보안 팀은 오랫동안 완강한 문제에 직면해 왔다. 공격자가 어떻게 활동하는지를 가장 잘 설명하는 정보, 즉 상세하고 내러티브가 풍부한 사이버 위협 인텔리전스(Cyber Threat Intelligence, CTI) 보고서는 컴퓨터가 쉽게 추론할 수 없는 형태로 존재한다. arXiv에 게재된 연구 논문에서 자세히 설명된 새로운 자동화 프레임워크는 비정형 위협 내러티브를 논리 추론 엔진이 실제로 탐색할 수 있는 기계 판독 가능한 사이버 위협 공격 체인으로 전환함으로써 이 격차를 직접적으로 겨냥한다.
Summary
핵심 요약
- CTI 보고서는 실제 공격을 내러티브 형식으로 설명하지만, 자동화된 공격 경로 추론에 직접 사용할 수 없다.
- 이 프레임워크는 각 공격 단계를 공격 유닛(attack unit)으로 모델링한다. 즉, 선행 조건, 공격 행위, 후행 조건으로 구성된 구조화된 트리플로 표현한다.
- 대형 언어 모델이 구동하는 다단계 파이프라인이 원시 CTI 텍스트에서 이러한 유닛을 추출·정규화·복구한다.
- 334개의 사람 검증 단계를 포함한 20개의 CTI 보고서에서, Datalog 추론은 20개 중 19개 보고서에서 지정된 공격 목표에 성공적으로 도달했으며, 역방향 탐색을 통해 34개의 공격 경로를 발견했다.
- 이 프레임워크는 커버리지, 완전성, 일관성 측면에서 대표적인 CTI 추출 시스템과 엔드투엔드 LLM 기준선을 모두 능가했다.
CTI 보고서에서 구조화된 지식을 추출하는 데 따르는 과제
위협 인텔리전스 보고서는 사이버 보안에서 가장 정보 밀도가 높은 문서 중 하나다. 이 보고서는 공격자 도구, 수평 이동 기법, 권한 상승 순서, 최종 목표 등을 포착하며, 종종 실시간으로 침해 사고 전개를 목격한 분석가들이 작성한다. 그러나 이러한 풍부함에는 대가가 따른다. 지식이 구조화된 데이터가 아닌 자유 형식의 산문 속에 묻혀 있다는 점이다.
이러한 비정형 특성 때문에 자동 CTI 추출은 본질적으로 어렵다. 인간 분석가는 보고서를 읽고 머릿속으로 타임라인을 구성한다. 자동화 시스템에는 이에 상응하는 지름길이 없다. 시스템은 3단계가 2단계에서 특정 시스템 상태가 형성되었기 때문에만 가능해졌다는 사실을 쉽게 추론할 수 없다.
현재 추출 도구들이 놓치는 부분
대부분의 기존 CTI 추출 접근법은 침해 지표(IOC) — IP 주소, 파일 해시, 도메인 이름 — 를 추출하거나 MITRE ATT&CK 같은 프레임워크에 따라 전술·기술·절차(TTP)를 태깅하는 데 초점을 맞춘다. 이러한 출력은 유용하지만, 본질적으로 평면적이다. 무엇이(what) 일어났는지는 알려주지만, 왜(why) 한 행동이 다음 행동을 가능하게 했는지는 인코딩하지 않는다.
핵심 한계는 실행 조건의 부재다. 공격자가 명령을 실행하기 전 시스템 상태와 실행 후 시스템 상태를 알지 못하면, 단계를 서로 연결해 일관된 공격 경로로 만들 수 없다. 상태 매칭과 도달 가능성 분석 — 즉, 방어자가 “이 시작점에서 실제로 이 목표에 도달할 수 있는가?”라는 질문을 던질 수 있게 해주는 연산 — 은 라벨 수준 추출로는 지원되지 않는다.
공격 체인 추출을 위한 제안된 자동화 프레임워크
이 연구는 추출 문제를 더 풍부한 분석 단위를 중심으로 재구성하는 프레임워크를 제시한다. 개별 지표나 TTP 라벨을 추출하는 대신, 공격의 각 단계를 선행 조건, 공격 행위, 후행 조건으로 구성된 구조화 객체인 공격 유닛(attack unit)으로 모델링한다. 선행 조건은 해당 단계가 실행되기 전에 환경에 대해 참이어야 하는 내용을 포착한다. 후행 조건은 실행 후 참이 되는 내용을 포착한다. 이 둘을 함께 사용하면 한 단계가 다음 단계로 이어질 수 있는지에 대해 추론할 수 있다.
대형 언어 모델이 보조하는 다단계 추출 파이프라인
원시 텍스트에서 이러한 공격 유닛을 구성하는 과정에서 대형 언어 모델이 등장한다. 단일 엔드투엔드 생성기가 아니라, 다단계 공격 분석 파이프라인의 구성 요소로 사용된다. 파이프라인은 순차적으로 동작한다. 먼저 CTI 내러티브에서 공격 행위의 골격을 추출하고, 각 행위에 대한 선행 조건과 후행 조건을 복원한 뒤, 모든 구성 요소를 미리 정의된 술어 집합으로 정규화하고, 마지막으로 체인을 단절시킬 수 있는 깨진 의존성을 복구한다.
