Burp Suite의 HTTP/3 지원
시스템·하드웨어
Burp Suite의 Turbo Intruder가 HTTP/3를 지원하여 초당 10만 건 이상의 요청을 처리할 수 있다. HTTP/3 엔진을 사용하면 Wi-Fi 환경에서도 최대 18만 RPS를 달성할 수 있다.
시사점 HTTP/3를 지원하는 웹 애플리케이션의 테스트 범위를 확장할 수 있다.
HTTP/3Burp SuiteTurbo Intruder펜테스팅
(새 창에서 원문 열기)RESEARCH
연구·리포트 참고 자료
이번 주 연구
연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
연구 목록
A2M: MCP 에코시스템에서 추적 최적화된 에이전트 해킹
AI 보안MCP 프로토콜을 사용하는 에이전트는 세마틱 매칭을 통해 서드파티 서버의 도구를 선택하므로 공격자가 제어하는 메타데이터와 출력을 통해 공급망 리스크가 발생한다. A2M이라는 두 단계의 블랙박스 프레임워크를 제안하여 MCP 에이전트를 해킹한다. GLM-4.6에서 최적화 및 평가한 직접 공격은 4가지 시나리오에서 악성 도구 호출률 93.6%의 매크로 평균을 달성하고, 인지 서비스 거부(Cognitive Denial of Service)에서 무해한 기준선 대비 토큰 비용을 32.4배 증가시키며, 정보 유출, 환경 무결성 침해, 추론 방해에서 평균 공격 성공률 74.4%를 달성한다. 4가지 다른 모델로 전이하지 않고 재최적화 없이 각각 63.6%, 2.7배, 24.5%의 매크로 평균을 달성한다.
시사점 MCP 기반 에이전트 시스템에서 도구 검증과 런타임 격리를 강화해야 한다.
A2MMCP에이전트 해킹공급망 리스크(새 창에서 원문 열기)정렬에서 접근 제어까지: GenAI 정책 집행 프레임워크
AI 보안GenAI 애플리케이션에서 정책 집행을 체계적으로 분석하고 기존 접근법을 해부하여 정책 정의 및 집행을 위한 권장사항을 제시한다. 정량 결과는 원문 참조.
시사점 이 연구는 GenAI 애플리케이션의 보안 및 규정 준수를 위해 정책 집행 프레임워크를 제안하여 실무에서 정책 일관성을 확보하는 데 도움이 된다.
GenAI정책 집행보안규정 준수(새 창에서 원문 열기)LLM을 활용한 기업 개인정보 보호 정책 분석 프레임워크
프라이버시본 연구는 대규모 언어 모델(LLM)을 활용하여 기업의 개인정보 보호 정책을 구조화하고 정량적으로 분석하는 프레임워크를 제안한다. 10,000개 웹사이트의 개인정보 보호 정책을 대상으로 적용하여, 완전성, 투명성, 사용자 보호 약속, 비즈니스 주도적 데이터 관행이라는 4가지 차원에서 정량적 평가 지표를 도출하였다.
시사점 이 연구는 기업의 개인정보 보호 정책을 대규모로 자동 분석하고 비교할 수 있는 기반을 제공하여, 개인정보 보호 정책의 투명성과 사용자 보호 수준을 평가하는 데 활용될 수 있다.
개인정보 보호 정책LLM정량적 평가구조화된 분석(새 창에서 원문 열기)Rouxii: 사기 인식 AI 펜테스터로 허니팟을 악용하는 방법
AI 보안AI 기반 펜테스팅 프레임워크 Rouxii를 제안하고, 사기 인식 기능을 통해 허니팟을 탐지하고 악용하는 방식을 평가했다. 사기 인식 기능이 허니팟 식별 정확도를 19%에서 97%로 높였으며, 실제 서비스에 대한 오경보율은 0.7%에 머물렀다.
시사점 AI 펜테스터가 허니팟을 효과적으로 탐지하고 악용할 수 있으므로, 허니팟의 AI 공격 저항성을 평가할 때 공격자의 사기 인식 능력을 고려해야 한다.
