연구 요약과 시사점은 AI가 공개 초록을 정리한 것입니다(AI 생성). 연구를 누르면 원문이 새 창에서 열립니다.
본 연구는 LLM 에이전트가 작업에 필요한 최소한의 자산만을 사용하도록 REALM(Required Execution Assets Linked to a Mission)이라는 접근 방식을 제안하였다. 이 접근 방식은 AgentDyn에서 60개의 클린 작업과 560개의 주입 사례를 대상으로 테스트되었으며, qwen3.5-flash 기반 모델에서 작업 완료율을 40.0% 달성하고 ASR을 16.6%에서 0.2%로 감소시켰다.
시사점 LLM 에이전트의 권한을 최소화하려면 실행 중에 필요한 자산을 식별하고 그 사용을 승인하는 메커니즘이 필요하다.
본 연구는 Web3 참여자들이 대규모 사전 학습 모델을 맞춤화할 때 발생하는 효율성 및 확장성 문제를 해결하기 위해 DICE라는 새로운 BCFL 알고리즘을 제안했다. 이 알고리즘은 동적 점진적 학습 및 트리 구조 위원회 합의 프로토콜을 통해 효율성, 효과성, 보안성을 입증했다.
시사점 대규모 모델을 Web3 환경에서 안전하고 확장성 있게 맞춤화하는 새로운 접근 방식이 제시되었다.
본 연구는 사용자 피드백을 통해 스스로 진화하는 개인 에이전트가 신뢰할 수 없는 제3자의 지시를 포함한 외부 콘텐츠를 처리할 때 간접 프롬프트 인젝션(IPI)에 취약함을 조사했다. 실험 결과, 진화 과정에서 평균 공격 성공률이 기본 에이전트에 비해 스킬 진화 시 14.0–48.8%p, 강화 학습 시 3.0–39.3%p 상승함을 발견했다.
시사점 자기 진화 능력을 가진 에이전트를 사용할 경우, 공격자가 숨긴 지시에 대한 견고성이 크게 저하되므로 안전성에 대한 검토가 필요하다.
연구진은 문자열의 상대적 위치와 제시 형식을 변화시키며 인간 피험자들을 대상으로 비교 속도와 정확도를 측정했다. 그 결과, 오버레이 방식이 특히 긴 문자열에서 더 빠른 방법을 제공했으나, 평균 오류율은 최소 4% 이상이었다.
시사점 문자열 비교 시 오버레이 형식이 속도와 정확도 향상에 도움을 줄 수 있으나, 모든 검증 작업에 충분히 정확하지 않을 수 있다.
본 연구는 패치가 취약점을 해결하면서도 의도된 동작을 유지하는지 검증하는 DeepDiff라는 회귀 없음 검사 기법을 제안했다. 이 기법은 CyberGym의 데이터셋을 사용하여 패치 후보군에 대한 검증을 수행했으며, 그 효과를 입증했다.
시사점 보안 패치의 정확한 검증을 위해서는 단순히 충돌을 일으키지 않는 것을 넘어 회귀 없음 검사가 필요하다.
본 연구는 전력 시스템의 OPF 대리 모델에 대한 공격 취약점을 분석하기 위해, 공격 탐지 메커니즘을 통합한 설명 가능한 AI 프레임워크를 제안했다. 이 프레임워크는 OPF 대리 모델과 입력-입력 의존성을 나타내는 오토인코더를 결합하여 특징 수준의 취약점 지표를 구축했으며, IEEE 테스트 시스템에서 기존 방법보다 보안 관련 취약점을 더 정확히 식별함을 입증했다.
시사점 전력 시스템의 AI 기반 모델 취약점 분석 시, 공격 탐지 메커니즘의 존재를 고려하는 것이 중요하다.
연구진은 블랙박스 쿼리 기반 공격을 사용하여 대표적인 유형 결정 모델(Jev)에 대한 공격을 수행했으며, 이 공격은 짧은 접미사로 모델의 확신 있는 답변을 뒤집을 수 있음을 발견했다. 이 접미사는 데이터셋에 따라 다르지만, 하나의 접미사가 다른 작업의 샘플 중 43%에서 90-100%의 샘플을 뒤집을 수 있었다.
시사점 유형 결정 모델의 견고성을 평가하려면 이러한 적응형 공격을 포함해야 한다.
