⚛️ quantum physics

Cyber Risk Scoring with QUBO: A Quantum and Hybrid Benchmark Study

이 논문은 QUBO 기반의 정량적 사이버 리스크 평가 모델을 제안하고, 대규모 인프라에 대한 고전적·양자·하이브리드 방식의 벤치마크 연구를 통해 현재 양자 어닐링의 한계를 지적하면서도 하이브리드 양자 - 고전 솔버의 실용적 잠재력을 입증합니다.

원저자: Remo Marini, Riccardo Arpe

게시일 2026-04-22

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Remo Marini, Riccardo Arpe

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 문제: "고장 난 기계는 왜 전체 공장을 멈추게 할까?"

기존의 사이버 위험 평가 방식은 마치 건물 안전 점검표를 보는 것과 비슷합니다.

"문 잠금 장치가 고장 났나요? (네/아니오)"
"화재 경보기가 있나요? (네/아니오)"

이 방식은 각 부분 (자산) 을 따로따로 봅니다. 하지만 현실은 다릅니다. 한 부분의 문제가 다른 부분으로 연쇄적으로 퍼져나가 전체 시스템이 무너질 수 있죠. 마치 한 번에 여러 층의 건물이 서로 연결되어 있어서, 1 층의 작은 화재가 10 층까지 번지는 것처럼요. 기존 방식은 이런 '연쇄 반응'을 제대로 잡아내지 못합니다.

2. 해결책: "QUBO 라는 새로운 지도 만들기"

저자들은 **QUBO(2 차 무제약 이진 최적화)**라는 수학적 도구를 사용했습니다. 이를 비유하자면 다음과 같습니다.

전체 네트워크를 거대한 퍼즐로 생각하세요.
각 조각 (컴퓨터, 서버 등) 에는 '위험 점수'가 붙어 있습니다.
이 조각들은 서로 끈으로 연결되어 있습니다.
QUBO 의 목표: 이 퍼즐 조각들을 어떻게 배치해야 전체 시스템의 '위험 에너지'가 가장 낮아질지 찾아내는 것입니다.

이 방법은 단순히 "위험하다/안전하다"를 나열하는 게 아니라, **"A 가 위험해지면 B 는 어떻게 변하고, C 는 어떻게 영향을 받는지"**를 수학적으로 계산해냅니다. 마치 물방울이 퍼지는 것처럼 위험이 어떻게 전파되는지 시뮬레이션하는 거죠.

3. 실험: "255 개의 노드가 있는 거대한 도시"

저자들은 실제와 비슷한 **255 개의 건물 (노드)**로 이루어진 가상의 도시를 만들었습니다.

실험 상황: 도시의 한 건물에 갑자기 큰 화재 (고위험 취약점) 가 났습니다.
결과:
- 기존 방식: "그 건물만 위험하다"고만 봅니다.
- QUBO 방식: "그 건물의 위험이 바로 옆 건물로 넘어가고, 그 건물은 다시 더 멀리 있는 서버로 퍼진다"는 것을 찾아냈습니다.
- 재미있는 발견: 눈에 보이지 않는 복잡한 경로로 위험이 퍼지는 것을 발견했습니다. 마치 보이지 않는 지하 터널을 통해 불이 번지는 것처럼 말이죠.

4. 비교 실험: "누가 퍼즐을 더 잘 풀까?" (고전 vs 양자 vs 하이브리드)

이 복잡한 퍼즐을 풀기 위해 세 가지 방법을 비교했습니다.

A. 고전적 컴퓨터 (전통적인 탐정)

방식: 두뇌를 써서 하나씩 차근차근 계산합니다. (타부 검색 알고리즘 사용)
장점: 작은 도시 (소규모 네트워크) 에서는 매우 빠르고 정확합니다.
단점: 도시가 커지고 복잡해질수록 (800 개 이상의 건물) 계산 시간이 기하급수적으로 늘어납니다. 마치 미로가 너무 복잡해지면 길을 잃고 헤매는 것과 같습니다.

B. 양자 컴퓨터 (마법 같은 가속기)

방식: 양자 역학의 원리 (터널링 효과) 를 이용해, 미로의 벽을 뚫고 지나가듯 가장 빠른 길을 찾습니다. 이론적으로는 매우 강력합니다.
현실: 하지만 현재 양자 컴퓨터는 연결성이 부족합니다. 복잡한 도시 지도를 양자 컴퓨터가 이해할 수 있는 형태로 '번역' (임베딩) 하는 과정이 너무 어렵고 시간이 걸립니다.
결과: 작은 도시에서는 고전 컴퓨터와 비슷하게 잘 풀지만, 도시가 커지면 '번역'하는 데만 시간이 너무 걸려서 오히려 뒤처졌습니다.

