컴퓨터 칩의 세계를 아주 작고 정교한 전자 신호들이 자동차이고, 그 안을 흐르는 전기가 교통량인 북적이는 첨단 기술 도시라고 상상해 보십시오. 수십 년 동안 보안 전문가들은 설계 속에 몰래 숨어들어 비밀을 훔치거나 혼란을 야기하는 '유령 자동차'라고 불리는 악성 수정 사항, 즉 하드웨어 트로잔(Hardware Trojan)을 찾아내기 위해 노력해 왔습니다. 보통 이 유령들은 비밀 신호가 자신들을 깨울 때까지 완벽하게 숨어 있다가, 그 순간 달려 나가 피해를 입힙니다. 유령이 잡혔을 때는 이미 비밀 데이터가 사라진 후입니다. 큰 과제는 이 유령들이 여전히 잠들어 있는 동안, 즉 눈에 띄지 않게 숨어 있을 때 이들을 찾아내는 것이었습니다. 전통적인 방식은 도로를 실시간으로 감시하며 갑자기 속도를 높이거나 이상하게 브레이크를 밟는 자동차를 찾는 교통 경찰과 같습니다. 하지만 유령 자동차가 그저 공회전 중일 때는 일반 자동차와 똑같이 보이기 때문에, 시간 기반의 눈으로는 이를 포착하는 것이 거의 불가능합니다.

여기서 캘리포니아 주립대학교 롱비치(CSU Long Beach) 연구진의 영리한 발상이 담긴 새로운 연구가 등장합니다. 연구진은 교통 흐름을 초 단위로 관찰하는 대신, 도시의 '웅성거림(hum)'에 귀를 기울이기로 했습니다. 바이올린 현이 아주 미세하게 진동할 때도 특정한 음을 만들어내는 것처럼, 잠자고 있는 트로잔 회로는 칩의 전기적 웅성거림 속에 희미하고 독특한 패턴을 남깁니다. 연구진은 PATCH-FFT라고 불리는 스마트한 시스템을 구축했는데, 이는 초정밀 음악적 귀 역할을 합니다. 이 시스템은 전기적 노이즈를 가져와 이를 음악적 음계(주파수)의 스펙트럼으로 변환한 뒤, 특수한 형태의 AI를 사용하여 오직 트로잔만이 연주할 수 있는 특정 '곡조'를 찾아냅니다. 실험 결과, 이 방식은 잠자고 있는 스파이를 약 90%의 확률로 잡아낼 수 있었으며, 이는 기존의 시간 기반 방식으로는 결코 달성할 수 없었던 성과입니다.

잠든 스파이와 음악적 귀

집적 회로(우리 스마트폰과 컴퓨터의 두뇌)의 세계에서 **하드웨어 트로잔(Hardware Trojan)**은 악의적인 행위자가 심어 놓은 아주 작은 악성 코드나 하드웨어 조각입니다. 이것은 마치 공장에 심어진 스파이가 설계도를 훔치기 위해 문을 두드리는 비밀 신호를 기다리는 것과 같습니다. 만약 공장 관리자가 신호가 온 '후에' 공장 바닥을 점검한다면, 절도는 이미 일어난 뒤일 것입니다. 이 연구의 목표는 스파이가 비밀 신호를 받기 전, 즉 책상에 조용히 앉아 있는 동안에 그들을 잡는 것입니다.

문제는 이 스파이들이 '휴면(dormant)' 상태일 때, 그들은 거의 움직이지 않는다는 점입니다. 전력을 거의 추가로 사용하지 않기 때문에 무고한 칩의 부품들과 똑같아 보입니다. 전통적인 탐지 방식은 사건이 '언제' 발생하는지를 보는 보안 카메라와 같습니다. 이들은 자동차가 급브레이크를 밟는 것처럼 전력 사용량이 갑자기 치솟는 것을 찾습니다. 하지만 잠자는 스파이는 브레이크를 밟지 않습니다. 그저 그 자리에 앉아 있을 뿐입니다.

