🤖 AI

Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees

Chameleon은 BiLSTM 위협 분류기, 로컬 Qwen3.5-0.8B 언어 모델, 그리고 실시간으로 의미론적 응답을 동적으로 진화시켜 우수한 탐지 정확도와 수렴도를 달lem하는 새로운 TC-PSO 및 S-RRT 메타 휴리스틱 엔진을 통합함으로써 기존 기만 시스템의 정적인 한계를 극복하고, 상용 대안 대비 운영 비용을 약 490배 절감하는 비용 효율적이고 적응형인 AI 기반 허니팟 플랫폼이다.

원저자: Rohit Swami, Tushar Singh, Akash Warde, Sri Muthu

게시일 2026-08-18

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Rohit Swami, Tushar Singh, Akash Warde, Sri Muthu

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

디지털 세상에서 보안 팀들은 끊임없이 쏟아지는 경고의 홍수에 직면해 있습니다. 매일 조직들은 수천 건의 잠재적 위협을 처리하지만, 인간 분석가들이 조사할 수 있는 것은 그중 아주 작은 부분에 불과합니다. 방화벽과 같은 전통적인 방어 체계는 알려진 악성 행위자만을 인식하는 경직된 문 역할을 하며, 공격자가 새로운 기술을 사용하거나 정상적인 트래픽 속에 숨어들 때 어려움을 겪습니다. 이를 해결하기 위해 전문가들은 오래전부터 실제 취약한 컴퓨터처럼 보이도록 설계된 유인 시스템인 '허니팟(honeypots)'을 사용해 왔습니다. 이 함정들은 공격자를 유인하여 방어자들이 실제 데이터를 위험에 빠뜨리지 않고도 그들의 수법을 연구할 수 있게 해줍니다. 그러나 기존의 허니팟 대부분은 정적입니다. 한 번 설정되면 그 동작은 절대 변하지 않습니다. 숙련된 공격자는 몇 가지 명령어를 테스트한 후 응답이 너무 완벽하거나 경직되어 있다는 것을 깨닫고, 유용한 정보를 수집하기도 전에 시스템이 함정임을 알아차리고 떠나버릴 수 있습니다.

연구자 로힛 스와미(Rohit Swami), 투샤르 싱(Tushar Singh), 아카시 워드(Akash Warde), 그리고 스리 무투(Sri Muthu)는 이러한 결함을 해결하기 위해 '카멜레온(Chameleon)'이라 불리는 새로운 종류의 허니팟을 개발했습니다. 정적인 이전 모델들과 달리, 카멜레온은 공격자의 행동에 따라 실시간으로 동작을 바꾸는 적응형 시스템입니다. 이 시스템은 빠른 위협 탐지기와 대화를 나눌 수 있는 언어 모델을 결합하였으며, 이 모든 과정은 두 개의 특화된 최적화 엔진에 의해 유도됩니다. 목표는 공격자가 전술을 배우는 동안 최대한 오랫지 몰입하게 만드는 것이며, 동시에 값비싼 상용 대안들에 비해 아주 적은 비용으로 이를 수행하는 것입니다. 연구팀은 시뮬레이션을 통해 이 시스템을 테스트했으며, 무해한 트래픽과 실제 공격을 거의 완벽한 정확도로 구별할 수 있고, 그 적응형 전략이 현장에서 사용되는 표준 방식보다 성능이 월등히 높다는 것을 발견했습니다.

카멜레온의 핵심 혁신은 위험에 반응하는 방식에 있습니다. 연결이 이루어지면, 시스템은 먼저 들어오는 명령어를 분석하여 그것이 양호한 것인지 악의적인 것인지 판단합니다. 시스템은 인간의 뇌를 모방한 유형의 컴퓨터 프로그램인 신경망을 사용하여 명령어의 텍스트를 스캔합니다. 이 분류기는 매우 빨라서 약 2밀리초 만에 결정을 내리며, 데이터 탈취 시도나 서버 제어 시도와 같은 7가지 유형의 위협을 99.61%의 정확도로 올바르게 식별합니다. 트래픽이 무해하다면 시스템은 단순하고 빠른 응답을 보냅니다. 하지만 시스템이 심각한 위협을 감지하면, 더 정교한 계층으로 상호작용을 격상시킵니다.

