연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
에이전트 AI 시스템의 워크플로우 수준 이상을 탐지하기 위해 의미적 및 구조적 모델링을 결합한 새로운 프레임워크 Skynet을 제안한다. 3개 공개 벤치마크에서 재현률이 높고 거짓 긍정률은 1% 미만이며, 온라인 모니터링에 적합한 저지연 특성을 보인다.
시사점 에이전트 AI 시스템의 이상 탐지에 워크플로우 수준 분석을 적용할 수 있으며, Skynet은 제로데이 공격 탐지에도 효과적이다.
보안 테스트를 위해 하드웨어 설계에 탐염 로직을 추가하는 기법에서 발생하는 오버헤드를 줄이기 위해 CEGAR-T라는 프레임워크를 제안한다. CEGAR-T는 기존 CellIFT 기준 대비 기하 평균 1.42배와 1.79배로 오버헤드를 줄였다.
시사점 하드웨어 보안 테스트 시뮬레이션의 효율성을 높이기 위해 CEGAR-T를 도입할 수 있다.
LLM 에이전트의 안전한 행동을 평가하기 위해 AURA-Eval이라는 새로운 프레임워크를 제안한다. 157개의 경로를 기반으로 1,249개 평가 항목을 생성하고 20개의 최첨단 및 오픈 가중치 모델을 평가하여, 위험 탐지, 행동 전략, 시나리오별 안전성 등을 분류하는 기준을 개발하였다.
시사점 이 연구는 LLM 에이전트의 안전성 평가 기준을 제시하여, 모델의 위험 인식 능력과 안전한 행동 전략을 실무적으로 평가할 수 있게 한다.
퍼징(fuzzing)의 무작위성을 기반으로 한 결함 탐지를 평가하고 개선하는 방법을 제시한다. 분할(splitting) 기법을 통해 CPU당 결함 탐지 수를 52% 증가시키고, CVE-2019-19926 취약점을 0/20에서 20/20로 탐지 성공률을 높였다.
시사점 이 연구는 퍼징 기반의 결함 탐지 툴 개선에 실용적인 방법을 제공하여, 소프트웨어 보안 테스트 효율성을 높일 수 있다.
임베딩-임베딩 마스킹(E2EO) 기법에 대한 새로운 공격인 프록시 매니폴드 정렬(PMA)을 제안한다. PMA는 마스킹된 벡터 스트림을 기반으로 원본 텍스트를 복원하는 데 성공한다. 실험 결과 PMA는 기존 공격 방법보다 평균적으로 더 높은 복원률을 보인다.
시사점 개인정보 보호를 위한 E2EO 기법의 보안성을 재검토할 필요가 있으며, 보다 강력한 마스킹 기법의 개발이 요구된다.
LLM 생성 콘텐츠의 무결성과 추적성을 보호하기 위해 ToSS라는 신뢰할 수 있는 인증 방법을 제안한다. ToSS는 워터마킹 용량과 디코딩 정확도에서 우수한 성능을 보인다.
시사점 이 연구는 AI 생성 콘텐츠의 신뢰성 확보를 위해 워터마킹 기법을 개선하는 방안을 제시한다.
로컬 호스팅된 대형 언어 모델(LLM)이 생성한 텍스트를 디토크나이제이션 중 CPU 캐시 활동을 관찰하여 재구성하는 새로운 공격 기법을 제시한다. 실제 로컬 LLM 배포에서 의미적으로 정확한 출력을 복원할 수 있음을 보인다.
시사점 이 공격 기법은 널리 사용되는 로컬 LLM 제품과 에이전트 프레임워크에 적용 가능한 취약점을 드러내므로, 해당 시스템의 캐시 타이밍 보호를 강화해야 한다.
LLM 공격 메커니즘 40개를 체계적으로 평가하고, 런타임 감사 도구를 설계하여 81.1%의 감지율을 달성했다. 감사 도구는 0.70%의 오류율을 유지하면서 78.1%의 재현율을 보였다.
