기술 요약: 숨겨진 암호(Hidden Ciphers)와 그 탐색 방법

문제 정의

현대 소프트웨어 시스템은 데이터 보호, 인증 및 신뢰 구축을 위해 암호 기술에 크게 의존하고 있다. 그러나 조직들은 소스 코드, 설정, 종속성 및 바이너리 아티팩트에 배포된 암호화 자산에 대해 구조적이고 총체적인 가시성을 확보하는 데 자주 어려움을 겪는다. 이러한 가시성의 결여는 효과적인 보안 거버넌스를 저해하며, 양자 내성 암호(Post-Quantum, PQ) 마이그레이션 계획과 같은 중요한 과업을 복잡하게 만든다.

기존 솔루션들은 이 문제를 부분적으로만 해결하는 경우가 많다. 많은 도구들이 알려진 오용 패턴에만 좁게 집중하거나, 탐지 로직을 평가 지식과 밀접하게 결합하여 유지보수성과 확장성을 제한한다. 또한, 암호화 자산에 대한 통일된 분류 체계가 없어, 어떤 자산을 찾아야 하는지 또는 발견된 결과들을 어떻게 그룹화해야 하는지가 불분명한 파편화된 탐색 노력이 지속되고 있다. 결과적으로, 암호화 인벤토리 구축은 구조화된 프로세스가 아닌 임시적인 점검(ad hoc checks)에 의존하게 된다.

방법론

저자들은 암호화 가시성 부재 문제를 해결하기 위해 디자인 과학 연구(Design Science Research, DSR) 방법론을 채택한다. 이 접근 방식은 구체적인 현실 세계의 문제를 해결하기 위해 상호 연결된 일련의 아티팩트를 설계하고 평가하는 과정을 포함한다. 개발 프로세스는 네 가지 연구 질문(RQ)에 의해 유도되며, 관련성(relevance), 엄격성(rigor), 설계(design) 주기를 반복한다.

본 방법론의 핵심은 분류 기반 정적 분석(classification-driven static analysis) 접근법이며, 다음의 네 가지 주요 아티팩트로 구성된다:

1. 암호화 자산 분류(A Classification of Cryptographic Assets): 세 가지 발견 카테고리와 두 가지 평가 카테고리를 구분하는 분류 체계.
2. Crypistry: 확장 가능한, 스캐너와 독립적인 규칙 저장소.
3. Crypsy: 규칙을 구현하여 자산을 발견하고 평가하는 정적 스캐너.
4. Cryben: 평가를 위한 기저 사실(ground truth)이 알려진 합성 벤치마크 코퍼스.

주요 기술 구성 요소

1. 암호화 자산 분류

본 논문은 이중 차원의 분류 시스템을 제안한다:

• 발견 차원 (구조적):
  • 암호 재료 (Cryptographic Material): 값(value) 중심의 자산 (예: 개인 키, 시드, 토큰)으로, 해당 값의 보안 역할이 매우 중요하다.
  • 암호 아티팩트 (Cryptographic Artifacts): 보안 관련 메타데이터를 포함하는 구조 중심의 객체 (예: X.509 인증서, 키스토어, PKCS#12 파일).
  • 암호 호출 (Cryptographic Invocations): 컨텍스트 중심의 사용 지점 (예: API 호출, 설정 설정, 종속성 선언)으로, 암호 기능의 선택 또는 구성을 담당한다.
• 평가 차원 (평가적):
  • 약점 (Weakness): CWE와 같은 분류 체계에 근거한 보안 관련 속성 (예: 취약한 알고리즘, 하드코딩된 키).
  • 취약점 (Vulnerability): CVE와 같은 데이터베이스에 근거한 구체적이고 알려진 보안 문제 (예: 취약한 라이브러리 버전, 특정 구현 결함).

2. Crypistry (규칙 저장소)

Crypistry는 도메인 지식과 스캐너 로직을 분리하는 구조화된 저장소이다. 두 가지 유형의 규칙을 포함한다:

• 발견 규칙 (Discovery Rules): 자산 탐지를 정의한다. 이들은 자산 유형(재료, 아티팩트, 호출)별로 분류되며, 스캔 방법(파일 파싱, AST 분석, 정규식 매칭)과 파일 글롭(file globs)을 명시한다.
• 평가 규칙 (Assessment Rules): 발견된 자산을 평가한다. 이 규칙들은 발견 내용을 CWE 또는 CVE 식별자에 매핑하며, 원시 파일이 아닌 정규화된 자산 구성 요소를 대상으로 동작한다.
  이러한 분리는 규칙 세트가 스캐너와 독립적으로 진화할 수 있게 하여, 새로운 언어, 라이브러리 및 보안 지식에 대한 확장성을 지원한다.

3. Crypsy (정적 스캐너)

Crypsy는 소프트웨어 "휴지 상태(at rest)"(소스 코드, 설정, 매니페스트)를 처리하는 규칙 기반 정적 스캐너이다. 결정론적인 4단계 파이프라인으로 작동한다:

1. 규칙 로드 (Rule Loading): Crypistry로부터 발견 및 평가 규칙을 로드한다.
2. 발견 (Discovery): 파일을 수집하고, 규칙에 따라 분류하며, 형식별 파서 또는 AST 분석을 통해 원시 결과(raw findings)를 추출하고, 이를 정규화된 CryptoComponent 객체로 변 la 변환한다.
3. 평가 (Assessment): 정규화된 구성 요소를 약점 및 취약점 규칙에 따라 평가하여 심각도와 매핑을 할당한다.
4. 내보내기 (Export): 구조화된 출력을 생성하며, 특히 **CycloneDX v1.7 암호화 빌 오브 머티리얼즈(CBOM)**를 지원한다.