이 두 번째 계층에는 인간과 유사한 텍스트를 이해하고 생성하도록 설계된 인공지능의 소형 버전인 언어 모델이 포함됩니다. 이 모델은 정해진 답변을 내놓는 대신, 실제 운영 체제를 흉내 내어 공격자와 현실적인 대화를 나눕니다. 또한 대화의 이력을 기억하여 일관성을 유지함으로써 기만이 사실처럼 느껴지도록 합니다. 공격자가 떠나지 못하게 하기 위해, 시스템은 연결 시간을 얼마나 유지할지와 제시할 가짜 파일 시스템을 어떻게 진화시킬지를 결정하는 두 가지 수학적 전략을 채택합니다. 한 가지 전략은 응답 전 지연 시간을 조정하여, 시스템이 느리거나 반응이 없는 것처럼 느껴지게 함으로써 공격자를 좌절시키고 계속 시도하게 만듭니다. 다른 전략은 실제 서버를 모방한 복잡한 가짜 디렉토리 구조를 구축하는데, 이때 공격자가 실제로 관심을 갖는 부분에 집중하여 지능적으로 에너지를 투입합니다.

연구진은 이러한 적응형 전략이 엄청난 차이를 만든다는 것을 발견했습니다. 새로운 방식들을 표준적인 비적응형 버전들과 비교했을 때 결과는 놀라웠습니다. 적응형 시스템은 한 테스트에서 몰입의 질을 거의 50% 향상시켰고, 다른 테스트에서는 250% 이상 향상시켰습니다. 공격자가 가장 위험한 기술을 사용하는 가장 결정적인 시나리오에서, 적응형 시스템은 표준 방식보다 설득력 있는 기만을 유지하는 능력이 3배 이상 뛰어났습니다. 또한, 이 시스템은 메모리 효율적으로 설계되어 최적화되지 않은 버전보다 약 25% 적은 컴퓨터 메모리를 사용하며, 이를 통해 평범한 하드웨어에서도 실행될 수 있습니다.

아마도 가장 놀라운 발견은 비용일 것입니다. 상용 기만 플랫폼은 연간 10만 달러에서 15만 달러 사이의 비용이 들 수 있지만, 카멜레온은 월 약 17달러의 기본 클라우드 서버에서 실행할 수 있습니다. 이는 비용을 거의 490배나 줄인 수치입니다. 이 시스템은 값비싼 그래픽 카드를 필요로 하지 않고 표준 컴퓨터 프로세서에서 완전히 작동하며, 연구진이 무료로 공개한 오픈 소스 소프트웨어 구성 요소를 사용함으로써 이를 달성합니다. 코드와 테스트에 사용된 데이터를 포함한 전체 시스템은 누구나 연구, 수정 및 사용할 수 있는 라이선스 하에 배포됩니다.

이 연구는 적응형 기만이 실시간으로 공격자로부터 학습할 수 있을 때 매우 효과적이며 가능하다는 것을 입증합니다. 빠른 위협 탐지기와 대화형 AI, 그리고 지능적인 최적화를 결 결합함으로써, 연구진은 인식하기 어렵고 공격자가 우회하기에는 비용이 많이 드는 함정을 만들어냈습니다. 결과는 엄격한 테스트를 통해 검증되었으며, 시스템은 91개의 자동화된 테스트를 통과하고 기존 방식보다 통계적으로 유의미한 개선을 보여주었습니다. 현재의 결과는 시뮬레이션과 통제된 실험에 기반하고 있지만, 저자들은 이 접근 방식이 조직이 네트워크를 보호하는 방식을 변화시켜, 기만의 비용을 사치품에서 표준적이고 접근 가능한 관행으로 바꿀 수 있는 강력하고 저렴한 새로운 도구를 제공할 것이라고 제안합니다.

기술 요약: Chameleon – 적응형 AI 기반 허니팟 아키텍처

문제 정의
전통적인 허니팟 설치는 치명적인 취약점인 '불변하는 행동 프로파일' 문제를 안고 있다. 숙련된 공격자는 몇 번의 진단 명령(예: uname -a)만으로 결정론적 응답 패턴을 알려진 허니팟 지문과 대조함으로써 이러한 기만 환경을 식아낼 수 있다. 상용 기만 제품들이 존재하지만, 연간 100,000~150,000달러에 달하는 비용이 지나치게 높으며, 실시간 모델 기반 피드백 루프를 통해 응답을 동적으로 적응시키는 기능이 부족하다. Cowrie나 T-Pot과 같은 기존 오픈 소스 솔루션들도 동일한 구조적 결함을 공유한다. 즉, 이들의 행동 출력은 배포 시점에 고정되어 있어 활성 세션에 대응하여 진화할 수 없다. 이는 방어자가 막대한 비용을 들이거나 정적이고 탐지되기 쉬운 센서에 의존하지 않고도 공격자 참여의 비대칭성을 효과적으로 재분배할 수 없는 격차를 발생시킨다.