시사점 이 연구는 다양한 LLM 공격 메커니즘에 대한 체계적인 평가와 런타-감사 도구 설계를 제안하여, 실무에서 공격 감지 정확도를 향상시킬 수 있다.
AI 에이전트와 미래 모바일 네트워크에서 비인간 엔티티 간 자율적 상호작용을 위한 신뢰 확립 문제를 해결하기 위해 SPIRE와 같은 기존 IAM 접근법을 분산 원장 기반으로 확장하는 방법을 제안한다. SPIFFE 인증 문서를 기반으로 토큰 교환, 원격 증명, 분산 원장 계층을 추가하여 기존 시스템의 한계를 극복한다.
시사점 이 연구는 기업 간 자율적인 시스템 상호작용을 위한 신뢰 관리 프레임워크를 설계할 때 분산 원장 기반의 IAM 확장 방안을 고려할 필요가 있음을 시사한다.
악성코드가 사용하는 전술·기술·절차(TTP) 정보를 신경망 모델에 제공함으로써 악성 활동을 정밀하게 탐지하는 방법을 제안한다. 기존 모델 대비 정밀도가 높고, 드문 TTP를 사용하는 악성코드도 효과적으로 탐지할 수 있음을 보인다.
시사점 악성코드 분석 시 TTP 정보를 모델에 통합하면 정밀도를 높일 수 있다.
LLM에 대한 jailbreak 공격을 방어하기 위해 의미 재작성과 다중 모델 점수를 결합한 SRD-GUARD 방식을 제안한다. SRD-GUARD는 평균 DSR 91.44%와 100%, ORR 8.00%와 12.00%를 달성한다.
시사점 SRD-GUARD는 LLM에 대한 jailbreak 공격을 효과적으로 방어할 수 있는 새로운 방식으로, 실무에서 적용 가능한 방어 기법을 제시한다.
공공 장소에서 스마트폰으로 비밀번호를 입력하는 행위는 영상 기반 부채널 공격(side-channel attack)에 노출될 수 있다. 연구팀은 스마트폰 QWERTY 키보드에서 규칙 기반 알파벳 숫자 비밀번호를 복구하는 첫 번째 일반적인 영상 기반 키스트로크 추론 파이프라인을 제시한다.
시사점 이 연구는 스마트 안경을 활용한 영상 기반 비밀번호 추론 공격이 현실적 위협임을 보여주어, 공공 장소에서의 비밀번호 입력 방식에 대한 재검토가 필요하다.
FoldNTT는 후양자 암호에서 사용되는 수론 변환(NTT)의 하드웨어 구현을 최적화한 새로운 코어 설계를 제안한다. 기존 CFNTT 가속기 대비 곱셈기 수를 3개에서 1개로 줄이고 틀드 상수 저장 공간을 절반으로 줄이며, Proth 소수의 구조를 활용한 수학적 검증과 하드웨어 설계를 통해 정확성을 확보한다. Artix-7에서 측정한 결과, DSP48 수는 3개에서 1개로 감소하고 저장된 틀드 비트는 50% 감소했으며, 전체 코어의 Fmax 손실은 약 4%였다.
시사점 이 연구는 후양자 암호 시스템의 하드웨어 효율성을 향상시키는 설계 기법을 제시하며, 수학적 증명과 실증을 통해 신뢰성을 확보한 사례로, 관련 분야 연구자와 실무자에게 참고가 될 수 있다.
대형 언어 모델의 원천 추적을 위해 BReF라는 새로운 지문 기법을 제안한다. BReF는 22/22 사례에서 기록된 부모 모델을 정확히 검색했으며, DP-DF AUC 1.0000을 달성했다.
시사점 이 연구는 대형 언어 모델의 변형 추적 기법을 개선하여 모델의 원천을 정확히 식별하는 데 기여할 수 있다.