주요 기여

본 논문의 주요 기여는 다음과 같다:

1. 통합 분류 체계: 암호 재료, 암호 아티팩트, 암호 호출을 구분하고 약점 및 취약점 평가 카테고리를 함께 제시하는 분류 체계를 제안한다.
2. Crypistry: 탐지 및 평가 지식을 정리하고 발견 내용을 표준 분류(CWE, CVE)에 매핑하는, 확장 가능한 스캐너 독립형 규칙 저장소이다.
3. Crypsy: 이 분류 체계와 규칙 세트를 구현하여 CBOM 지향적 출력을 생성하는 정적 스캐너이다.
4. 경험적 평가: 합성 벤치마크(Cryben)와 10개의 실제 운영 중인 서비스 인프라를 활용한 엄격한 평가를 수행하였다.

평가 결과

벤치마크 평가 (Cryben)

저자들은 Go, Ruby, nginx 설정에 걸쳐 197개의 기저 사실(ground-truth) 발생 사례를 포함하는 합성 벤치마크(Cryben)를 대상으로 Crypsy를 평가하였다.

• 발견 성능: Crypsy는 F1 점수 0.75 (정밀도: 0.87, 재현율: 0.66)를 달성했다.
  • 재료 (Material): 완벽에 가까운 재현율 (F1 = 0.94)을 보였다.
  • 호출 (Invocations, Go): 강력한 성능 (F1 = 0.92)을 보였다.
  • 호출 (Invocations, Ruby): 카운팅 모델의 불일치(스캐너는 객체당 호출을 그룹화하는 반면 기저 사실은 개별 메서드 호출을 카운트함)로 인해 낮은 재현율 (F1 = 0.51)을 기록했다.
  • 아티팩트 (Artifacts): 흔하지 않은 PEM 라벨 변형에 대한 커버리지 공백으로 인해 F1 = 0.61을 기록했다.
• 평가 성능: Crypsy는 기대되는 약점 및 취약점의 **91%**를 정확하게 주석 처리하였다 (평가 재현율 = 0.91, F1 = 0.74).
• 비교: Crypsy는 Go-호출(Go-invocation) 서브셋에서 기존 도구인 CBOMkit-hyperion을 능가하여, CBOMkit의 0.66 대비 0.92의 F1 점수를 달성했다.

실세계 평가

Crypsy는 57,610개의 파일을 포함하는 10개의 서비스(GitLab, Mastodon, Harbor 및 다양한 데이터베이스 포함)로 구성된 자체 운영 IT 인프라에 배포되었다.

• 효율성: 스캐너는 6분 미만에 모든 파일을 처리하였다.
• 발견: 370개의 암호화 자산을 식별하였다. 수동으로 식별된 모든 자산이 탐지되었다 (수동 기저 사실 대비 재현율 100%).
• 평가:
  • 91개의 구성 요소가 CWE 매핑 약점 주석을 받았다.
  • 6개의 구성 요소가 CVE 연결 취약점 주석(Heartbleed, BEAST 및 라이브러리 특정 결함 포함)을 받았다.
  • 52개의 구성 요소가 양자 내성 암호 마이그레이션 대상(Shor 알고리즘에 취약한 RSA/EC 키 및 인증서)으로 식별되었다.
• 실행 가능성 (Actionability): 일부 약점 주석(예: 취약한 해시 사용)은 보안 중요 사용과 비중요 사용을 구분하기 위해 수동 트리아지(triage)가 필요했으나, 포스처(posture) 관련 약점(예: 비활성화된 TLS 검증)은 즉각 실행 가능했다.

의의 및 주장

본 논문은 **분류 기반 정적 발견(classification-driven static discovery)**이 거버넌스 및 양자 내성 마이그레이션 계획을 위한 실질적인 암호 투명성을 제공할 수 있다고 주장한다. Crypistry 저장소를 통해 탐지 로직과 평가 지식을 분리함으로써, 이 접근 방식은 암호 인벤토리 구축을 위한 유지보수 가능하고 확장 가능한 기반을 제공한다.

결과는 구조화된 규칙 기반 접근 방식이 다양한 환경에서 암호 자산을 효과적으로 발견하고 평가하여 표준을 준수하는 CBOM을 생성할 수 있음을 입증한다. 이러한 능력은 조직이 임시적인 점검에서 벗어나 배포된 암호 기술을 이해하기 위한 반복 가능한 프로세스로 나아갈 수 있게 하며, 이는 보안 리스크 관리 및 양자 내성 표준으로의 마이그레이션 계획을 위한 필수 전제 조건이다.

저자들은 현재 지원 범위가 Ruby 및 Go 생태계와 특정 설정 형식에 집중되어 있음을 언급하며 일반화에 대해 신중한 태도를 유지한다. Java, C/C++, Python 등 다른 주요 언어에 대한 커버리지를 확장하고, 다양한 환경에서의 철저한 기저 사실 검증이 향다 필요한 단계임을 인정한다. 본 논문은 암호 민첩성(cryptographic agility)이나 마이그레이션 전략 생성을 해결한다고 주장하지 않으며, 대신 CBOM 출력을 미래의 프로세스를 위한 핵심 증거 기반으로 포지셔닝한다.