방법론 및 아키텍처
본 논문은 피드백 결합형 5계층 아키텍처를 통해 이러한 역량 격차를 해소하도록 설계된 오픈 소스 적응형 허니팟 플랫폼인 Chameleon을 소개한다. 이 시스템은 CPU 전용 하드웨어에서 작동하며 세 가지 핵심 구성 요소를 통합한다:

위협 분류 파이프라인:
- 전처리: 유입되는 페이로드는 인코딩 기반 회피를 방지하기 위해 4단계 정규화 파이프라인(Unicode NFKC 축소, 구조적 문자 매핑, 제어 문자 억제, 토큰 레벨 정규화)을 거친다.
- BiLSTM 분류기: 양방향 장단기 메모리(BiLSTM) 신경망은 트래픽을 7가지 카테고리(SQL 인젝션, XSS, 서버 측 포함, 경로 탐색, RCE, 브루트 포스, 정상)로 분류한다. 50,000개의 사례로 학습된 이 모델은 약 2ms의 CPU 지연 시간으로 99.61%의 정확도를 달eric한다.
- 의사결정 로직: 클래스 확률 $\theta \geq 0.85$ 인 페이로드는 기만 엔진으로 에스컬레이션되며, 정상 트래픽은 낮은 지연 시간을 유지하기 위해 경량화된 정적 응답을 받는다.
시맨틱 기만 엔진:
- LLM 통합: 에스컬레이션된 세션은 로컬에 배포된 Qwen3.5-0.8B 언어 모델(LoRA를 통해 미세 조정됨)에 의해 처리된다. 이 모델은 평균 4.5ms의 지연 시간으로 90%의 정확도를 가진 문맥 인식 터미널 응답을 생성한다.
- 세션 연속성: 소스 IP당 최대 20회의 명령-응답 턴에 대한 롤링 히스토리가 유지되어 일관된 상호작용을 보장한다.
- 신뢰성: 시스템은 서킷 브레이커, TTL 응답 캐시(모델 호출을 30~60% 감소시킴), 그리고 데이터 유출 탐지를 위한 OGCPS 자격 증명 패턴 스캐너를 채택한다.
메타-휴리스틱 최적화 계층:
- 위협 교정 입자 군집 최적화(TC-PSO): 이 모듈은 연결 유지 지연 시간을 동적으로 조정한다. 고정된 관성을 가진 표준 PSO와 달리, TC-PSO는 BiLSTM 이상 점수 $A(t)$ 에 따라 관성 가중치 $w(t)$ 를 조절한다. 위협 심각도가 높아질수록 관성이 감소하여 최대 참여 지연을 향한 빠른 수렴을 강제한다. 또한 고위험 세션에 대해 목적 함수 보상을 증폭시킨다.
- 시맨틱 기만 신속 탐색 무작위 트리(S-RRT): 이 모듈은 기만 파일시스템 스키마를 진화시킨다. 이 모델은 LLM이 계산한 **페이로드 심각도 지수( $\Psi$ )**를 활용하여 페로몬 업데이트를 지수적으로 스케일링한다( $\Delta\tau' = \Delta\tau \cdot e^{\Psi-1}$ ). 고위험 공격은 더 많은 페로몬을 퇴적시켜 트리를 효과적인 기만 스키마로 유도한다. 결정적으로, 깊이 감쇠 승수(depth-decay multiplier)는 유한한 메모리 풋프린트를 강제하여 표준 RRT에서 나타나는 무제한적인 노드 증식을 방지한다.