C. 하이브리드 방식 (최고의 팀워크)

방식: 고전 컴퓨터가 전체를 조율하고, 가장 어려운 부분만 양자 컴퓨터에게 맡기는 방식입니다.
장점:
1. 양자 컴퓨터의 한계 (번역 문제) 를 피할 수 있습니다.
2. 고전 컴퓨터만 쓸 때보다 더 안정적이고 견고한 해결책을 찾습니다.
3. 위험이 퍼지는 경로를 더 깊이 있게 탐색하여, "여기가 진짜 위험한 곳이다"라고 더 정확하게 짚어냅니다.
결론: 현재로서는 이 하이브리드 방식이 가장 현실적이고 효과적인 방법입니다.

5. 핵심 교훈: "안정성이 중요하다"

이 논문에서 가장 흥미로운 점은 **'반복 실험'**이었습니다.

같은 문제를 여러 번 풀었을 때, 고전 컴퓨터는 매번 조금씩 다른 (불안정한) 답을 내놓으며 위험이 계속 커지는 경향이 있었습니다.
반면, 하이브리드 방식은 반복해도 같은 안정된 답을 내놓았습니다.

이는 마치 흔들리는 다리를 건너는 것과 같습니다. 고전 방식은 다리가 흔들릴 수 있지만, 하이브리드 방식은 튼튼한 다리를 찾아냅니다.

요약

기존 방식은 부족하다: 개별 위험만 보고, 전체 시스템의 연쇄 반응을 놓칩니다.
QUBO 는 새로운 지도: 위험이 어떻게 퍼지는지 수학적으로 정확히 보여줍니다.
양자 컴퓨터는 아직 준비 중: 이론은 좋지만, 현재 기술로는 복잡한 문제를 처리하기엔 '번역' 과정이 너무 느립니다.
하이브리드가 승자: 고전 컴퓨터와 양자 컴퓨터가 협력하는 방식이 가장 빠르고, 안정적이며, 정확한 사이버 위험 점수를 매겨줍니다.

이 연구는 우리가 사이버 공격을 단순히 '문 잠금' 문제로 보지 않고, 복잡하게 얽힌 네트워크 전체의 건강 상태로 파악해야 함을 보여줍니다. 그리고 그걸 계산할 때, 고전과 양자의 협력이 미래의 핵심 열쇠임을 증명했습니다.

1. 연구 배경 및 문제 정의 (Problem)

현대 사회의 디지털 인프라는 기업 IT 네트워크부터 산업 제어 시스템까지 복잡하게 연결되어 있으며, 사이버 위험은 정적이지 않고 역동적으로 변화합니다. 기존 사이버 위험 평가 방법론은 다음과 같은 한계를 가지고 있습니다:

정성적 및 정적 모델의 의존성: 많은 조직이 체크리스트나 주관적 등급 (저/중/고) 에 의존하여 평가자 간 일관성이 부족하고 편향되기 쉽습니다.
상호의존성 무시: CVSS 와 같은 표준 점수 체계는 개별 취약점의 심각도를 평가하지만, 네트워크 토폴로지나 구성 요소 간의 전파 (Propagation) 를 고려하지 못합니다.
확장성 부족: 인프라가 커질수록 구성 요소 간의 상호의존성이 기하급수적으로 증가하여, 브루트 포스 (Brute-force) 방식의 모델링은 계산적으로 불가능해집니다.
실제 데이터와의 괴리: 외부 평가 점수는 실제 사고 데이터와 낮은 상관관계를 보이며, 시스템적 취약점과 연쇄 고장을 예측하는 데 실패합니다.

이러한 문제들을 해결하기 위해, 저자들은 이차 비제약 이진 최적화 (Quadratic Unconstrained Binary Optimization, QUBO) 기반의 정량적 사이버 위험 평가 모델을 제안합니다.

2. 방법론 (Methodology)

2.1 인프라 모델링

연구는 4 계층 (워크스테이션, 네트워크, 서버, 데이터베이스) 으로 구성된 합성적이지만 현실적인 255 노드 인프라를 기반으로 합니다. 이후 800 노드까지 확장하여 테스트했습니다.

각 노드는 초기 위험 점수 (IS), 패치 상태, 인터넷 노출 여부 등의 속성을 가집니다.
보안 계층 (방화벽, IDS/IPS 등) 을 도입하여 위험 전파를 제어하는 구조를 시뮬레이션했습니다.

2.2 QUBO 수식화 (Problem Formulation)

문제를 이진 변수 ( $x_i \in \{0, 1\}$ ) 와 이차 비용 함수 (Hamiltonian, $H$ ) 로 변환합니다. 전체 해밀토니안은 5 가지 구성 요소의 가중 합으로 정의됩니다:
$H = \lambda_1 H_1 + \lambda_2 H_2 + \lambda_3 H_3 + \lambda_4 H_4 + \lambda_5 H_5$

$H_1$ (초기 점수 유지): 최종 위험 점수가 초기 점수와 너무 멀어지는 것을 방지합니다.
$H_2$ (연결성 패널티): 연결이 많은 노드는 본질적으로 위험하므로 점수를 높입니다.
$H_3$ (이웃 영향력): 노드의 최종 점수가 이웃 노드의 점수에 의해 영향을 받도록 하여 위험 전파를 모델링합니다.
$H_4$ (노출 패널티: 업데이트가 안 되거나 인터넷에 노출된 노드 간의 연결을 강력히 패널티 처리합니다.
$H_5$ (고위험 노드 보호): 초기 위험이 높은 노드 ( $IS \ge 7$ ) 의 위험이 감소하지 않도록 패널티를 부여합니다.

