옵스왓, AI 모델 속 숨은 위협 잡는다…'메타디펜더 이더'에 LLM 스캐닝 추가 작성일 10-20 57 목록 <div id="layerTranslateNotice" style="display:none;"></div> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="QhIIUwb0DH"> <p contents-hash="58d236d3d660e001985c21e1cbde464ed2bd23d442d0d134d08e8e05783f69fe" dmcf-pid="xlCCurKpmG" dmcf-ptype="general">인섹시큐리티는 옵스왓(OPSWAT)이 AI 모델 파일 내부의 위협과 실제 동작 과정의 보안 위험을 함께 분석하는 '메타디펜더 이더(MetaDefender Aether)' v3.3.0을 출시했다고 밝혔다.</p> <p contents-hash="b6681132fdd40bd400c802737e8b55be1549f1b106d6cab3bd71a3f3f73e8001" dmcf-pid="y8ffcbmjsY" dmcf-ptype="general">이번 업데이트는 기존 5단계 제로데이 위협 탐지 체계의 정적·동적 분석 단계에 대규모 언어모델(LLM) 스캐닝 기능을 추가한 것이 핵심이다. 모델 파일에 숨겨진 악성코드와 변조된 데이터를 검사하고, 실제 모델에 적대적 프롬프트를 입력해 프롬프트 인젝션과 민감정보 노출 등 응답 과정에서 발생하는 위험을 탐지한다.</p> <p contents-hash="9b0c6258cfaf6c649467396ffde2a7c1abbf9d2fa7bf8765b52108ce74fddbe9" dmcf-pid="W644kKsAIW" dmcf-ptype="general">7개 모델 파일 형식과 30개 이상의 전용 위협 지표를 지원하며, 동적 분석에는 50개 이상의 공격 기법과 1000개 이상의 적대적 프롬프트를 활용한다. 기업이 외부에서 확보한 AI 모델을 운영 환경에 배포하기 전에 파일 자체의 위협과 모델 동작의 위험을 함께 검토하도록 지원한다.<br></p> <figure class="figure_frm origin_fig" contents-hash="e466596cbeaa7bf7e97b64edc3052376860497fdb3732d88b571b82785f441d1" dmcf-pid="YP88E9OcEy" dmcf-ptype="figure"> <p class="link_figure"><img alt="태그가 지정된 후 5단계 위협 탐지 진단을 반영한 통합 분석 결과 제공(사진 제공=인섹시큐리티)" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/20/etimesi/20261020174543248yazl.jpg" data-org-width="700" dmcf-mid="4SVxm4lww1" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/20/etimesi/20261020174543248yazl.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 태그가 지정된 후 5단계 위협 탐지 진단을 반영한 통합 분석 결과 제공(사진 제공=인섹시큐리티) </figcaption> </figure> <p contents-hash="a49f72ea4ff28a0852f2efae6299356c0c3ca5a3a70eaf82e2c6e374f5510a9e" dmcf-pid="GQ66D2IkIT" dmcf-ptype="general">기업의 공개 저장소와 외부 공급 모델 활용이 늘면서 AI 모델 도입 과정의 보안 검증도 중요해지고 있다. AI 모델 파일은 실행 가능한 코드를 포함할 수 있어 악의적으로 변조된 파일을 불러오면 이를 사용하는 시스템에 영향을 줄 수 있다. 파일 구조에 이상이 없더라도 특정 입력이나 대화 맥락에서 민감정보를 노출하거나 안전장치를 우회하는 응답을 생성할 가능성도 있다.</p> <p contents-hash="93979b8513b956215f6d541336a7c3558569372cf603125eb39c42efdf023bc7" dmcf-pid="HxPPwVCEDv" dmcf-ptype="general">메타디펜더 이더는 위협 평판 분석, 정적 분석, 동적 분석, 위협 점수 산정, 위협 헌팅을 결합해 통합 판정 결과를 제공한다. 