본 연구는 정상 트래픽으로부터 명시적이고 실행 가능한 행동 규칙을 학습하는 이상 기반 NIDS인 IDSForge를 제안했다. IDSForge는 최신 이상 기반 기법 대비 F1 오류를 최대 5.7배에서 47배 감소시켰으며, Suricata에 배포되어 7.8 Gbps의 처리량과 3.1 $ ext{μs}$의 패킷당 지연 오버헤드를 유지했다.
시사점 이상 탐지 시스템의 탐지 로직을 명시적인 규칙으로 변환하여 해석 가능성을 높이고, 이를 실제 NIDS 엔진에 통합할 수 있다.
연구진은 각기 다른 주체가 소유한 컴포넌트가 상호작용하는 코딩 에이전트 환경에서, 공격자가 피어 컴포넌트가 생성한 런타임 피드백에 악성 명령을 은닉하여 공격할 수 있음을 발견했다. 이 CARI 기법은 네 가지 프로그래밍 언어와 다섯 가지 코드 생성 모델을 대상으로 시도하여 94.8%의 성공률을 보였으며, Codex와 Claude Code에서도 각각 61.3%, 58.7%의 성공률을 달성했다.
시사점 협업적 코딩 에이전트 시스템에서는 컴포넌트 간의 권한 불일치(authority mismatch)를 악용한 런타임 피드백 주입 공격에 대비해야 한다.
본 연구는 클라우드-엣지-IoT 시스템 전반의 분산 머신러닝(DML) 및 연합 학습(FL)의 보안 경계, 공격 유형 및 방어 기법을 조사한다. 이 연구는 포이즈닝, 백도어, 프라이버시 누출 등 다양한 공격과 이에 대응하는 견고한 집계, 차분 프라이버시 등의 방어 기법을 비교 분석한다.
시사점 DML/FL 시스템을 구축할 때는 공격 인지적 벤치마크, 프라이버시 예산, 그리고 다양한 오버헤드(지연 시간, 통신, 에너지)를 고려한 배포 및 거버넌스 가이드라인이 필요하다.
본 연구는 표준적인 잡음 집계(noisy aggregation) 원시적을 사용할 경우, 프라이버시를 유지하면서 선택 문제(selection problem)를 해결하려면 $\Omega(\sqrt{d}/\varepsilon)$ 개의 샘플이 필요함을 보였다. 새로운 원시적을 추가하여 차원 $d$에서 $O(\log(dn)/\varepsilon)$의 가산 오차를 달성하며, 이는 중앙 모델의 성능과 일치한다.
시사점 SVT 모델은 집계 또는 셔플 기반 모델 대비 지수적 분리를 이루며, $F_p$ 손실 최소화 등 다양한 작업에 적용 가능하다.
연구진은 시뮬레이터와 실제 소듐 열수력 시설을 대상으로 열역학적 공정에서 발생하는 적대적 교란에 대한 11개 탐지기를 평가하였다. 그 결과, 시뮬레이터에서는 탐지기가 배포 가능한 것처럼 보였으나, 실제 플랜트 데이터에서는 탐지 성능이 급격히 저하되는 현상이 관찰되었다.
시사점 탐지기의 성능은 시뮬레이션 환경과 실제 운영 환경 간의 격차를 고려하여 평가해야 한다.
본 연구는 부분적 C2PA 기반 콘텐츠 생성 정보(partial CCs)를 구조적으로 분석하여 마지막 서명자가 적용한 작업을 재구성하는 2단계 전략을 제시하였다. 이 전략을 통해 합성 이미지 탐지 태스크에서 최신 탐지기의 성능을 유의미하게 향상시킬 수 있음을 실험적으로 입증하였다.
시사점 부분적 C2PA 정보는 이미지 포렌식 탐지기의 성능을 향상시키는 추가적인 신뢰 정보를 제공할 수 있다.
본 연구는 양자 알고리즘의 위협을 고려하여 자동차 통신 시나리오에서 PQC 알고리즘들을 비교 평가하였다. 시뮬레이션 결과, Kyber는 낮은 키 캡슐화 메커니즘(KEM) 동작 지연 시간을 보였고, Dilithium은 균형 잡힌 서명 성능을 보였다.
