논문 요약: ADWISE - LLM 기반 정적/동적 분석 통합을 통한 모바일 광고 탐지

1. 문제 정의 (Problem)

모바일 광고는 앱 생태계의 주요 수익원이나, 동적으로 서버에서 가져와 다양한 UI 를 통해 렌더링되는 특성상 탐지가 매우 어렵습니다. 기존 연구들은 다음과 같은 한계를 가지고 있습니다:

• 비효율적인 탐색: 일반적인 목적의 UI 탐색 (General-purpose UI exploration) 은 광고가 없는 경로에도 자원을 낭비하며, 광고가 있는 특정 UI 로의 도달을 보장하지 못합니다.
• 동적 콘텐츠의 취약성: 광고 내용이 동적으로 변경되거나 앱 재실행 시 달라지는 경우, 콘텐츠 기반의 규칙만으로는 탐지를 우회당하기 쉽습니다.
• 정적 분석의 불완전성: 정적 분석만으로는 실제 실행 시 도달 가능한 UI 경로 (Feasible paths) 를 정확히 예측하기 어렵습니다.

이러한 문제를 해결하기 위해 ADWISE는 정적 프로그램 분석과 LLM 기반의 동적 UI 탐색을 통합하여, 광고 위젯 (Ad Widgets) 을 정확하게 식별하고 트리거하는 새로운 프레임워크를 제안합니다.

2. 방법론 (Methodology)

ADWISE 는 크게 두 단계로 구성됩니다.

1 단계: 정적 광고 분석 (Static Ad Analysis)

• 광고 위젯 식별: 앱의 소스 코드와 UI 레이아웃 정보를 결합한 데이터 흐름 분석 (Dataflow analysis) 을 수행합니다. 이를 통해 위젯의 뷰 클래스 (View class), 리소스 ID, 메서드 호출 (Method invocations) 을 매핑합니다.
• 추론 규칙 적용: 식별된 위젯이 광고 위젯인지 판단하기 위해 세 가지 규칙을 적용합니다.
  • Adview 위젯: 광고 라이브러리의 전용 뷰 클래스 사용.
  • Popup 위젯: 광고 라이브러리 API 를 호출하여 광고 표시.
  • Native 위젯: 앱 내 코드에서 외부 사이트나 앱 스토어로 리디렉션하는 Intent 사용.
• WTG (Window Transition Graph) 구축: 앱 내 UI 간 전환 관계를 그래프로 모델링하여, 광고가 포함된 UI 에 도달하기 위한 최단 경로를 정적으로 추출합니다.

2 단계: 광고 지향 UI 탐색 (Ad-Oriented UI Exploration)
LLM 에이전트가 정적 분석 결과를 바탕으로 목표 위젯을 찾기 위해 탐색을 수행합니다. 이 과정에서 LLM 의 추론을 안내하기 위해 **세 가지 도메인 가이드 신호 (Domain Guidance Signals)**를 제공합니다.

1. WTG 기반 가이드 (WTG-based Guidance): 정적으로 구축된 WTG 를 기반으로 현재 UI 에서 목표 광고 UI 까지의 최단 경로를 LLM 에게 제공하여 탐색 효율성을 높입니다.
2. 의미론적 가이드 (Semantic Guidance): 앱 마켓의 메타데이터 (설명, 카테고리 등) 를 LLM 에게 요약시켜, 사용자가 실제로 자주 방문할 만한 기능적 경로 (예: 음악 앱의 재생 목록) 를 우선적으로 탐색하도록 유도합니다.
3. 구조적 가이드 (Structural Guidance): RAG(검색 증강 생성) 기술을 활용하여, 현재 UI 와 유사한 구조를 가진 다른 앱들의 광고 배치 패턴 (지식 베이스) 을 검색하여 LLM 에게 제공합니다. (예: 메뉴 버튼 근처에 광고가 자주 배치됨)

보안 및 정확성 강화 기법:

• 액션 반성 (Action Reflection): 각 행동 후 UI 상태가 변경되었는지 LLM 에게 확인시켜 실패한 행동을 기록하고 재시도 루프를 방지합니다.
• UI 상태 검증 (UI State Verification): 클릭 가능한 실제 위젯만 필터링하여 LLM 이 비기능적 요소를 선택하는 할루시네이션을 줄입니다.

3. 주요 기여 (Key Contributions)

• 통합 프레임워크 제안: 정적 분석의 '무엇을 찾아야 하는지 (What)'와 LLM 기반 동적 탐색의 '어디로 가야 하는지 (Where)'를 통합하여, 기존 방식보다 정밀한 광고 탐지를 가능하게 했습니다.
• 다중 가이드 신호 활용: WTG, 의미론적 정보, 구조적 유사성이라는 세 가지 상보적인 신호를 LLM 에게 제공하여 복잡한 모바일 UI 환경에서의 탐색 성공률을 극대화했습니다.
• 규정 위반 탐지 확장: 단순히 광고를 찾는 것을 넘어, 광고의 배치 (Placement), 상호작용 (Interaction), 콘텐츠 (Content) 측면에서 규제 위반 사례를 자동으로 식별할 수 있는 능력을 입증했습니다.

4. 실험 결과 (Results)

100 개의 벤치마크 앱 (총 271 개 광고 위젯) 을 대상으로 한 실험 결과는 다음과 같습니다.

• 광고 위젯 탐지율: ADWISE 는 평균 **62.40%**의 탐지율을 기록했습니다. 이는 기존 최첨단 기법 (GoalExplorer, Guardian 등) 보다 25.60%p 이상 높은 성능을 보였습니다.
  • Adview: 69.10%, Popup: 58.69%, Native: 51.13%
• 규제 위반 탐지: 총 133 건의 규제 위반을 발견하여, 가장 성능이 좋은 기존 기법 (GoalExplorer, 99 건) 보다 34.34% 더 많은 위반 사례를 찾아냈습니다.
• 효율성: 광고 위젯 하나를 트리거하는 데 소요되는 시간 (PWDL) 이 평균 10 초로, 기존 기법들보다 8.68% ~ 53.23% 더 빠른 속도를 기록했습니다.
• Ablation Study: 정적 분석을 결합하지 않은 경우나 세 가지 가이드 신호 중 하나라도 제거할 경우 탐지율이 크게 하락하여, 제안된 모든 구성 요소의 중요성을 입증했습니다.

5. 의의 및 결론 (Significance)

• 실용적 가치: ADWISE 는 모바일 광고의 불법적 배치, 사용자를 속이는 콘텐츠, 부적절한 상호작용 등을 자동으로 탐지하여 앱 스토어 심사 및 규제 기관의 업무 효율성을 크게 향상시킵니다.
• 기술적 혁신: 정적 분석의 불확실성과 동적 탐색의 비효율성을 LLM 의 추론 능력으로 해결하는 새로운 패러다임을 제시했습니다. 이는 복잡한 모바일 환경에서 LLM 이 단순한 자동화를 넘어 '추론 레이어'로 작동할 수 있음을 보여줍니다.
• 보안 및 프라이버시: 악성 광고 (Malvertising) 및 사기성 광고를 조기에 발견하여 사용자 보안을 강화하고, 광고 생태계의 건전성을 유지하는 데 기여합니다.

이 연구는 모바일 앱의 광고 시스템을 이해하고 규제하는 데 있어 정적 분석과 LLM 기반 동적 분석의 시너지 효과를 극대화한 획기적인 접근법으로 평가됩니다.