AI 펜테스팅허니팟사기 인식Rouxii(새 창에서 원문 열기)SSH 채널 무결성에 대한 Terrapin 공격의 공식적 모델링
네트워크·프로토콜SSH 채널 무결성에 대한 Terrapin 공격을 공식적으로 모델링하여 보안 분석을 수행했다. 8개 주요 AEAD 모드에 대한 구체적인 보안 경계를 설정했다.
시사점 이 연구는 SSH 프로토콜의 AEAD 모드 보안성을 평가하는 데 실무적으로 활용될 수 있다.
SSHAEADTerrapin 공격채널 무결성(새 창에서 원문 열기)HYDRA: 계층적 그래프 대비 학습을 통한 안드로이드 악성코드 드리프트 적응
악성코드·위협안드로이드 악성코드의 개념 드리프트로 기계 학습 탐지 성능이 저하되는 문제를 해결하기 위해, HYDRA라는 적응 프레임워크를 제안한다. HYDRA는 87.5% 적은 라벨 샘플로 더 낮은 거짓음성 및 거짓양성률을 달성한다.
시사점 HYDRA는 적은 라벨 샘플로 안드로이드 악성코드 탐지 성능을 유지할 수 있어, 보안 실무에서 라벨링 부담을 줄이고 지속적인 적응을 가능하게 한다.
안드로이드 악성코드개념 드리프트HYDRA그래프 대비 학습(새 창에서 원문 열기)규칙 엔진과 로컬 대형 언어 모델을 활용한 경보 후 사건 조정 및 대응 서브시스템의 설계 및 평가
AI 보안교육 정보 시스템을 위한 경보 후 사건 조정 및 대응 서브시스템을 설계하고 평가했다. 규칙 엔진과 로컬 대형 언어 모델을 활용해 기능적 정확성과 제어된 복구를 보였다. 30개 경계 사례에서 100% 일치했고, 평균 처리 시간은 약 33초였다.
시사점 이 연구는 보안 이벤트 대응 시스템 설계에 규칙 엔진과 로컬 LLM을 결합하는 방법을 제시한다.
보안 이벤트 대응규칙 엔진로컬 대형 언어 모델사건 조정(새 창에서 원문 열기)재귀 불변식을 통한 단계적 다단계 UTXO 워크플로우
시스템·하드웨어다단계 UTXO 워크플로우에서 일관성 문제를 해결하기 위해 트랜잭션 수준의 재귀 불변식(RIs)을 제안하고, 이를 통해 검증 시간의 로컬리티를 유지하면서 크로스 트랜잭션 보장을 가능하게 한다. 6가지 워크로드에 대한 프로토타입 구현과 벤치마킹을 통해 검증 비용이 선형적으로 증가함을 보인다.
시사점 이 연구는 UTXO 기반 시스템에서 다단계 워크플로우를 효율적으로 관리할 수 있는 새로운 방법을 제시하여, 분산 장부 기술의 보안 및 효율성 향상에 기여할 수 있다.
UTXO재귀 불변식다단계 워크플로우트랜잭션 검증(새 창에서 원문 열기)이동성 분야에서 LLM의 보안 및 프라이버시
AI 보안이동성 분야에서 LLM의 보안 및 프라이버시 문제를 조사하고, 현재 연구와 실제 적용에서의 주요 간극을 분석했다. 35개 연구를 검토한 결과, 보안 및 프라이버시 평가가 거의 이루어지지 않았으며, AI Act 규정 준수도 제한적임을 밝혀냈다.
시사점 이동성 분야에서 LLM을 적용할 때 보안 및 프라이버시를 설계 단계부터 고려해야 한다.
LLM이동성보안프라이버시(새 창에서 원문 열기)포스트-퀀텀 보안 프로토콜을 위한 처리량 중심 분석 모델
암호TLS와 SSH에서 포스트-퀀텀 암호화 연결 설정의 최대 지속 가능 처리량을 추정하는 모델을 제안한다. 실험 결과로 모델 정확도를 보인다.
시사점 이 모델은 네트워크 자원 할당 최적화를 통해 포스트-퀀텀 암호화 도입 시 성능 저하를 예측하고 대응할 수 있다.