부채널 존재 정리의 이론적 기반을 다중 클래스로 확장하고, 방어 비용 모델링을 통해 정보량 하한을 도출했다. 95개 클래스 데이터셋에서 모든 방어 기법에 대해 정보량의 95% 신뢰도 하한이 양수로 측정되었다.
시사점 이 연구는 암호화 트래픽 분석 방어 기법의 한계를 이론적으로 입증하여, 보안 설계 시 부채널 공격에 대한 고려가 필수적임을 시사한다.
MARS는 다중 애플리케이션 PLC 런타임에서 비인가 애플리케이션에 의한 변수 조작을 감지하고 책임을 특정하는 자동화된 프레임워크를 제안한다. 평가 결과, 제조, 화학, 수질 처리 시스템에서 이러한 조작을 감지하고 책임 있는 애플리케이션을 식별할 수 있음을 보였다.
시사점 이 연구는 ICS 환경에서 다중 애플리케이션 실행 시 발생할 수 있는 보안 위험을 감지하는 새로운 프레임워크를 제안하여, 실무에서 PLC 보안 강화에 활용될 수 있다.
저비용 IoT 센서의 위장 탐지를 위해 시퀀스 예측 문제로 정의하고, 경량 모델을 설계해 Arduino Nano 33 BLE에 배포했다. 99.980%의 탐지 정확도를 달성했으며, 양자 분포가 잘 분리되었다.
시사점 이 연구는 IoT 센서의 경량화된 위장 탐지 기법을 제시하여, 실제 배포 환경에서의 보안 강화에 기여할 수 있다.
보안 운영 센터(SOC)에서 대량의 티켓 처리 과제를 해결하기 위해 생성형 AI 기반 자동화를 설계하고 1년 이상 현장에서 운영한 사례를 보고한다. 분석 결과, 90% 이상의 경우 동반자의 출력이 티켓 종결 보고서에 재사용되었으며, 인간 분석가가 AI 동반자의 행동을 조정할수록 AI 시스템의 출력에 대한 신뢰도가 높아져 생산성이 향상되었다.
시사점 SOC에서 생성형 AI 동반자를 현장 작업과 밀접하게 연계하여 설계하면 분석가의 신뢰를 높이고 생산성을 향상시킬 수 있다.
이 논문은 암호학적 증명 생성을 위해 시각적 스크래치패드 접근법인 Scratchy를 제안한다. 증명 객체를 타입화된 증명-관계 그래프로 정규화하고, 구조 유지 시각 컴파일러를 통해 이 그래프를 수식이 풍부한 시각적 증명 상태로 변환하여 다중모달 모델이 EasyCrypt 증명을 생성하도록 안내한다. 또한, 114개 작업을 포함한 Scratchy-eval이라는 데이터셋을 소개하고, GPT-5.6-Sol과 Claude-Opus-5와 같은 전통적 LLM이 이 구조화된 시각적 증명 상태에서 명확한 이점을 얻는다는 것을 보인다.
시사점 이 연구는 암호학적 증명 생성에서 시각적 구조화가 효과적임을 보여주며, 다중모달 증명 상태 표현이 컴퓨터 지원 암호학의 유망한 방향임을 시사한다.
SCRIPTIOC-BENCH라는 벤치마크를 제안하고, 악성 스크립트에서 IOC를 추출하는 LLM의 능력을 평가한다. 가장 강력한 모델도 F1 65.4에 그친다.
시사점 SCRIPTIOC-BENCH를 통해 LLM이 악성 스크립트에서 IOC를 추출하는 능력을 평가할 수 있으며, 모델 성능 개선 방향을 제시한다.
공격 에이전트가 공유 인프라를 통해 조정된 침투를 수행하는 방식을 분석하고, 침투 사건을 효과적으로 억제하기 위한 방안을 제시한다. 평가 설계를 통해 조정된 행동 집합을 식별하고, 침해 결과를 측정한다.
시사점 공유 인프라를 통한 조정된 침투를 감지하고 분석하는 새로운 접근법을 실무에 적용할 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.