DOLPHIN: A Privacy-Preserving Digital Investigation Readiness Assessment Framework based on Offline Large Language Models and Retrieval-Augmented Generation
이 논문은 오프라인 거대 언어 모델과 검색 증강 생성을 활용하여 데이터가 로컬에 유지되도록 보장하는 동시에, 증거의 완전성을 정확하게 평가하고 특정 공백을 탐지하며 사건 준비 시간을 단축함으로써 디지털 포렌식 조사 준비 태세를 크게 향상시키는 프라이버시 보호 프레임워크인 DOLPHIN을 소개한다.
원본 논문은 CC BY 4.0 (https://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
범죄 수사 분야에서 가장 중요한 작업은 종종 실험실에서 단 하나의 증거가 공식적으로 분석되기 전에 이루어집니다. 형사들이 하드 드라이브나 휴대전화를 조사하기 전에, 그들은 먼저 조사를 시작할 수 있을 만큼 충분한 정보가 있는지부터 판단해야 합니다. '포렌식 준비성(forensic readiness)'이라고 불리는 이 예비 단계는 피해자 진술서, 경찰 보고서, 보안 카메라 영상, 목격자 진술, 소유권 서류, 디지털 타임스탬프와 같은 혼란스러운 문서들을 수집하는 과정을 포함합니다. 전통적으로 이 더미를 분류하는 것은 느리고 수동적인 과정이었습니다. 만약 핵심 문서가 누락되거나 타임라인이 불분명하다면, 전체 수사가 중단되거나, 최악의 경우 부실한 토대 위에서 진행될 수도 있습니다. 과제는 단순히 증거를 찾는 것뿐만 아니라, 민감한 세부 사항을 엄격하게 비공개로 유지하고 인터넷으로부터 격리된 상태에서, 가용한 자료들이 심층적인 조사를 뒷받el 수 있을 만큼 충분한지를 빠르게 평가하는 것입니다.
DOLPHIN이라는 새로운 프레임워크는 이러한 초기 단계의 분류를 처리하는 다른 방식을 제안합니다. 인도 SRM 과학기술대학교의 연구진이 개발한 이 시스템은 수사관을 위한 프라이버시 중심의 보조 역할을 하도록 설계되었습니다. 기밀 사건 파일을 노출 위험이 있는 클라우드 서버로 보내는 대신, DOLPHIN은 완전히 로컬 컴퓨터에서 실행됩니다. 이 시스템은 인간의 언어를 이해하고 생성하도록 훈련된 '대규모 언어 모델(LLM)'이라 불리는 유형의 인공지능과, 업로드된 문서에서 특정 사실을 추출하는 검색 시스템을 결합하여 사용합니다. 이러한 설정 덕분에 컴퓨터는 사건 파일을 읽고, 누락된 부분이 있는지 확인하며, 조사의 준비도를 점수화할 수 있으며, 이 모든 과정은 수사관의 보안 구역을 전혀 벗어나지 않고 수행됩니다. 목표는 지루하고 주관적인 체크리스트를 빠르고 신뢰할 수 있는 프라이버시 보호 평가 방식으로 전환하는 것입니다.
이 접근 방식의 효과를 테스트하기 위해, 연구진은 차량 절도 사건을 바탕으로 한 300개의 시뮬레이션된 수사 시나리오를 사용하여 통제된 환경을 구축했습니다. 개인정보 보호를 위해 실제 경찰 파일을 사용하지 않고, 모든 가능한 문서가 갖춰진 경우부터 매우 적은 경우까지 다양하게 디지털 버전의 사건들을 만들었습니다. 어떤 시나리오에는 완전한 피해자 진술서, 경찰 보고서, 보안 영상, 목격자 진술이 포함되었지만, 다른 시나리오에는 소유권 서류나 디지털 타임스탬프와 같은 특정 항목을 의도적으로 누락시켰습니다. 연구진은 이 시나리오들을 DOLPHIN 시스템에 입력하여 각 사건의 완결성을 정확하게 판단할 수 있는지 확인했습니다. 시스템에는 두 가지 주요 임무가 부여되었습니다. 첫째, 사건이 심층적인 포렌식 분석을 수행할 준비가 되었는지를 나타내는 준비도 점수를 할당하는 것이고, 둘째, 시각적 증거의 공백이나 목격자 증언의 부족과 같이 정확히 무엇이 누락되었는지를 식별하는 것이었습니다.
