스파이킹 신경망(SNN)의 체크포인트 재사용을 위해 출력 헤드가 아닌 내부 막 상태에 워터마크를 삽입하는 MeMark 기법을 제안한다. 20개의 독립 64비트 키가 51/64 검증 규칙을 통과하며, 3만 개의 무작위 키는 통과하지 못하는 결과를 보인다.
SNN 체크포인트의 소유권 증명을 위해 내부 막 상태에 워터마크를 삽입하는 MeMark 기법을 실무에 적용할 수 있다.
기존 암호화 기반 검색 방법의 한계를 극복하기 위해 학습된 딥 해싱을 프라이버시 필터로 재사용하여, 사용자의 쿼리와 검색 결과를 보호하면서도 정확도를 유지하는 기법을 제안한다. 200-500개 후보군을 사용해 2.68M개 패시지 NQ 코퍼스에서 0.73초의 추가 지연만 발생시킨다.
이 기법은 대규모 코퍼스에서 프라이버시 보호 검색을 실현하면서도 성능 저하를 최소화하여, 기업의 보안 검색 시스템에 적용 가능하다.
자동 코드 리뷰어가 풀 리퀘스트(PR)의 보안성을 평가할 때 판단과 진단의 차이(VD 갭)를 해결하기 위해 MalPR-Bench 벤치마크와 PRGuard 리뷰 도구를 제안한다. PRGuard는 31개 악성 PR 중 22개를 차단하고 14개 부재형 사례 중 9개를 차단했으며, 12개 새로운 취약점을 발견했다.
자동 리뷰 시스템의 평가 기준을 개선하여 실제 보안 위협을 더 정확히 식별하고, 책임 있는 보안 리뷰를 가능하게 한다.
LLM 에이전트에서 분산된 보안 위험을 방어하기 위해 경로 수준 보안 증거를 기반으로 행동 생성을 조건부로 하는 ReDiR 방식을 제안한다. ReDiR은 공격 성공률을 8% 이하로 낮추며, 새로운 도메인으로 전이 가능하고 계산 오버헤드가 낮다.
ReDiR은 LLM 에이전트의 다중 턴 공격을 방어하는 실용적인 방안으로, 기존 방어 방식보다 효율적이다.
LLM 보안을 위해 Linux 보안 모듈(LSM)의 개념을 적용한 LMSM 프레임워크를 제안한다. Qwen3-4B 모델에서 LMSM-Checkpoint를 사용하면 HarmBench 공격 성공률이 39.20%에서 3.32%로 감소하고 XSTest 거부율은 2.40%에서 4.40%로 증가한다.
이 연구는 LLM 보안 방안을 표준화하고 확장할 수 있는 새로운 프레임워크를 제시하여, 다양한 보안 모듈을 통합적으로 관리할 수 있게 된다.
연구팀은 사회 공학 공격 유형과 심리적 요인 간의 상관관계를 실험적으로 분석하였다. 12명의 참가자에게 25개의 자극(5개 심리적 요인과 5개 사회 공학 공격 유형)을 노출시켜 실험한 결과, 권위, 신뢰, 탐욕에 가장 효과적인 공격 유형은 spear-phishing이었으며, 탐욕을 이용한 spear-phishing이 가장 성공적인 조합이었다.
이 연구는 사회 공학 공격의 효과성을 높이기 위해 특정 심리적 요인과 공격 유형의 조합을 고려할 필요가 있음을 시사한다.
대규모 언어 모델(LLM)을 보안 취약점 평가에 통합하면서 발생하는 신뢰성 문제인 'AI slop'을 실증적으로 조사하고, 이를 해결하기 위한 전략을 제시한다. Deductive Coverage Score라는 측정 지표를 제안하고, chain-of-thought 프롬프팅과 도구 사용 에이전트가 이 격차를 줄이는 데 기여하지만 완전히 해소하지 못함을 보인다.
이 연구는 AI 기반 취약점 평가 시스템의 신뢰성을 높이기 위해 수학적 검증 가능성으로 평가 기준을 전환할 필요성을 시사한다.
이 연구는 DeFi 스테이블코인 스마트 계약의 보안 취약점을 실시간으로 방어하고 이상을 탐지하는 아키텍처와 모델을 제안한다. 실험 결과, 이상 탐지 모델의 분류 정확도는 96.61%, 악성 공격 샘플의 재현률은 평균 97.70%, 단일 추론 지연 시간은 1.5~2.8밀리초이다.
이 연구는 DeFi 스테이블코인의 보안을 강화하기 위해 실시간 이상 탐지 시스템을 도입할 필요성을 제시한다.
다중모달 대형 언어 모델(MLLM)의 제이블레이크 취약성 원인을 분석하기 위해 인수를 분리한 벤치마크 MMJailBench를 제안한다. 16개의 오픈소스 및 프로퍼티어리 MLLM을 대상으로 한 대규모 평가에서 제이블레이크 취약성은 해로운 의도, 프롬프트 구성, 시각적 의미, 지시문 전달 방식에 따라 달라지는 것을 확인했다.
이 연구는 MLLM의 제이블레이크 취약성을 세분화하여 평가할 수 있는 벤치마크를 제공하여, 모델 보안 강화에 기여할 수 있다.
권한 부여와 증명을 분리하는 보안 아키텍처를 제안한다. 전체 매개변수의 해시를 계산하여 공개 정보를 최소화하면서 기록을 보장한다.