마지막 복구 단계는 분석적으로 중요하다. 실제 CTI 보고서는 공학 명세서처럼 작성되지 않는다. 작성자는 자신에게 자명한 가정을 생략하고, 중간 단계를 건너뛰며, 원인을 명시하지 않은 채 결과만 설명하기도 한다. 이러한 공백을 적극적으로 메우지 않는 시스템은 논리적 구멍이 가득한 공격 체인을 만들어 낼 것이다. 겉보기에는 완전해 보이지만 실제로는 따라갈 수 없는 순서들이다. 복구 단계는 이 문제를 직접적으로 다룬다.
전체 파이프라인의 결과는 정규화되고 내부적으로 일관된 공격 유닛 집합이다. 단순히 목록화하는 데 그치지 않고, 추론 엔진에 넘길 준비가 된 상태다.
논리적 추론과 평가 결과
추출이 완료되면, 공격 유닛은 Datalog 스타일 규칙으로 컴파일된다. Datalog는 도달 가능성 쿼리에 적합한 논리 프로그래밍 언어다. 주어진 사실과 규칙 집합으로부터, 시스템이 특정 목표 상태에 도달 가능하다고 도출할 수 있는가? 공격 체인을 이런 방식으로 구성하면 지식 추출 문제를 명확한 성공 기준을 가진 형식적 추론 문제로 변환하게 된다.
도달 가능성 분석을 위한 Datalog 스타일 규칙으로의 컴파일
각 공격 유닛은 하나의 규칙이 된다. 선행 조건이 성립하면 후행 조건이 따른다는 식이다. 이러한 규칙을 연쇄하면, 추론 엔진은 CTI 보고서에 기술된 행위를 바탕으로 초기 거점에서 전체 도메인 장악과 같은 특정 공격 목표에 도달 가능한지 여부를 물을 수 있다. 이는 단순히 특정 TTP가 관찰되었다는 사실을 아는 것과는 본질적으로 다른 능력이다. 재료 목록과 검증된 결과를 가진 레시피의 차이에 해당한다.
주석이 달린 CTI 보고서에서의 성능
평가 데이터셋은 20개의 CTI 보고서와 334개의 사람 검증 주석 단계로 구성되었다. 이 데이터셋 전반에서, 프레임워크는 대표적인 CTI 추출 시스템보다 더 높은 주석 단계 커버리지를 달성했다. 즉, 인간 분석가가 중요하다고 식별한 공격 행위를 더 많이 복원했다.
Datalog 추론 엔진은 20개 보고서 중 19개에서 지정된 공격 목표에 도달했다. 생성된 규칙 집합에 대한 역방향 탐색은 34개의 서로 다른 공격 경로를 도출했다. 이 마지막 수치는 중요하다. 동일한 목표로 이어지는 여러 경로를 찾는 것은 공격자 전략의 중복성을 드러내고, 방어자에게 어디를 막아야 하는지에 대한 더 완전한 그림을 제공하기 때문이다.
엔드투엔드 LLM 기준선 대비 비교 우위
단일 모델이 한 번에 전체 공격 유닛을 생성하도록 프롬프트하는 엔드투엔드 대형 언어 모델 기준선과 비교했을 때, 구조화된 파이프라인은 측정 가능한 수준으로 더 완전하고 더 일관된 공격 유닛을 생성했다. 엔드투엔드 생성은 그럴듯해 보이는 출력을 내놓지만, 선행 조건을 누락하거나 이전 단계와 모순되는 후행 조건을 생성하는 경향이 있다. 반면 단계적 접근법은 각 구성 요소를 조립 전에 개별적으로 추출·정규화하도록 강제해, 드리프트와 누락을 줄인다.
이는 연구에 내재된 더 깊은 방법론적 통찰이다. 대형 언어 모델은 비정형 텍스트에서 의미를 추출하는 데 강력하지만, 그대로 두었을 때 논리 구조를 설계하는 데는 신뢰할 수 없다. 각 단계에 구체적이고 한정된 작업을 부여하는 엄격한 파이프라인 안에 LLM을 배치하면, 무제한 생성에서 잃어버리는 일관성을 되찾을 수 있는 것으로 보인다.
위협 인텔리전스와 방어에 왜 중요한가
실질적인 함의는, 방어자가 원칙적으로는 새로 공개된 CTI 보고서를 이와 같은 시스템에 입력해 공격자 행위 요약뿐 아니라 “이 보고된 기술 시퀀스를 기준으로, 특정 진입점에서 우리의 핵심 자산(crown jewels)에 도달할 수 있는가?”라는 질문에 대한 기계 검증 답변을 받을 수 있다는 점이다. 이러한 공격 목표 도달 가능성 분석은 역사적으로 숙련된 분석가가 수작업으로 수행해야 했으며, 위협 인텔리전스가 쏟아지는 현실에서 확장성이 떨어지는 느리고 비용이 많이 드는 과정이었다.