포스트-퀀텀 암호화(PQC)TLSSSH처리량 모델(새 창에서 원문 열기)악성코드 분석을 위한 신경망 지문(Neural Fingerprints) 기법
악성코드·위협이미지 기반 메트릭 학습 접근법을 제안하여 악성코드 가족 분류 문제를 해결한다. 73.1% retrieval@1과 90.5% open-set AUROC 성능을 보인다.
시사점 이 기법은 새로운 악성코드 가족을 학습 없이 분류할 수 있어 실무에서 즉시 적용 가능한 방어 기법이 될 수 있다.
악성코드 분석Neural Fingerprints메트릭 학습zero-shot 분류(새 창에서 원문 열기)이미지 기반 기법과 앙상블 소프트 보팅을 활용한 악성코드 분류
악성코드·위협이미지 기반 악성코드 가족 분류를 위해 앙상블 학습 프레임워크와 소프트 보팅 전략을 적용했다. 8가지 변환 전략으로 변환한 악성코드 이미지에 3가지 특징 추출 방법을 적용한 결과, 최고 77.8% 정확도를 기록한 후 앙상블 소프트 보팅을 통해 80.2% 정확도를 달성했다.
시사점 이 연구는 악성코드 분류에서 다양한 특징 추출 방법을 결합한 앙상 Blending 전략의 효과성을 보여주어, 실무에서 악성코드 탐지 정확도를 향상시키는 데 활용될 수 있다.
악성코드 분류앙상블 학습소프트 보팅특징 추출(새 창에서 원문 열기)CRT 분해를 활용한 CSIDH 그룹 작용의 제로지식 증명
암호CSIDH-512 그룹 작용에 대한 제로지식 증명 기법을 CRT 구조를 활용하여 구축하고, 완벽한 완전성과 특별한 정직 검증자 제로지식, 2-특별 사운드니스를 증명했다. 258비트 모듈러스에서 10^4개의 랜덤 인스턴스를 기계적으로 검증하고, 프로토콜 수준 시뮬레이션에서 95% 신뢰도 내 2^{-t} 사운드니스 경계와 일치하는 몬테카를로 사운드니스율을 보였다.
시사점 CSIDH 기반 제로지식 증명 기법의 구조적 완전성과 보안성을 실증하여, 향후 암호학적 프로토콜 설계에 참고할 수 있다.
제로지식 증명CSIDHCRT 분해암호 알고리즘(새 창에서 원문 열기)eBPF 보안 현황: 구조적 집중, 실패 메커니즘, 발견 격차
시스템·하드웨어eBPF(eBPF) 보안 취약점에 대한 실증적 연구를 수행하고, 취약점 분포와 실패 메커니즘을 분석하였다. 연구 결과, eBPF 취약점은 실행, 동시성, 객체 수명 주기 관리, 신뢰 단계 간 의미 차이 등 특정 시스템 수준의 반복 실패와 관련되어 있으며, 실행 단계가 주요 노출 표면임을 보였다.
시사점 eBPF 보안 취약점은 실행 단계에 집중되어 있으므로, 실무에서는 실행 단계의 보안 강화에 주의를 기울여야 한다.
eBPF보안 취약점실패 메커니즘구조적 집중(새 창에서 원문 열기)구조적 및 식별자 변형을 통한 딥러닝 코드 모델의 효과적인 블랙박스 적대적 공격
AI 보안코드 인텔리전스 작업에서 사용되는 딥러닝 코드 모델(DCM)의 블랙박스 적대적 공격 기법인 Strike를 제안한다. 코드 복제 탐지, 취약점 탐지, 코드 요약 작업에서 공격 성공률이 높고, 생성된 변형 코드는 원본과 유사하며 자연스럽다.
시사점 코드 인텔리전스 시스템의 보안성을 평가할 때 적대적 공격 기법을 고려해야 하며, Strike를 사용해 모델의 취약점을 확인할 수 있다.
