Multi-Agent Influence Diagrams to Hybrid Threat Modeling

이 논문은 하이브리드 위협의 복잡성과 불확실성을 해결하기 위해 다중 에이전트 영향도 다이어그램을 도입하여, 다양한 대응 조치의 비용, 억제력, 피해 완화 효과를 종합적으로 평가하고 그 정책적 함의를 분석합니다.

핵심

이 논문은 **"적대적인 국가가 전쟁을 하지 않으면서 우리를 괴롭히는 '하이브리드 위협'에 대해, 우리가 어떻게 가장 현명하게 대응할지 계산하는 방법"**을 소개합니다.

기존에는 이런 위협에 대해 "게임 이론(상대방이 어떻게 움직일지 예측)"이나 "확률론(무슨 일이 일어날지 확률로 계산)" 중 하나만 사용했는데, 이 논문은 두 가지를 섞어서 더 똑똑한 시뮬레이션을 만들었다는 것이 핵심입니다.

이 복잡한 내용을 일상적인 언어와 비유로 쉽게 설명해 드릴게요.

---

🛡️ 비유: "마법사 A 와 요새 B 의 전쟁"

상상해 보세요. 우리 나라 (수비수 B) 가 있는데, 옆 나라 (공격자 A) 가 전쟁을 선언하지는 않지만, **마법 (사이버 공격, 가짜 뉴스, 경제 제재 등)**을 써서 우리의 전기를 끊거나 물길을 막으려 합니다.

이때 우리는 무엇을 해야 할까요?

1. 방어벽을 더 튼튼하게 할까? (회복력 강화)
2. 상대방의 마법 지팡이를 부러뜨릴까? (공격적 사이버 작전)
3. 상대방을 무서워하게 만들까? (징벌 위협)
4. 상대방이 우리 시장에 들어오지 못하게 막을까? (시장 제한)

이 논문은 이 5 가지 방법 중 어떤 것이 가장 돈을 아끼면서도 효과를 볼 수 있는지를 1,000 번의 가상 시뮬레이션으로 계산해 보았습니다.

---

🔍 이 논문이 한 일 (3 단계 과정)

1. "불확실한 미래"를 주사위로 던져보다 (확률 모델)

실제 전쟁에서는 "상대방이 정말로 공격할까?", "우리의 방어벽이 얼마나 잘 막아낼까?"를 100% 알 수 없습니다. 그래서 연구자들은 **"만약 A 가 공격할 확률이 30% 라면?", "방어벽이 50% 는 막아낼 수 있다면?"**처럼 수많은 경우의 수를 주사위처럼 굴려보았습니다. 이를 통해 각 대응책의 예상 비용과 효과를 계산했습니다.

2. "상대방의 심리"를 읽는 게임 (게임 이론)

하지만 단순히 확률만으로는 부족합니다. 상대방도 똑똑하니까요. 우리가 "공격하면 너를 처벌할 거야!"라고 말했을 때, 상대방이 "아, 그건 무서우니 안 하겠어"라고 생각할지, "아니, 그 정도는 감수하고 공격할 거야"라고 생각할지 계산했습니다.
이를 위해 상대방이 가장 이득을 보는 선택을 할 때, 우리가 어떤 대응을 해야 가장 이득인지를 찾아냈습니다. (이를 '하위 게임 완전 균형'이라고 하는데, 쉽게 말해 "상대방이 어리석은 실수를 하지 않는다고 가정하고, 우리가 최선의 전략을 찾는 것"입니다.)

3. 1,000 번의 시뮬레이션 결과

이 두 가지 방법을 합쳐서 1,000 번의 가상 상황을 돌려봤습니다.

---

🏆 주요 발견: 무엇이 가장 효과적일까?

시뮬레이션 결과, 놀라운 사실들이 나왔습니다.

1. "시장 제한"이 가장 강력했지만 비쌌다 (가장 추천)

• 비유: 상대방이 우리 가게에 들어와 물건을 사거나 장비를 가져가는 것을 아예 금지하는 것입니다.
• 결과: 상대방이 공격할 수 있는 기회 자체를 차단 (기회 박탈) 하므로 가장 효과적이었습니다. 하지만 이 정책을 유지하는 데 드는 비용 (무역 마찰 등) 이 매우 컸습니다.

2. "정보 공유"가 가성비 최고였다

• 비유: 우리와 동맹국들이 서로 "저쪽에서 이런 마법을 썼어!"라고 정보를 주고받는 것입니다.
• 결과: 비용은 적게 들면서, 공격을 미리 알아채고 피해를 줄이는 데 아주 효과적이었습니다. 상대방이 공격을 포기하게 만들기도 했습니다.

3. "공격적 마법" (공격적 사이버 작전) 은 위험했다

• 비유: 상대방의 마법 지팡이를 먼저 부러뜨리는 것입니다.
• 결과: 효과가 있을 수도 있지만, 전쟁을 키우거나 (확전), 오히려 우리가 더 큰 피해를 볼 수도 있어 예측하기 어려웠습니다.