새 버전은 이 가운데 정적·동적 분석 대상을 AI·머신러닝 모델로 확대했다.</p> <p contents-hash="4066926db98dc8ad9386828f9d2ec99561552dae3178afc238a31cf987ffe40b" dmcf-pid="XMQQrfhDOS" dmcf-ptype="general">정적 분석은 모델을 실행하지 않고 파일 구조를 검사한다. 피클(Pickle), 파이토치(PyTorch), 텐서플로(TensorFlow), 케라스(Keras), 세이프텐서(SafeTensors), GGUF, ONNX 등 7개 모델 파일 형식을 지원한다. 파일 확장자 대신 실제 바이트 데이터로 형식을 판별해 확장자 변경을 통한 탐지 회피에 대응한다.</p> <p contents-hash="ae4c074f69b58395af22f127b77648b5d57a26c61e3da3c702d7e9cfe8faf071" dmcf-pid="ZRxxm4lwml" dmcf-ptype="general">피클과 파이토치 파일에서는 역직렬화 과정에서 임의 코드 실행으로 이어질 수 있는 구조를 분석한다. 텐서플로와 케라스 파일에서는 코드 실행에 악용될 수 있는 람다 레이어 등을 검사한다. 세이프텐서 파일에서는 헤더와 텐서 사이에 숨겨진 데이터, 파일 변조, 여러 파일 형식을 결합한 폴리글랏 파일을 탐지한다.</p> <p contents-hash="a984dad868730f2af5046469687c07be736ecfaabb4c00b00cc7243d1121d9d0" dmcf-pid="5JeeIPTssh" dmcf-ptype="general">GGUF 파일은 채팅 템플릿에 숨겨진 실행 로직과 비정상 헤더를 검사한다. ONNX 파일에서는 외부 파일 참조 경로와 사용자 정의 연산자, 특정 입력에서 활성화되는 로직 수준의 백도어 등을 분석한다.</p> <p contents-hash="6a80ad59b0023d399b801b84dff3d481806eee341ccde74880302f841f18e8b7" dmcf-pid="1iddCQyOEC" dmcf-ptype="general">전용 디스어셈블러를 활용한 피클 명령어 분석과 직렬화 객체 검사도 지원한다. 내장 페이로드, 위험한 임포트, 비정상 서명 등을 30개 이상의 전용 위협 지표로 제공하며, 수 기가바이트 규모의 모델도 메모리 사용량을 제한하는 방식으로 분석할 수 있다.</p> <p contents-hash="1c81203a920f79e98a769f76d99c569c6132ed1906e4c7bcd93936f282e0fdef" dmcf-pid="tnJJhxWIDI" dmcf-ptype="general">여러 계층에 악성 요소를 나눠 숨기는 회피 기법에도 대응한다. 중첩된 피클 객체에 페이로드를 분산한 경우 각 계층을 차례로 분리하고 디코딩·압축 해제한 뒤 전체 페이로드를 재구성한다. 코드를 직접 실행하지 않고도 파일 내부에 숨겨진 위협을 확인하는 방식이다.<br></p> <figure class="figure_frm origin_fig" contents-hash="084ac0f83576b6b4aeee124a36162e1c33c54e60975e6ac953fd1bdb64191963" dmcf-pid="FLiilMYCmO" dmcf-ptype="figure"> <p class="link_figure"><img alt="'Stacked Pickle' 정적 분석 사례(사진 제공=인섹시큐리티)" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/20/etimesi/20261020174544487xusp.jpg" data-org-width="573" dmcf-mid="8nlGVvQ9D5" dmcf-mtype="image" height="auto" src="https://img3.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/20/etimesi/20261020174544487xusp.