결과에 따르면 이 시스템은 높은 정확도로 작동했습니다. 사건의 준비도를 분류하라는 요청을 받았을 때, DOLPHIN은 인간 전문가의 판단과 약 92% 일치하는 결과를 보였습니다. 특히 특정 유형의 누락된 정보를 찾아내는 데 탁-월했습니다. 예를 들어, 피해자 진술서가 없거나 디지털 메타데이터 누락으로 인해 타임라인이 끊긴 경우를 안정적으로 감지할 수 있었습니다. 시스템은 이러한 누락된 요소들을 문서상의 공백, 목격자 증언의 공백, CCTV와 같은 시각적 증거의 공백, 타임라인의 공백이라는 네 가지 명확한 그룹으로 분류했습니다. 이러한 구체적인 빈틈을 식별함으로써, 시스템은 수사관들에게 단순히 막연한 "예/아니오" 답변을 주는 것이 아니라, 앞으로 나아가기 위해 무엇을 더 찾아야 하는지에 대한 명확한 그림을 제공했습니다.
연구의 핵심적인 부분은 시스템이 허구의 정보를 만들어내지 않도록 보장하는 것이었습니다. 대규모 언어 모델은 때때로 자신 있게 들리지만 사실이 아닌 정보를 생성하는 '환각(hallucination)' 문제를 일으킬 수 있습니다. 이를 방기하기 위해 연구진은 컴퓨터가 답변하기 전에 반드시 사건 파일 내의 실제 문서를 찾아보도록 강제하는 '검색 증강 생성(RAG)' 기술을 사용했습니다. 연구진은 또한 검색 결과를 메타데이터로 필터링하여, 시스템이 오직 분석 중인 특정 사건에 속하는 문서만을 보도록 개선했습니다. 이러한 결합을 통해 근거 없는 또는 잘못된 진술의 비율을 16% 이상에서 단 2%로 줄였습니다. 즉, 시스템이 일반적인 학습 데이터에 의존하는 대신 제공된 증거에 엄격하게 묶여 있음으로써 훨씬 더 신뢰할 수 있게 된 것입니다.
정확도와 신뢰성 외에도, 연구는 시스템이 얼마나 많은 시간을 절약했는지를 측정했습니다. 인간 수사관이 수동으로 사건 파일을 검토하여 완결성을 확인하고 누락된 부분을 식별하는 데는 평균 약 15.5분이 걸렸습니다. DOLPHIN의 도움을 받으면 그 시간은 사건당 약 4.4분으로 단축되었습니다. 이러한 속도 향상은 품질 저하를 동반하지 않았습니다. 시스템이 생성한 보고서는 수동 체크리스트보다 더 완전했으며, 증거 요약, 누락 항목 목록, 준비도 점수, 그리고 권장 다음 단계 등을 일관되게 포함했습니다. 시스템은 정보 정리라는 힘든 일을 처리할 수 있음을 입증하여, 인간 수사관이 행정적인 분류 작업이 아닌 실제 수사에 에너지를 집중할 수 있도록 해주었습니다.
연구진은 DOLPHIN이 최종적인 법적 결정을 내리거나 인간의 판단을 대체하는 도구가 아님을 강조했습니다. 이는 본격적인 포렌식 검사가 시작되기 전, 수사관들이 생각과 자료를 정리하는 것을 돕기 위한 지원 시스템으로 설계되었습니다. 본 연구는 표준 소비자용 노트북을 사용하여 시뮬레이션된 데이터를 바탕으로 수행되었으며, 이는 이러한 수준의 프라이버시 보호 지원이 값비싼 기업용 슈퍼컴퓨터를 필요로 하지 않음을 보여줍니다. 이 연구가 통제된 테스트에서는 큰 가능성을 보여주었지만, 저자는 향-후 실제 경찰 사건을 통해 성능을 검증할 필요가 있다고 언급했습니다. 실제 사건은 시뮬레이션보다 훨씬 더 복잡하고 모호하며 법적으로 민감할 수 있기 때문입니다. 현재로서는, 인공지능을 로컬에 두고 특정 문서에 기반하게 만드는 것이 프라이버시를 침해하지 않으면서 디지털 수사를 준비하는 강력한 방법이 될 수 있음을 이 연구는 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.