또한 AI 지원 보안에서 구조화된 추론의 역할에 대한 더 넓은 시사점도 있다. 조직이 대형 언어 모델을 보안 운영에 통합하면서, 이를 범용 해결사로 취급하고 싶은 유혹이 있다. 이 연구 결과는 더 미묘한 그림을 제시한다. 형식적 추론 엔진과 짝을 이룬 LLM은 서로의 약점을 보완하기 때문에 어느 한쪽 단독보다 더 강력할 수 있다는 것이다. 소스 코드와 실험 산출물은 익명화된 저장소에 공개되어 있어, 독립적인 검증과 확장이 가능하다.
FAQ
CTI 보고서에서 공격 체인을 추출하는 것이 왜 어려운가?
CTI 보고서는 실제 공격을 설명하는 비정형 내러티브이기 때문에, 공격 경로 추론을 자동화하기 어렵다. 산문은 가정을 생략하고, 중간 단계를 건너뛰며, 한 공격 단계가 다음 단계로 이어질 수 있는지를 결정하는 시스템 상태를 인코딩하지 않는다.
제안된 프레임워크는 기존 CTI 추출 방법보다 어떻게 개선되었는가?
각 공격 단계를 선행 조건, 행위, 후행 조건으로 모델링하고, 다단계 언어 모델 파이프라인을 사용해 이러한 구성 요소를 추출·정규화한다. 여기에는 깨진 의존성을 복구하는 수리(repair) 단계도 포함된다. 이를 통해 라벨 수준 추출 방법으로는 지원할 수 없는 상태 매칭과 도달 가능성 추론이 가능해진다.
이 프레임워크에서 Datalog 추론은 어떤 역할을 하는가?
추출된 공격 유닛은 Datalog 스타일 규칙으로 컴파일되어, 시스템이 도달 가능성 추론을 수행하고 특정 목표로 이어지는 공격 경로를 식별할 수 있게 한다. 이를 통해 추출된 지식을 공격자가 무엇을 달성할 수 있는지에 대한 형식적으로 검증 가능한 주장으로 변환한다.
프레임워크의 성능은 어떻게 평가되었는가?
334개의 사람 검증 주석 단계를 포함한 20개의 CTI 보고서에서, 이 프레임워크는 대표적인 CTI 추출 시스템보다 더 높은 커버리지를 달성했고, 엔드투엔드 LLM 기준선보다 더 완전한 공격 유닛을 생성했다. Datalog 기반 도달 가능성 분석은 20개 중 19개 보고서에서 성공했으며, 역방향 탐색은 34개의 서로 다른 공격 경로를 식별했다.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”CTI 보고서에서 공격 체인을 추출하는 것이 왜 어려운가?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”CTI 보고서는 실제 공격을 설명하는 비정형 내러티브이기 때문에, 공격 경로 추론을 자동화하기 어렵다. 산문은 가정을 생략하고, 중간 단계를 건너뛰며, 한 공격 단계가 다음 단계로 이어질 수 있는지를 결정하는 시스템 상태를 인코딩하지 않는다.”}},{“@type”:”Question”,”name”:”제안된 프레임워크는 기존 CTI 추출 방법보다 어떻게 개선되었는가?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”각 공격 단계를 선행 조건, 행위, 후행 조건으로 모델링하고, 다단계 언어 모델 파이프라인을 사용해 이러한 구성 요소를 추출·정규화한다. 여기에는 깨진 의존성을 복구하는 수리(repair) 단계도 포함된다. 이를 통해 라벨 수준 추출 방법으로는 지원할 수 없는 상태 매칭과 도달 가능성 추론이 가능해진다.”}},{“@type”:”Question”,”name”:”이 프레임워크에서 Datalog 추론은 어떤 역할을 하는가?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”추출된 공격 유닛은 Datalog 스타일 규칙으로 컴파일되어, 시스템이 도달 가능성 추론을 수행하고 특정 목표로 이어지는 공격 경로를 식별할 수 있게 한다. 이를 통해 추출된 지식을 공격자가 무엇을 달성할 수 있는지에 대한 형식적으로 검증 가능한 주장으로 변환한다.”}},{“@type”:”Question”,”name”:”프레임워크의 성능은 어떻게 평가되었는가?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”334개의 사람 검증 주석 단계를 포함한 20개의 CTI 보고서에서, 이 프레임워크는 대표적인 CTI 추출 시스템보다 더 높은 커버리지를 달성했고, 엔드투엔드 LLM 기준선보다 더 완전한 공격 유닛을 생성했다. Datalog 기반 도달 가능성 분석은 20개 중 19개 보고서에서 성공했으며, 역방향 탐색은 34개의 서로 다른 공격 경로를 식별했다.”}}]}
이 기사는 인공지능의 도움을 받아 제작되었으며, 편집팀의 검수를 거쳤습니다.