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 'Stacked Pickle' 정적 분석 사례(사진 제공=인섹시큐리티) </figcaption> </figure> <p contents-hash="77444eb00e94e417aac667e037d187f155d0dc459d8fc376939114ad2add55af" dmcf-pid="3onnSRGhDs" dmcf-ptype="general">동적 분석은 OpenAI 호환 채팅 완성(Chat Completions) 엔드포인트를 제공하는 모델에 연결해 적대적 프롬프트를 입력하고 응답을 평가한다. 50개 이상의 공격 기법과 1000개 이상의 적대적 프롬프트를 활용해 9개 범주의 LLM 관련 공격 행위를 검사한다.</p> <p contents-hash="8dabec9a4165edf8a5e679bdd0b669aa9f95e1114ab9209d54f3e4931d421d44" dmcf-pid="0gLLveHlwm" dmcf-ptype="general">주요 검사 대상은 직접·간접 프롬프트 인젝션과 안전장치 우회, 자격 증명·개인식별정보 등 민감정보 노출, AI 공급망 침해, 데이터·모델 오염이다. 모델 출력 처리 과정의 취약점과 에이전트 도구 오용, 시스템 프롬프트 유출, 허위정보·사기 콘텐츠 생성, 과도한 토큰 사용에 따른 자원 소비도 분석한다.</p> <p contents-hash="9dbfd7e14a34c7b66076cf154b2d2d9198e0b531886aa0ba8df6090bd2e8fea2" dmcf-pid="paooTdXSsr" dmcf-ptype="general">모델 응답은 여러 판정 방식을 통해 평가하며, 결과에는 탐지 신뢰도와 예상 피해 수준을 구분해 제시한다. 보안 담당자가 통과·실패 여부뿐 아니라 탐지 근거와 잠재적 영향을 바탕으로 조사 우선순위를 정하도록 지원한다.<br></p> <figure class="figure_frm origin_fig" contents-hash="ae793ca7fd91cc2ddfa3223d2ce7355f9e239d24df4f832a7dfb6e675c27cad8" dmcf-pid="UNggyJZvDw" dmcf-ptype="figure"> <p class="link_figure"><img alt="원문의 LLM 동적 분석 및 적대적 프롬프트 테스트 결과(사진 제공=인섹시큐리티)" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/20/etimesi/20261020174545725jucd.jpg" data-org-width="700" dmcf-mid="6M66D2IkrZ" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/20/etimesi/20261020174545725jucd.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 원문의 LLM 동적 분석 및 적대적 프롬프트 테스트 결과(사진 제공=인섹시큐리티) </figcaption> </figure> <p contents-hash="b1d4417d8cbb78129ed94c0b13a9df3adcb7301587c77f4253445f6c98ea0a38" dmcf-pid="ujaaWi5TrD" dmcf-ptype="general">정적·동적 분석 결과는 적대적 머신러닝 지식체계인 MITRE ATLAS의 공격 기법에 매핑된다. 이후 위협 평판과 위협 점수 산정, 위협 헌팅 결과와 함께 기존 통합 판정 체계에 반영된다.</p> <p contents-hash="c6188aaff761e08c7ca6fdc477e4bd0d2119b06954b0501713a37602fd30cd7d" dmcf-pid="7ANNYn1ysE" dmcf-ptype="general">모델 파일에서 위험 요소가 발견되고 실제 응답에서도 의심스러운 동작이 확인되면 두 결과를 연계해 제시한다. 보안 분석가는 개별 경고를 수작업으로 대조하는 부담을 줄이고, 관련 증거를 바탕으로 조사와 대응을 진행할 수 있다.</p> <p contents-hash="ba742726145d3e8288ff73d5ed3f1dcc3cdd61ae3ef80529218e963c0f486466" dmcf-pid="zcjjGLtWmk" dmcf-ptype="general">활용 대상은 보안운영센터(SOC) 분석가부터 보안팀 책임자, 최고정보보호책임자(CISO), IT 의사결정자, 컴플라이언스 담당자까지 포괄한다. SOC 분석가는 기존 파일 분석 업무 흐름에서 모델의 통합 판정 결과를 확인하고, 보안팀은 개발·배포 과정에서 이동하는 모델의 잠재적 위협을 점검할 수 있다. CISO와 IT 의사결정자는 외부 모델 도입에 보안 검증 정책을 적용하고, 위험 관리 담당자는 분석 결과와 증거를 감사 대응에 활용할 수 있다.