4. "공포 심리" (징벌 위협) 는 상대방에 따라 달랐다

• 상대방이 "무서워하는 타입"이라면 효과가 좋지만, "무서워하지 않는 타입"이라면 그냥 돈만 낭비하고 아무 효과도 없었습니다.

---

💡 이 연구가 우리에게 주는 교훈

이 논문은 정책 입안자들에게 다음과 같은 조언을 합니다.

• 단순한 위협은 안 통한다: "공격하면 죽인다"라고 소리치는 것만으로는 부족합니다. 상대방이 그 위협을 진지하게 받아들이는지, 그리고 우리가 그 위협을 실제로 실행할 능력이 있는지 계산해야 합니다.
• 비용과 효과를 저울질하라: 가장 강력한 방법 (시장 제한) 이 항상 좋은 것은 아닙니다. 비용이 너무 많이 들면 오히려 국가 경제가 망가질 수 있으니, 정보 공유처럼 저렴하면서도 효과적인 방법을 먼저 고려해야 합니다.
• 상대방을 이해하라: 상대방이 어떤 상황에서 공격을 멈출지, 어떤 상황에서 더 격분할지 그 심리를 정확히 알아야 대응책이 통합니다.

📝 한 줄 요약

"전쟁을 하지 않는 싸움 (하이브리드 위협) 에서는, 상대방의 심리를 파악하고, 비용과 효과를 정확히 계산한 뒤, '방어'와 '공격'을 적절히 섞은 전략을 세워야 이길 수 있다."

이 논문은 바로 그 '적절한 섞는 법'을 수학적으로 증명해 보인 것입니다.

기술 요약

1. 문제 정의 (Problem)

• 하이브리드 위협의 복잡성: 현대 하이브리드 위협은 사이버 공격, 정보전, 경제 제재, 정치적 압박 등 다양한 수단을 복합적으로 사용하며, 공격 주체를 특정하기 어렵고 (attribution), 군사적 충돌 역치 이하에서 발생하여 전통적인 억제 (deterrence) 전략이 효과적이지 않습니다.
• 대응책 평가의 불확실성: 서방 국가들은 하이브리드 위협에 대응하기 위해 다양한 조치 (경제 제재, 사이버 방어, 외교적 메시지 등) 를 취하고 있으나, 이러한 조치들이 적의 행동을 어떻게 변화시키는지, 그리고 그 비용과 편익은 어떻게 균형을 이루는지에 대한 명확한 평가 기준이 부족합니다.
• 기존 방법론의 한계:
  • 게임 이론 (Game Theory): 전략적 상호작용을 잘 포착하지만, 하이브리드 위협 내재적 불확실성 (신뢰성, 감지 능력 등) 을 처리하는 데 한계가 있습니다.
  • 확률론적 방법 (Bayesian/Probabilistic): 불확실성을 처리할 수 있으나, 적의 전략적 의사결정 (게임적 상호작용) 을 충분히 반영하지 못합니다.

2. 방법론 (Methodology)

저자들은 게임 이론적 접근과 확률론적 그래픽 모델을 통합한 새로운 프레임워크를 제시합니다.

• 모델링 프레임워크:
  • 인과 영향도 다이어그램 (Causal Influence Diagram, CID): 방어자 (Agent B) 가 공격자 (Agent A) 의 반응을 확률적으로 추정하여 최적의 대응 전략을 찾는 데 사용됩니다.
  • 다중 에이전트 영향도 다이어그램 (MAID): 두 에이전트 (공격자와 방어자) 를 게임의 참여자로 모델링하여, 각자의 전략적 선택과 효용 (utility) 을 고려합니다.
• 시나리오 설정:
  • 상황: 적 (Agent A) 이 방어국 (Agent B) 의 핵심 인프라 (전력망, 수자원, 의료 시스템 등) 에 대한 대규모 사이버 공격을 시도할 가능성.
  • 대응 조치 (Counter-Hybrid Measures): 5 가지 주요 조치와 '무조치' 옵션을 비교 분석합니다.
    1. 지능 공유 (Intelligence Sharing): 동맹국 간 정보 공유로 탐지 및 대응 능력 강화.
    2. 사이버 복원력 강화 (Boosting Cyber Resilience): 사회 전반의 사이버 보안 수준 향상.
    3. 공격적 사이버 능력 활용 (Offensive Cyber Capabilities): 적의 네트워크 침투 및 무력화.
    4. 시장 제한 (Market Restrictions): 적대적 국가의 ICT 제품/서비스 사용 금지.
    5. 개방적 억제 메시지 (Open Deterrence Messaging): 전략적 소통을 통한 위협 공표.
• 데이터 생성 및 시뮬레이션:
  • 문헌 검토와 7 명의 전문가 (미니 델파이 기법) 를 통해 각 조치의 비용, 억제 능력 (deterrence), **피해 완화 능력 (mitigation)**에 대한 확률 분포를 도출했습니다.
  • 이러한 분포에서 샘플을 추출하여 1,000 개의 반합성 (semi-synthetic) 시나리오를 생성하고 시뮬레이션했습니다.
• 해석 기법:
  • 기대 효용 극대화: 방어자가 각 조치에 대한 기대 수익을 최대화하는 전략을 찾습니다.
  • 부분 게임 완전 균형 (Subgame Perfect Equilibrium, SPE): 공격자의 전략적 반응을 고려하여, 모든 하위 게임에서 합리적인 선택이 이루어지는 균형점을 도출합니다 (비신뢰적 위협 제거).
  • 민감도 분석 (SHAP): 입력 변수 (비용, 억제 확률 등) 가 결과에 미치는 영향을 정량화했습니다.