이 모델을 최소화 (Minimization) 함으로써 시스템의 가장 가능성 높은 위험 구성을 도출합니다.

2.3 솔버 비교 (Solution Techniques)

세 가지 접근 방식을 비교 평가했습니다:

고전적 (Classical): Tabu Search 와 같은 메타휴리스틱 알고리즘 사용.
양자 (Quantum): D-Wave 양자 어닐링 (Quantum Annealing) 사용.
하이브리드 (Hybrid): 고전적 솔버가 전체를 처리하되, 어려운 부분 문제를 양자 어닐러에 위임하는 방식.

3. 주요 기여 (Key Contributions)

유연하고 정량적인 QUBO 모델: 네트워크 토폴로지, 노드 속성, 전파 동역학을 하나의 수학적 프레임워크로 통합하여, 시각적 검사로는 발견할 수 없는 비자명한 (Non-trivial) 위험 전파 경로를 포착합니다.
대규모 벤치마크 연구: 255 노드에서 800 노드까지의 인프라에 대해 고전적, 양자, 하이브리드 솔버를 최초로 비교 분석했습니다.
해의 안정성 분석: 단순 최적화를 넘어, 재귀적 최소화 (Recursive Minimization) 를 통해 얻어진 해가 에너지 랜드스케이프의 안정적인 최소값 (Robust Minimum) 에 도달했는지 진단하는 새로운 접근법을 제시했습니다.

4. 실험 결과 (Results)

4.1 위험 전파 패턴

위험의 재분배: 단일 고위험 노드가 발생하면, 그 위험은 이웃 노드로 전파되어 전체 네트워크의 위험 분포가 고르게 퍼지는 경향을 보였습니다.
비자명한 경로: 보안 계층이 있더라도, 연결성 패턴에 따라 시각적으로는 보이지 않는 경로로 위험이 전파되어 2 차 핫스팟이 생성되는 것을 발견했습니다.
중심 노드의 영향: 연결이 많은 중심 노드는 시스템 전체의 위험을 증폭시키는 핵심 요소로 작용했습니다.

4.2 솔버 성능 및 확장성 비교

고전적 솔버 (Tabu Search): 소규모 및 중규모에서는 효율적이지만, 노드 수와 밀도가 증가함에 따라 계산 시간이 기하급수적으로 증가하여 확장성이 떨어집니다.
양자 솔버 (Pure Quantum): 이론적으로는 어닐링 시간이 고정되어 있어 확장성이 좋지만, 임베딩 (Embedding) 오버헤드가 치명적입니다. 밀집된 사이버 위험 QUBO 를 현재 양자 하드웨어 (D-Wave) 의 제한된 연결성에 매핑하는 과정이 NP-난제에 가깝기 때문에, 약 50 노드 이상에서는 솔루션을 생성하지 못했습니다.
하이브리드 솔버:
- 확장성: 임베딩 병목 현상을 우회하여 800 노드까지 안정적으로 실행 가능했습니다.
- 해의 품질: 고전적 솔버와 유사한 점수를 내지만, 약간 더 보수적인 (낮은 평균 위험) 결과를 제공했습니다.
- 안정성 (가장 중요한 발견): 재귀적 최소화 실험에서 고전적 솔버는 위험이 계속 증가하며 불안정해졌으나, 하이브리드 솔버는 안정적인 해에 수렴했습니다. 이는 하이브리드 방식이 에너지 랜드스케이프에서 더 깊고 견고한 최소값을 찾았음을 시사합니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 사이버 위험 평가에 QUBO 프레임워크를 적용한 최초의 체계적인 벤치마크 연구 중 하나입니다.

실용적 통찰: 현재 양자 하드웨어의 제약 (임베딩 병목) 으로 인해 순수 양자 어닐링은 대규모 사이버 위험 평가에 즉시 적용하기 어렵습니다. 대신, 하이브리드 양자 - 고전 솔버가 확장성과 해의 안정성 (Robustness) 측면에서 가장 실용적이고 효과적인 대안으로 부각되었습니다.
시스템적 접근: 위험을 개별 자산의 속성이 아닌, 네트워크 토폴로지와 상호의존성에서 발생하는 '창발적 (Emergent)' 속성으로 평가할 수 있음을 입증했습니다.
미래 전망: 실시간 모니터링 시스템과의 통합, 더 복잡한 인프라 (IoT, 클라우드) 로의 확장, 그리고 양자 하드웨어의 발전에 따른 잠재력 확보가 향후 연구 방향입니다.

결론적으로, 이 연구는 정성적 평가를 넘어선 정량적이고 동적인 사이버 위험 관리의 새로운 패러다임을 제시하며, 하이브리드 양자 컴퓨팅이 현실적인 사이버 보안 문제 해결에 중요한 역할을 할 수 있음을 보여줍니다.