Utilizing Large Language Model Algorithm for XSS, SQL, and Command Injection Detection

인터넷을 웹사이트들이 상점, 은행, 시청 역할을 하는 북적이고 혼란스러운 도시라고 상상해 보세요. 어느 도시에서나 그렇듯, 정문으로 몰래 들어오거나, 자물쇠를 따거나, 직원들에게 가짜 명령을 외치는 데데로꾼들이 있습니다. 컴퓨터 보안의 세계에서 이 데로꾼들은 "인젝션 공격(injection attacks)"을 사용합니다. 이것은 세련된 이름이지만 사실 단순한 속임수입니다. 즉, 웹사이트에 정상적인 요청을 보내는 대신, 해커가 텍스트 상자 안에 숨겨진 비밀 명령어를 입력하여 웹사이트가 실수로 그 명령을 따르게 만드는 것입니다. 이는 마치 고객이 빵집에 걸어 들어와서 "사실, 재고 전체를 다 삭제해 주세요"라고 속삭였을 때, 당황한 제빵사가 실제로 그 일을 수행하게 만드는 것과 같습니다.

이 교활한 데로꾼들을 잡기 위해 보안 전문가들은 '디지털 보디가드'를 구축했습니다. 수년 동안 이 보디가드들은 승인된 목록에 있는 책과 똑같이 생긴 책만 들여보내는 엄격한 사서와 같았습니다. 만약 책의 표지가 이상하거나 제목이 생소하면 거절당했습니다. 하지만 해커들은 점점 더 똑똑해지고 있으며, 이들의 "표지"와 "제목"을 바꾸는 속도가 너무 빨라 기존의 보디가드들은 따라잡을 수 없게 되었습니다. 이제 새로운 세대의 보디가드인 대규모 언어 모델(LLM)이 등장했습니다. 이들을 딱딱한 사서가 아니라, 도서관의 거의 모든 책을 읽은 초스마트 탐정이라고 생각해보세요. 이들은 단순히 표지만 보는 것이 아니라, 이야기와 어조, 그리고 숨겨진 의미를 이해합니다. 이들은 텍스트의 "느낌"만으로도 무해한 문장과 악의적인 명령을 구별해낼 수 있습니다. 이 논문은 큰 질문을 던집니다. 이 초스마트 탐정들이 웹사이트를 침입하려는 해커들의 특정 수법을 포착하도록 훈련될 수 있는지, 그리고 이 일을 수행하기 위해 거대하고 에너지를 많이 소비하는 괴물이 필요한지, 아니면 더 작고 빠른 탐정도 충분히 잘 해낼 수 있는지 말입니다.

이 연구의 연구자들은 네 가지 서로 다른 AI 탐정을 대규모 훈련 캠프에 투입하여, 어떤 모델이 세 가지 특정 유형의 디지털 침입인 크로스 사이트 스크립팅(XSS), SQL 인젝션(SQL Injection), 커맨드 인젝션(Command Injection)을 가장 잘 포착하는지 시험하기로 했습니다. 그들은 단순히 추측하지 않고, 교묘하게 위장된 공격을 포함하여 18만 개 이상의 "정상" 트래픽과 "악성" 트래픽 데이터셋을 이 모델들에게 학습시켰습니다. 그런 다음 모델들을 미세 조정(fine-tuning)했는데, 이는 모델들에게 해커의 수법에 관한 전문 교과서를 제공하여 특정 범죄 패턴을 학습하게 하는 것과 같습니다.

결과는 놀라울 정도로 근소한 차이를 보였으며, 마치 우승자들이 아주 미세한 차이로 결승선을 통과하는 경주와 같았습니다. 주인공은 LLaMA-3.2-1B라는 모델이었습니다. 이 모델은 전체적으로 가장 뛰어난 성능을 보였으며, 99.80%의 정확도(accuracy), 99.82%의 정밀도(precision), 그리고 **99.81%의 F1-스코어(F1-score)**를 기록하며 악성 트래픽을 정확히 식별해 냈습니다. 이 모델은 매우 예리하여 나쁜 놈들을 거의 놓치지 않았고, 무고한 사람을 범인으로 몰아세리는 일도 거의 없었습니다. 그러나 이 논문은 반드시 가장 큰 탐정이 필요히는 않다는 점도 발견했습니다. 약 **0.93%**의 학습 가능한 파라미터만을 가진 훨씬 작은 모델인 DistilBERT-base-uncased(전체 6,760만 개 중 약 630,532개의 학습 가능한 파라미터 보유)가 정확도, 정밀도, 재현율(recall), F1-스코어 전반에 걸쳐 **99.80%**라는 거의 동일한 결과를 달성했습니다.

연구진은 또한 GPT-2와 GPT-2-medium이라는 두 모델도 테스트했습니다. 이 모델들 역시 매우 좋은 성능을 보였으며, 정확도와 정밀도는 99.7%에서 99.8% 사이를 유지했습니다. 흥ingly도, 연구진은 모델을 크게 만든다고 해서 항상 더 좋아지는 것은 아니라는 점을 발견했습니다. 표준 GPT-2보다 약 3배 더 큰 GPT-2-medium 모델은 실제로 더 많은 나쁜 놈들을 잡아내지 못했으며, 오히려 점수가 약간 더 낮았습니다. 이는 이 특정 작업에 있어서, 모델이 패턴을 이해할 만큼 충분히 커지고 나면, 그보다 더 크게 만드는 것은 마치 식료품점에 가기 위해 초호화 스포츠카를 사는 것과 같아서 더 빨리 도착하게 해주지 않는다는 것을 시사합니다.

모델들이 어떻게 실수를 했는지 살펴보았을 때, 논문은 흥미로운 특징들을 드러냈습니다. 네 모델 모두 XSS 공격을 포착하는 데 거의 완벽했습니다. 실제로 세 개의 모델이 XSS 테스트 케이스를 100% 맞혔습니다. 이러한 공격에 사용되는 "스크립트" 태그는 마치 놓치기 힘든 거대한 네온사인과 같기 때문입니다. 하지만 **커맨드 인젝션(Command Injection)**은 가장 까다로운 카테로리였습니다. LLaMA 모델은 이 부분에서 조금 더 고전하며, 가끔 커맨드 인젝션을 일반 트래픽으로 오인했습니다. 한편, GPT-2 모델들은 다소 과하게 예민하여, 다른 모델들보다 정상적이고 안전한 트래픽을 공격으로 분류하는 경우가 더 많았습니다.

저자들은 거대한 LLaMA-3.2-1B 모델이 가장 강력한 전반적 성능을 보여주었지만, 아주 작은 DistilBERT 모델이 거의 동일한 수준의 보호를 제공하면서도 훨씬 빠르고 적은 컴퓨팅 자원을 필요로 하기 때문에 실제 환경에서 사용하기 위한 훌륭한 대안이라고 결론지었습니다. 이 논문은 이러한 모델들을 미세 조정하는 것이 인젝션 공격을 잡아내는 강력한 방법임을 보여주지만, 이것이 단지 시작일 뿐이라는 점도 언급합니다. 연구진은 이 특정 주제에 대한 이전 연구가 부족하고 컴퓨팅 자원이 제한적이었다는 어려움을 겪었음을 지적하며, 디지털 보디가드를 완벽하게 만들기 위해 여전히 할 일이 많다는 점을 밝히고 있습니다. 궁극적으로, 이 연구는 적절한 훈련이 뒷받-는다면 작고 효율적인 AI라도 가장 흔한 웹 위협으로부터 거의 완벽한 수호자가 될 수 있음을 증명합니다.