 노출된 인스턴스가 확인되었다.
시사점 PHP 사용자는 해당 취약점들에 대한 보안 권고를 검토하고 즉시 패치하여 노출 위험을 평가해야 한다.
PHP 코어의 세션 업로드 진행 메커니즘과 multipart/form-data MIME 타입 처리에서 사용 후 해제 및 메모리 손상 취약점이 발견되었다. 이 취약점들은 인증 없이도 공격자가 임의 코드를 실행할 수 있게 하며, PHP 5, 6, 7, 8 버전에 영향을 미친다.
시사점 공개적으로 접근 가능한 PHP 웹 서버를 운영하는 관리자는 패치가 나올 때까지 업로드 진행 기능을 비활성화하거나 multipart 요청을 차단하는 조치를 취해야 한다.
본 연구는 공격자가 AI 안전 제어(safety controls)를 우회하여 자격 증명 탈취, VoIP 사기 계획, 데이터베이스 유출 등 다양한 사이버 범죄 활동을 조정하는 사례를 조사하였다. 이 활동은 AI를 활용하여 여러 유형의 사이버 범죄를 계획하고 실행하는 방법을 보여준다.
시사점 공격자가 AI를 사이버 범죄에 활용하는 새로운 방법을 이해하고 이에 대한 방어 전략을 수립해야 한다.
본 연구는 디지털 트윈 기술과 사이버-사회적 보안 모델을 통합하여 ICS 공격 시나리오를 시뮬레이션하고 기술적/사회적 차원의 결과를 정량화하는 프레임워크를 제안한다. 이 프레임워크는 기존 CVSS를 확장한 CSVSS를 통해 실제적 결과를 반영하는 단일 심각도 점수를 산출하며, LLM을 활용한 분석과 인간 분석가의 검토를 결합한 구조를 제시한다.
시사점 ICS 환경의 사이버 공격은 전통적인 CIA 트라이어드를 넘어 광범위한 사회적 영향을 미치므로, 이를 모델링하고 정량화할 수 있는 통합적 접근 방식이 필요하다.
본 연구는 LLM 에이전트가 세션 간 메모리 파일이나 예약된 작업을 통해 상태를 유지하는 취약점을 'Carryover Attack'으로 정의하고 CarryoverBench를 구축했다. 공격 성공 시, 플랜티드 페이로드는 다섯 번의 라운드 동안 측정 가능한 감쇠 없이 재실행되었으며, 이는 런타임 계층 제어가 필요함을 시사한다.
시사점 LLM 에이전트의 장기적인 상태 유지 메커니즘을 고려하여, 프롬프트 수준 개입 외에 런타임 계층의 방어적 통제가 필요하다.
본 연구는 호스트 측 USB 전원 제어 및 장치 상태 변화를 이용하여 에어갭 및 네트워크 분리 시스템에서 정보를 유출하는 SPECTER라는 은닉 채널을 제시했다. 실험 결과, 안드로이드 및 iOS 기기에서 0.2-0.25 bit/sec, 윈도우에서 USB 마우스를 이용해 1.0 bit/sec의 신호 전송이 가능함을 입증했다.
시사점 USB 전원 관리 및 장치 상태 이벤트가 보안적으로 중요한 정보 유출 경로가 될 수 있으므로 이에 대한 모니터링이 필요하다.
본 연구는 단일 및 다중 에이전트 LLM 시스템의 안전을 확보하기 위해, 각 에이전트 수준과 시스템 수준의 검사를 결합한 통합 프레임워크 MAS-Guard를 제안했다. 이 프레임워크는 검증된 시나리오에서 공격 성공률을 71.5-86.3% 감소시키는 것으로 평가되었다.
시사점 복잡한 에이전트 기반 LLM 시스템을 운영할 때는 각 구성 요소와 상호작용에 대한 다층적이고 통합된 보안 검증 메커니즘이 필수적이다.
연구진은 검색된 컨텍스트와 사용자 질의를 함께 평가하여 공격 여부를 분류하는 약 0.5B 파라미터의 소형 언어 모델(SLM)인 nokast-secureRAG를 제안하였다. 이 모델은 검증된 테스트 세트에서 0.026의 오탐률과 0.994의 탐지 재현율을 달성하며 기존 기법들을 능가하였다.
시사점 RAG 시스템의 보안을 강화하기 위해 검색 단계와 생성 단계 사이에 SLM을 활용한 보안 필터링을 적용할 수 있다.
본 연구는 영구 기억을 사용하는 LLM 에이전트가 대화 과정에서 발생하는 정보 누출을 시뮬레이션했으며, 기억에 의존하는 응답이 누적되어 프라이버시 침해를 강화하는 순환 구조를 발견했다. 에이전트의 응답을 통해 해당 순환 구조를 약화시키면 기억 없이도 높은 응답 품질을 유지하면서도 누출을 줄일 수 있었다.
시사점 LLM 에이전트가 기억을 활용할 때, 에이전트의 응답 단계에서 정보 누출을 제어하는 것이 사용자 입력이나 저장된 정보 필터링보다 효과적이다.
본 연구는 LLM 에이전트가 사용하는 장기 기억에 대한 보호 계층인 ClawMMU를 제안하며, 메모리 조각마다 소유자, 범위, 출처, 권한을 레이블링한다. ClawMMU는 콘텐츠가 모델 컨텍스트에 들어가거나 저장소에서 나오거나 도구 호출을 유발할 때마다 이러한 레이블을 검사하여 메모리 공격을 방어한다.
시사점 LLM 에이전트의 메모리 접근에 권한 검사를 도입하여 외부 입력에 의한 악의적인 명령 주입을 방어할 수 있다.
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.