이 논문의 저자인 하살라 세네비라트네(Hasala Senevirathne)와 아민 레자이(Amin Rezaei)는 스파이가 가만히 앉아 있더라도 그들의 존재가 전기의 '질감(texture)'을 변화시킨다는 사실을 깨달았습니다. 이는 마치 조용한 방에서 누군가 흥얼거리는 노래가 방 안의 소리를 바꾸는 것과 같습니다. 이를 듣기 위해 팀은 **고속 푸리에 변환(Fast Fourier Transform, FFT)**이라는 수학적 도구를 사용했습니다. FFT를 마법의 프리즘이라고 생각할 수 있습니다. 만약 백색광(무질서한 전기 신호)을 프리즘에 통과시키면, 빛은 무지개 색깔(주파수)로 분리됩니다. 이와 유사하게, FFT는 무질서한 전기 신호를 받아 이를 주파수의 무지개로 나누어, 육안으로는 보이지 않는 숨겨진 패턴을 드러냅니다.

패치 기반 트랜스포머: 돋보기를 든 탐정

연구진은 단순히 프리즘을 사용한 것에 그치지 않고, 그 주변에 탐정을 배치했습니다. 그들은 PATCH-FFT라는 AI 구조를 만들었습니다. 작동 방식은 다음과 같은 간단한 비유로 설명할 수 있습니다.

사람들로 붐비는 방의 길고 무질서한 녹음 테이프가 있다고 가정해 봅시다. 당신은 특정 인물이 비밀 코드를 속삭이는 것을 찾아내고 싶습니다.

1. 프리즘 (rFFT): 먼저, 녹음본을 프리즘(실제 고속 푸리에 변환)에 통과시킵니다. 소리를 초 단위로 듣는 대신, 소리의 '음높이(pitch)'를 봅니다.
2. 패치 (Patches): 그다음, 이 음높이의 스펙트럼을 작은 조각, 즉 '패치'로 나눕니다. 무지개의 색깔을 작은 사각형들로 자른다고 상상해 보십시오.
3. 트랜스포머 (Transformer): 이것은 운영의 두뇌입니다. 점들을 연결하는 데 매우 능숙한 유형의 AI입니다. 이 모델은 무지개의 각 사각형을 보며 "이 사각형이 저 다른 사각형과 어울리는 모양인가?"라고 질문합니다. 이 모델은 전체 그림을 한꺼번에 주목하며, 서로 다른 주파수 사이의 관계를 살핍니다.

이 접근 방식이 특별한 이유는 트로잔이 침묵하고 있을 때도 그 '곡조'를 포착할 수 있기 때문입니다. 논문에 따르면 일부 트로잔은 CDMA(코드 분할 다중 접속)라는 기술을 사용하는데, 이는 마치 스파이가 탁자를 두드리는 비밀 리듬과 같습니다. 스파이가 아직 정보를 훔치고 있지 않더라도, 그 리듬은 주파수 스펙트럼에 날카롭고 특정한 피크(peak)를 생성합니다. PATCH-FFT 모델은 이러한 날카로운 피크와 다른 유형의 스파이에 의해 발생하는 미세한 '광대역(broadband)' 물결을 포착하도록 설계되었습니다.

결과: 유령을 잡다

연구팀은 암호화 작업을 수행하는 컴퓨터 칩의 전력 흔적(power traces)이 포함된 공개 데이터셋을 사용하여 시스템을 테스트했습니다. 그들은 무선파를 통해 데이터를 유출하는 것부터 아주 적은 양의 전기를 추가로 누설하는 것까지, 8가지 유형의 트로 ljan을 조사했습니다.

결과는 인상적이었습니다. PATCH-FFT 모델은 평균 **90.94%**의 탐지 정확도를 달립했습니다.