주요 기여
본 논문은 다섯 가지 주요 기여를 제시한다:

TC-PSO: 허니팟 타트핏(tarpit) 지연 최적화를 위해 BiLSTM 유래 이상 신호를 사용하여 입자 관성과 목적 함수 증폭을 제어하는 최초의 적용 사례이다.
S-RRT: 페로몬 강화가 LLM이 계산한 심각도 지수에 의해 지수적으로 스케일링되고, 증명 가능한 깊이 감쇠 메모리 제약이 결합된 RRT 계열의 새로운 변형이다.
피드백 결합형 캐스케이드: BiLSTM 분류기와 컴팩트한 Qwen3.5-0.8B 모델을 결로한 2단계 파이프라인으로, CPU 전용 하드웨어에서 약 4.5ms의 지연 시간과 ~99.5%의 결합 정확도를 달성한다.
프로덕션 인스트루멘테이션: Ethereum Sepolia에 앵커링된 Merkle 체인 포렌식 로그, STIX 2.1 번들 생성을 트리거하는 허니토큰 카나리 파일, 그리고 전체 가상 터미널 에뮬레이션을 갖춘 Paramiko 기반 SSH 센서를 포함한 풀 스택을 제공한다.
재현성: 독립적인 재현을 위한 결정론적 91개 테스트 스위트, 벤치마크 데이터셋, MIT 라이선스 소스 코드를 완전히 공개한다.

결과
실험은 GPU 가속 없이 Apple M-Series ARM64 하드웨어(16GB RAM)에서 5개의 독립적인 실행(시드 42–46)을 통해 수행되었다.

TC-PSO 성능: 평균 최종 적합도(2.60에서 3.85)에서 표준 PSO를 48.1% 상회하였으며, 수렴 속도에서 **32.7%**의 이득을 달성했다. 모든 차이는 통계적으로 유의미했다 ( $p < 0.01$ ).
S-RRT 성능: 최적 실행 적합도(450.2에서 1,615.8)에서 표준 RRT를 258.9% 초과하였다. 임계 심각도( $\Psi = 3.0$ )에서 적합도 이득은 329.2%(264.64에서 1,135.75)였다. 또한 S-RRT는 제약 없는 베이스라인 대비 메모리 소비를 24.9% 감소시켰다.
분류 및 지연 시간: BiLSTM 분류기는 0.39%의 오탐률과 함께 99.61%의 정확도를 달성했다. Qwen3.5-0.8B 모델은 90%의 문맥 생성 정확도를 보였다. 가중 평균 파이프라인 지연 시간은 약 4.5ms였다.
비용 효율성: 단일 코어 클라우드 인스턴스 운영 비용은 월 USD 17로 추정되며, 이는 상용 대안(월 약 USD 8,333)에 비해 약 490배 낮은 수준이다.

의의 및 주장
본 논문은 Chameleon이 독점적인 상용 솔루션의 극히 일부 비용만으로도 행동 적응형 기만 인프라를 구축할 수 있음을 입증한다고 주장한다. 저자들은 도메인 특화 메타-휴리스틱 공식이 필수적임을 강조하며, 수정 없이 적용된 표준 최적화 알고리즘(PSO, RRT)은 위협 교정 버전(TC-PSO, S-RRT)에 비해 실질적으로 열등한 결과를 낳는다고 주장한다.

본 연구의 의의는 통계적 견고함(모든 개선 사항이 $p < 0.01$ 유지)과 위협 분류, 메타-휴리스틱 최적화, 그리고 언어 모델 기반 응답 생성을 CPU 전용 오픈 소스 인프라에서 엔드 투 엔드로 통합했다는 점에 있다. 시스템을 MIT 라이선스로 공개함으로써, 저자들은 적응형 기만 연구의 장벽을 낮추고 메타-휴리스틱 설계에 관한 보다 경험적 근거를 갖춘 문헌에 기여하고자 한다.

한계점
저자들은 네 가지 한계를 인정한다:

Qwen3.5-0.8B 모델은 600회 반복 학습으로 미세 조정되었으며, 자원 제약으로 인해 실행하지는 못했으나 2,000회 반복 시 더 높은 정확도(94–96%)가 도출될 것으로 추정된다.
모든 실험은 시뮬레이션 환경에서 수행되었으므로, 실제 배포를 위해서는 윤리적 승인을 동반한 라이브 배포 검증이 필요하다.
현재 최적화 알고리즘은 단일 목적 함수 기반이며, 향후 NSGA-II와 같은 다목적 프레임워크로 확장될 수 있다.
페이로드 심각도 지수는 이산 값을 사용하므로, 향후 정밀도 향상을 위한 연속적 교정이 제안된다.

기술 요약: Chameleon – 적응형 AI 기반 허니팟 아키텍처

유사한 논문