</p> <p contents-hash="37c1f68032ffd78761809cf9b11578d1fabad948262b3dc2f388102666ae8e9d" dmcf-pid="qkAAHoFYOc" dmcf-ptype="general">산업별로는 금융·공공·에너지·의료·제조 분야의 AI 모델 검증에 활용할 수 있다. 금융 분야에서는 사기 탐지 시스템과 고객 상담용 챗봇의 정보 유출 위험을, 정부·국방 분야에서는 민감정보를 다루는 모델의 공급망 위험을 점검하는 데 쓰일 수 있다.</p> <p contents-hash="3c9e1a417da0f4b07613768fdd8b0383d40c493393889495fc9e526d44cf9685" dmcf-pid="BEccXg3GIA" dmcf-ptype="general">에너지 분야는 전력망 모니터링과 예측 유지보수 등에 도입하는 모델을 검증하고, 의료 분야는 임상 문서 작성과 행정 자동화 과정에서 처리하는 환자정보의 노출 위험을 확인할 수 있다. 제조 분야에서는 품질 관리와 예측 유지보수 모델의 데이터 오염, 설계 도구에 포함된 백도어 등으로 인한 위험을 점검할 수 있다.<br></p> <figure class="figure_frm origin_fig" contents-hash="3c78cbe2639e5c414a323f66df1a2db0b8191f9b4470a055690bd06a3e38169e" dmcf-pid="bYyyKh8BEj" dmcf-ptype="figure"> <p class="link_figure"><img alt="베낙 시큐리티(Venak Security)의 2026년 종합 샌드박스 테스트 결과(사진 제공=인섹시큐리티)" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202610/20/etimesi/20261020174546940dgzc.jpg" data-org-width="700" dmcf-mid="PjggyJZvOX" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202610/20/etimesi/20261020174546940dgzc.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 베낙 시큐리티(Venak Security)의 2026년 종합 샌드박스 테스트 결과(사진 제공=인섹시큐리티) </figcaption> </figure> <p contents-hash="c7ceae46f12a4d12e1e9f1c0864841c281f7e170a03a9013fa4980841ed0719a" dmcf-pid="KGWW9l6bwN" dmcf-ptype="general">옵스왓은 메타디펜더 이더의 적응형 샌드박스가 AI 생성 악성코드 분석 평가에서도 성과를 거뒀다고 밝혔다. 회사가 인용한 베낙 시큐리티(Venak Security)의 2026년 평가에 따르면 AI 생성 악성코드 샘플 20개 가운데 19개를 탐지해 평가 대상 샌드박스 4개 중 가장 높은 탐지 결과를 기록했다.</p> <p contents-hash="e87b27e81e84af12414758f2fcac237ed13469c383e8d101aab1a804f374d138" dmcf-pid="9HYY2SPKra" dmcf-ptype="general">인섹시큐리티는 디지털포렌식과 악성코드 분석, 침해사고 대응 분야의 보안 전문기업으로, 국내에서 옵스왓 솔루션 공급과 컨설팅을 제공하고 있다.</p> <p contents-hash="5f8184544e783bf6ecad57d1ca0ae67df7be5551b13cca42b8c9064f43f354e7" dmcf-pid="2XGGVvQ9Ig" dmcf-ptype="general">임민지 기자 minzi56@etnews.com</p> </section> </div> <p class="" data-translation="true">Copyright © 전자신문. 무단전재 및 재배포 금지.</p> 관련자료 이전 한국, BCG ‘AI 선도국’ 첫 진입… 산업 성과가 다음 시험대 10-20 다음 카카오 “블록딜·3자 유증·자회사 매각은 사실무근” 10-20 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