이 아키텍처는 권한 결정과 정보 공개를 분리하여 보안성을 향상시키며, 실무에서 데이터 최소화 원칙을 구현하는 데 활용할 수 있다.
기존 보안 지침 주입 및 다중 에이전트 피드백 방식의 한계를 분석하고, 기능 정확성과 보안성을 동시에 최적화하는 다중 에이전트 프레임워크 MACGen을 제안한다. CWEval과 BaxBench에서 F&S@1 지표가 평균 19.61pp와 10.57pp 개선되었다.
코드 생성 시 기능 정확성과 보안성을 동시에 고려하는 다중 에이전트 협업 방식을 실무에 도입할 수 있다.
LLM 서빙 프레임워크에서 사용자 데이터 격리를 보장하기 위해 GPU 정보 흐름 추적 시스템 GIFT를 제안한다. GIFT는 CPU 측 프레임워크를 수정하지 않고 사용자 데이터 격리를 강제하며, 처리량 오버헤드는 4-10.7%이다.
이 결과로 실무에서는 LLM 서빙 환경에서 사용자 데이터 격리를 보다 효율적으로 강제할 수 있다.
LLM 추론 과정에서 발생하는 물리적 사이드채널 취약점을 분석하고, 레이저 전압 이미징을 사용하여 모델 자산을 추출하는 공격 기법을 제시한다. FPGA 기반 LLM 가속기에서 공격을 수행하여 타겟 자산의 완전한 복원을 보인다.
이 연구는 에지 AI 칩에서 LLM 자산을 물리적 공격으로 추출할 수 있음을 보여주어, 에지 기기의 보안 설계 시 사이드채널 공격에 대한 대비가 필요하다.
자동차 ECU는 HSM을 통해 소프트웨어 무결성과 진위를 보호한다. HSM의 설계 선택이 보안 부팅, 안전한 저장, 실행에 미치는 영향을 분석했다.
자동차 시스템 설계자는 HSM의 아키텍처적 결정이 보안에 미치는 영향을 고려해야 한다.
동적 워크로드에서 항목 접근 빈도가 달라지는 환경에 적합한 인증 데이터 구조 Huffman-Merkle Tree(HMT)를 제안한다. HMT는 빈도에 따라 항목을 루트에 가깝게 배치하고, 빈도 추적과 배치 업데이트를 통해 접근 비용을 줄였다. 평균 해시 연산은 MPT 대비 2.4배, UBT 대비 0.34배 감소했으며, 증명 크기는 각각 0.18배, 0.55배로 줄었다.
동적 워크로드에서 인증 데이터 구조의 성능을 개선할 수 있는 HMT를 채택하면, 블록체인과 같은 분산 시스템의 효율성을 높일 수 있다.
BGP 해킹 방지를 위해 기존 방어 기법의 동기 문제를 해결하는 시장 기반 메커니즘 BGPay를 제안한다. 1,000건의 실제 해킹 사례 분석을 통해 공개 라우트 모니터가 필터링 효과를 평가하는 데 충분함을 보인다.
BGP 해킹 방지에 있어 네트워크 운영자의 참여 동기를 개선할 수 있는 새로운 메커니즘이 제안되었다.
두 모바일 장치가 시각 채널을 통해 CA 없이 문서를 공동서명하는 프로토콜을 제안한다. ECDSA P-256, SHA-256, 애플 App Attest/플레이 인티그리티를 활용한 구현 사례를 보인다.
CA를 사용하지 않고도 모바일 장치 간 안전한 공동서명이 가능하다는 점에서 기존 인증 방식의 대안으로 활용될 수 있다.
Kestrel은 스트립된 바이너리에서 ML-KEM과 ML-DSA 알고리즘을 정적 분석으로 식별하는 방법이다. 128개 중 128개를 정확히 식별하며, 6,224개 바이너리에서 12개의 ML-KEM 포함 프로그램을 발견했다.
Kestrel은 소프트웨어 공급망 검사와 포렌식 분석에서 양자 안전 암호화 마이그레이션을 보장하는 실용적인 도구로 활용될 수 있다.
RAG 시스템의 보안 취약점을 체계적으로 분류하고, 공격 목적과 방어 전략을 파이프라인별로 정리했다. 정량 결과는 원문 참조.
RAG 시스템을 사용하는 실무자는 공격 범주와 방어 단계를 파악해 보안 설계에 반영해야 한다.
LLM 에이전트가 도구 호출 시 불필요한 개인정보(PSD)를 포함하는 문제를 분석하고, 도구 기능에 필요한 최소한의 데이터만 남기는 중간웨어를 제안한다. 3개 LLM에서 실시간 검증 결과, 개인정보 노출 비용을 81.2~92.0% 줄이며 100%의 작업 유효성을 달성했다.
LLM 에이전트의 도구 호출 시 불필요한 개인정보를 효과적으로 제거하여 실무에서 개인정보 보호를 강화할 수 있다.
2026년 2분기 취약점 현황을 분석하고, AI 도구의 보급으로 인한 새로운 취약점 유형을 조사했다. Linux 네트워킹 서브시스템과 Windows 구성요소에서 주요 취약점이 발견되었다.
AI 도구의 보급으로 인해 취약점 발견이 급증하고 있으며, Windows와 Linux 시스템에서 새로운 공격 표면이 나타나고 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.