적대적 예제코드 인텔리전스블랙박스 공격Strike(새 창에서 원문 열기)양자 안전한 WAN: 위험 평가 및 전환 프레임워크
암호WAN에서 사용되는 양자 취약 공개 키 암호체계를 평가하고, 양자 안전한 전환을 위한 프레임워크를 제안한다. TLS 1.3과 IKEv2/IPsec에서 고전적 및 ML-KEM 하이브리드 키 설정을 위한 평가 설계를 정의하고, TLS-H와 TLS-C의 p95 차이가 0.00~0.63ms로 나타났다.
시사점 이 연구는 기업이 양자 컴퓨터 위협에 대비해 WAN 암호체계를 전환할 때 우선순위와 준비 상황을 평가하는 데 도움을 준다.
양자 안전WAN암호체계TLS(새 창에서 원문 열기)EUDI 월렛의 검증자 보증 책임 분석 및 새로운 보증 모델 제안
시스템·하드웨어EUDI 월렛 아키텍처에서 신뢰 당사자의 검증 책임을 분석하고, 17가지 규칙을 포함한 보증 모델을 제안한다. 3개 언어로 구현한 108개 테스트 케이스에서 결정론적이고 실행 가능한 모델임을 실증했다.
시사점 이 연구는 EUDI 월렛의 신뢰 당사자 검증 책임을 명확히 하여, 디지털 신분 인증 시스템의 보증 구조를 개선하는 데 기여할 수 있다.
디지털 신분 인증보증 책임시스템 보안EUDI 월렛(새 창에서 원문 열기)동적 딥 프롬프트 최적화(Dynamic Deep Prompt Optimization)를 이용한 LLM 탈옥 공격 방어
AI 보안LLM에 대한 탈옥 공격을 방어하기 위해 기존 정적 프롬프트 방식 대신 동적 딥 프롬프트 최적화(DDPO)를 제안한다. DDPO는 LLM의 중간층을 특징 추출기로 사용하여 가벼운 다층 퍼셉트론을 통해 방어용 임베딩을 동적으로 생성하고, 이를 후속 중간층에 주입하여 LLM의 가중치를 수정하지 않고 입력에 따라 방어를 수행한다.
시사점 이 연구는 LLM의 탈옥 공격에 대한 방어 기법으로, 기존 정적 프롬트 방식의 한계를 극복한 동적 접근법을 제시하여 실무에서 보다 효과적인 방어를 가능하게 한다.
LLM탈옥 공격프롬프트 최적화방어 기법(새 창에서 원문 열기)읽지 못하거나 적용하지 못하거나? 콘텐츠 가드의 표현 실패와 적용 실패 분리
AI 보안콘텐츠 가드가 악성 콘텐츠를 인식하지 못하거나 인식했지만 차단하지 못하는 두 가지 실패 원인을 구분하는 새로운 분석 방법을 제안한다. 19개 조건 중 17개에서 해독 측정이 허용되며, 7~56개의 프롬프트당 표현은 되었지만 차단되지 않은 사례가 보고된다.
시사점 콘텐츠 가드의 실패 원인을 구분함으로써 안전 훈련의 한계와 결정 규칙의 개선 필요성을 실증적으로 파악할 수 있다.
콘텐츠 가드AI 보안표현 실패적용 실패(새 창에서 원문 열기)차별 없이 거절하는 인코딩된 프롬프트가 안전 훈련된 모델에 미치는 영향
AI 보안인코딩된 프롬프트 공격은 해로운 요청을 숨기는 방식으로 평가되지만, 이 연구는 이 방식이 모델 평가에 거의 정보를 제공하지 않는다는 것을 보인다. 4개의 7-8B 모델을 대상으로 실험한 결과, 인코딩된 해로운 요청에 대한 거절률은 0.08~0.10으로 표본 오차 범위 내에 머물렀으며, 평문 요청에 대한 거절률은 0.57에 달했다.
시사점 보안 평가 시 인코딩된 요청에 대한 분석을 추가함으로써 모델의 실제 안전성을 정확히 평가할 수 있다.
AI 보안프롬프트 인젝션모델 평가인코딩 공격(새 창에서 원문 열기)
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.