3. 주요 기여 (Key Contributions)

1. 이론적 통합: 하이브리드 위협 모델링에서 **게임 이론 (전략적 상호작용)**과 **확률론적 모델 (불확실성 처리)**을 통합한 최초의 체계적인 프레임워크를 제시했습니다.
2. 정책 도구 개발: 불확실성이 높은 환경에서 다양한 대응 조치의 효과를 정량적으로 비교하고 우선순위를 매길 수 있는 프로토타입 모델을 개발했습니다.
3. 다양한 대응 전략의 특성 분석: 억제 (punishment), denial(거부), 복원력 (resilience) 등 서로 다른 특성을 가진 조치들이 다양한 시나리오에서 어떻게 작용하는지 일반화된 통찰을 제공했습니다.

4. 결과 (Results)

1,000 번의 시뮬레이션과 균형 분석을 통해 다음과 같은 결론을 도출했습니다.

• 최적 대응 조치의 다양성:
  • 시장 제한 (Market Restrictions): 비용은 높지만, 공격자의 공격 능력을 차단 (denial) 하고 피해를 완화하는 능력이 뛰어나 대부분의 시나리오에서 가장 최적의 조치로 선정되었습니다.
  • 지능 공유 (Intelligence Sharing): 비용 대비 효율이 매우 뛰어나며, 공격을 탐지하고 피해를 줄이는 데 효과적입니다. 공격자가 공격을 포기하도록 억제할 수 있는 경우, 시장 제한보다 선호되기도 합니다.
  • 공격적 사이버 작전 및 공개 메시지: 공격자의 전략적 계산에 크게 의존합니다. 공격자가 억제에 반응할 때는 효과적이지만, 그렇지 않을 경우 피해 완화 능력이 없어 방어국을 노출시킬 수 있어 변동성이 큽니다.
  • 복원력 강화: 비용은 높지만 일관되게 효과적이며, 억제와 피해 완화 모두에 기여합니다.
• 균형 분석 (SPE) 의 통찰:
  • 공격자의 전략적 계산이 알려져 있을 때, 방어자는 공격을 억제할 수 있는 가장 비용 효율적인 조치를 선택합니다.
  • 공격자가 어떤 조치에도 불구하고 공격을 감행할 가능성이 높다면, 방어자는 공격의 피해를 최소화하는 **비용 효율적인 조치 (예: 지능 공유)**에 집중하는 것이 합리적입니다.
  • 대부분의 균형 시나리오에서 공격은 억제되었습니다.
• 민감도 분석:
  • 조치의 성공 여부는 **공격자의 억제에 대한 반응성 (deterrence probability)**과 조치 비용에 가장 크게 영향을 받았습니다.
  • 특히 '시장 제한'과 같은 조치의 경우, 공격자를 억제할 확률이 높을수록 그 효과가 극대화됩니다.

5. 의의 및 시사점 (Significance)

• 정책적 함의: 하이브리드 위협 대응은 단일 전략이 아닌, **억제 (punishment), 거부 (denial), 복원력 (resilience)**을 아우르는 종합적 접근이 필요합니다. 특히 공격자의 심리와 반응성을 이해하는 것이 핵심이며, 이를 위해 정밀한 전략적 소통 (communication) 이 필수적입니다.
• 자원 배분: 비용이 높은 조치 (시장 제한 등) 가 효과적일 수 있으나, 자원이 제한적일 때는 비용 효율성이 높은 조치 (지능 공유 등) 와의 균형을 통해 전략을 수립해야 합니다.
• 미래 연구 방향:
  • 조건부 확률 테이블 (CPT) 추정을 위한 더 정교한 전문가 elicitation 기법 도입.
  • 사이버 영역을 넘어 다른 영역 (경제, 외교 등) 이 결합된 더 복잡한 하이브리드 위협 시나리오로 모델 확장.

이 연구는 하이브리드 위협이라는 복잡하고 불확실한 보안 문제에 대해, 데이터 기반의 모델링을 통해 정책 입안자에게 합리적인 의사결정 지원을 제공하는 중요한 발걸음입니다.