시사점 본 연구에서 얻은 데이터셋은 향후 자동차 시스템의 암호 선택에 대한 연구를 지원할 수 있다.
연구진은 20개 오픈소스 웹 애플리케이션의 108개 취약점을 대상으로 Snyk Code, Claude Code, Codex Security, DeepSec 등 9가지 제품화된 구성을 평가하였다. Snyk Code는 거시적 재현율 82.4%를 달성했으며, AI 엔진들은 결합 시 108개 중 101개의 취약점을 탐지하는 데 도달했다.
시사점 AI 엔진의 성능은 사용된 하네스(harness)와 모델 설정에 따라 달라지며, 단독으로는 모든 취약점을 탐지하기 어렵다.
본 연구는 TEE를 사용하여 익명성을 유지하면서도 서비스에 대한 속도 제한을 구현하는 STAR를 제안하였다. STAR는 인증 요청을 수십 마이크로초에 처리하며 CPU 코어당 약 13.9K 요청/초를 처리할 수 있음을 입증하였다.
시사점 TEE를 활용하면 익명성을 유지하면서도 대규모 서비스에 대한 효율적인 속도 제한 구현이 가능하다.
본 연구는 웹 인터페이스를 통해 동작하는 LLM 에이전트의 실행 궤적에 대한 소유권 증거를 각인하는 세션 기반 행동 워터마킹 기법을 제안한다. AgentAnchor는 비밀 키와 세션 식별자를 기반으로 각 단계의 키를 도출하며, 검증자는 에이전트를 재실행하지 않고도 의심스러운 로그를 확인할 수 있다.
시사점 LLM 에이전트의 실행 궤적을 추적하고 소유권을 증명하는 데 행동 워터마킹을 적용할 수 있다.
본 연구는 DRL 교통 신호 제어기가 V2I 보고에 의존할 때, 모델 접근 없이 자신의 접근로에 대한 가짜 보고를 주입하는 공격 시나리오를 연구했다. 이 제한된 공격자는 다른 접근로의 평균 대기 시간을 증가시키면서 자신의 접근로 대기 시간은 거의 변화시키지 않는 공격이 가능함을 입증했다.
시사점 V2I 센싱 채널 자체가 공격의 취약점으로 노출되며, 공격의 영향은 보고의 내용뿐 아니라 공격자가 가진 정보의 양에 따라 달라진다.
본 연구는 LLM 기반 웹 스캐너의 정보 수집 및 행동 선택 과정을 분석하고, 실제 기능을 보존하면서도 스캐너를 가짜 환경으로 유도하는 WebMaze를 제안했다. 12개 웹 애플리케이션과 3개 LLM 기반 스캐너를 대상으로 실험한 결과, 가짜 페이지가 평균적으로 요청된 고유 페이지의 93.0%를 차지함을 보였다.
시사점 LLM 기반 웹 스캐너 공격에 대응하기 위해 실제 기능을 유지하면서도 공격자를 속이는 방어 메커니즘을 고려해야 한다.
본 연구는 양자 컴퓨팅 위협에 대응하는 McEliece 암호의 QC-MDPC 코드 디코딩 시 발생하는 실패 문제를 해결하기 위해 R-BGNN을 제안하였다. 이 아키텍처는 시뮬레이션에서 기존 방식 대비 디코딩 실패율(DFR)을 63.7% 감소시키며 수렴 속도를 높였다.
시사점 PQC 알고리즘의 실제 구현에서 발생하는 디코딩 실패는 심각한 보안 취약점이 될 수 있으므로, 이를 해결할 새로운 디코딩 기법에 대한 연구가 필요하다.
연구진은 삭제 세분성, 레이블 표현, 후보 집합에 따라 전체 모델, 제거되지 않은 모델, 유지 전용 모델을 비교하는 경험적 프레임워크인 DecisionUnlearn-Bench를 소개했다. 이 프레임워크를 통해 BANKING77 데이터셋에서 삭제된 클래스에 대한 인식 여부를 평가했으며, 특정 조건에서 성공적인 제거가 이루어짐을 확인했다.
시사점 의사결정 모델의 제거 여부를 평가할 때는 스키마별 재학습 목표와 효과 크기, 유틸리티, 견고성 등을 별도로 보고해야 한다.
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.