• 이미 깨어나 데이터를 훔치고 있는 트로잔(Active)의 경우, **92.31%**의 확률로 잡아냈습니다.
• 훨씬 더 어려운 작업인 잠자고 있는 상태의 트로잔(Dormant)을 잡는 데 있어서도, 여전히 **89.56%**의 성공률을 보였습니다.

이는 매우 중요한 성과입니다. 왜냐하면 LSTM(시간 시퀀스를 보는 유형의 AI)이나 HTM(뇌 모사 모델)을 사용하는 기존 방식들은 주로 트로잔이 이미 트리거된 후에 잡는 데 집중했기 때문입니다. 논문은 이러한 기존 방식들이 잠자고 있는 트로잔에 대해 얼마나 잘 작동하는지 보고하지 않는 경우가 많다고 지적합니다. 실제로 저자들은 시간 영역(time-domain) 방식(시간에 따른 신호를 관찰하는 방식)이 전력 변화가 너무 미세하여 잠자는 스파이를 놓치는 경우가 많다고 강조합니다. 주파수 영역(frequency domain, 신호가 연주하는 '음표'를 보는 방식)으로 전환함으로써, PATCH-FFT는 보이지 않는 것을 보이게 만들었습니다.

견고함과 현실적인 한계

연구진은 또한 자신의 '음악적 귀'가 훈련된 칩과 약간 다른 칩에서도 여전히 작동할지 알고 싶었습니다. 현실 세계에서는 모든 칩이 완전히 동일하지 않으며, **공정 변이(process variations)**라고 불리는 미세한 제조 차이가 존재합니다. 이는 마치 오케스트라의 모든 바이올린이 약간씩 조율이 어긋나 있는 것과 같습니다.

이를 테스트하기 위해, 연구진은 데이터에 수학적 '노이즈'를 추가하여 이러한 차이를 시뮬레이션했습니다. 그 결과, 칩의 특성에 **15%**의 변이가 발생하도록 시뮬레이션했음에도 불구하고, 모델은 여로히 잠자는 트로잔을 **84.10%**의 정확도로 탐지해 냈습니다. 이는 이 방법이 상당히 견고하며, 칩이 훈련 모델의 완벽한 복사본이 아니더라도 쉽게 무너지지 않음을 시사합니다.

하지만 논문은 경계선을 명확히 설정하고 있습니다. 실험은 특정 유형의 칩(FPGA)과 공개 데이터셋을 대상으로 수행되었습니다. 저자들은 이 방법을 실제 대량 생산되는 실리콘 칩(ASIC)에 대해 공장에서 직접 테스트하지는 않았다고 명시했습니다. 또한, 이 방법이 변조(modulation, 예: CDMA)를 사용하는 트로잔을 잡는 데는 뛰어나지만, 순수하게 미세한 누설 전류에 의존하는 트로잔을 잡는 것은 여전히 가장 어려운 과제이며, 그럼에도 불구하고 모델이 대안들보다 더 우수한 성능을 보였다고 언급했습니다.

이것이 왜 중요한가

이 논문의 핵심 메시지는 나쁜 놈들이 깨어날 때까지 기다릴 필요가 없다는 것입니다. 관점을 '시계를 보는 것'에서 '음악을 듣는 것'으로 바꿈으로써, 우리는 이전에는 보이지 않았던 위협을 감지할 수 있습니다. PATCH-FFT 시스템은 전력 소비의 주파수 스펙트럼을 바라보고, 서로 다른 주파수가 어떻게 관계를 맺는지 이해하는 스마트한 AI를 결려 결합하는 것이 우리의 디지털 세계를 보호하는 강력한 새로운 방법임을 증명합니다. 이는 트로잔 공격의 '침묵' 단계를 소리가 나는 탐지 가능한 신호로 바꾸어 놓음으로써, 도둑질이 시작되기도 전에 이를 저지할 수 있는 기회를 제공합니다.