💻 computer science

A Hybrid Two-Tier Continuous Authentication Framework with a Security-First Calibration Strategy for Zero-Trust Web Deployments

본 논문은 프록시 모델을 실제 ARIMA, LCS, SVM 및 JRip 알고리즘으로 대체하고, 표준적인 정적 임계값과 비교하여 재현율을 유의미하게 향상시키고 공격자 우회율을 낮추기 위해 보안 우선 보정 전략을 도입한 제로 트러스트 웹 배포를 위한 하이브리드 2단계 연속 인증 프레임워크인 ALJ를 제시한다.

원저자: Nabil El Kadhi

게시일 2026-09-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nabil El Kadhi

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

디지털 세상에서 비밀번호는 구식 열쇠와 같습니다. 수십 년 동안 비밀번호는 우리가 은행, 병원 기록, 또는 정부 포털에 로그인할 때 우리의 신원을 증명하는 주요 수단이었습니다. 하지만 비밀번호는 정적인 것입니다. 일단 도난당하면 방패로서의 기능을 상실합니다. 올바른 코드를 가진 도둑은 정문을 통해 바로 걸어 들어올 수 있습니다. 이를 해결하기 위해 보안 전문가들은 "제로 트러스트(Zero Trust)"라고 불리는 철학으로 눈을 돌렸습니다. 그 개념은 간단합니다. 아무도 믿지 마십시오. 방금 올바른 비밀번호를 입력한 사람이라 할지라도 말입니다. 대신, 그 사람이 내부에 머무는 내내 신원을 계속 확인해야 합니다. 여기서 '지속적 인증(continuous authentication)'이 등장합니다. 이는 단순히 시작 단계에서 "당신은 누구입니까?"라고 묻는 것에 그치지 않고, 사용자가 작업하는 동안의 행동을 관찰합니다. 사용자의 타이핑 리듬, 클릭 속도, 그리고 고유한 움직임 패턴을 살핍니다. 만약 리듬이 변한다면, 시스템은 설령 올바른 비밀번호를 가지고 있더라도 키보드 앞에 있는 사람이 사칭꾼일 수 있다고 가정합니다.

연구자 나빌 엘 카디(Nabil El Kadhi)의 새로운 연구는 웹 애플리케이션을 위한 이러한 종류의 끊임 없는 감시 체계를 구축하는 방법을 탐구합니다. 목표는 실제 사용자를 번거롭게 하지 않으면서 실시간으로 도둑을 찾아낼 수 있는 시스템을 만드는 것이었습니다. 연구자는 2단계 보안 프레임워크를 구축했습니다. 첫 번째 단계는 빠른 필터 역할을 하며, 사용자의 타이핑 습관을 확인하기 위해 두 가지 다른 방법을 사용합니다. 한 가지 방법은 키스트로크 사이의 시간 간격을 측정하여 사용자의 이력을 바탕으로 다음 휴지기가 언제일지를 예측합니다. 다른 한 가지 방법은 타이핑 속도의 시퀀스를 특정 사용자가 평소에 타이핑하는 방식이 담긴 템플릿과 비교합니다. 현재의 타이핑이 이력과 잘 일치하면 사용자는 즉시 통과됩니다. 만약 타이핑이 모호하거나 의심스러우면, 세션은 더 상세한 두 번째 단계로 전송됩니다. 이 두 번째 단계는 두 가지 강력한 도구가 함께 작동합니다. 하나는 공격의 확률을 계산하는 통계 엔진이고, 다른 하나는 결정이 내려진 이유에 대해 명확하고 인간이 읽을 수 있는 설명을 생성하는 규칙 기반 시스템입니다. 이 결합을 통해 시스템은 정확하면서도 이해 가능해지며, 보안 팀에게 모든 경보에 대한 근거를 제공합니다.

연구는 연구의 전체 방향을 바꾼 중대한 발견으로부터 시작되었습니다. 연구팀은 이전에 단순화된 시뮬레이션 버전의 타이핑 데이터를 사용하여 시스템을 테스트했었습니다. 그러나 시뮬레이션 대신 51명의 사람들이 고정된 비밀번호를 입력한 대규모 공개 데이터셋의 실제적이고 복잡한 데이터로 교체했을 때, 숨겨진 결함이 나타났습니다. 고정된 기준으로 설정되었던 시스템의 첫 번째 필터가 갑자기 너무 느슨해진 것입니다. 실제 데이터가 시뮬레이션보다 더 많은 정보를 담고 있었기 때문에, 필터는 수많은 가짜 세션을 그대로 통과시켜 버렸습니다. 구체적으로, 약 30%의 공격자 세션이 두 번째 단계를 완전히 우회하여 시스템을 감지되지 않은 채 빠져나갔습니다. 연구자들은 단순하고 노이즈가 섞인 신호에는 효과적이었던 임계값이 강하고 명확한 신호를 마주했을 때는 완전히 실패한다는 사실을 깨달았습니다. 이는 매우 중요한 교훈이었습니다. 보안 시스템 내부의 도구를 업그레이드하는 것이 기존 도구에 맞춰 조정된 설정을 망가뜨릴 수 있다는 점입니다.

이를 해결하기 위해 연구자들은 규칙을 설정하는 방식을 재고해야 했습니다. 그들은 도둑을 잡는 것과 실제 사용자를 번거롭게 하지 않는 것 사이의 "최적"의 균형을 찾기 위해 흔히 사용되는 표준 수학적 접근 방식을 시도했습니다. 그러나 이 표준적인 접근 방식은 문제를 더 악화시켜, 공격자를 잡아내는 시스템의 능력을 53%에서 46%로 떨어뜨렸습니다. 그 이유는 표준 방식이 도둑을 놓치는 것과 실제 사용자를 번거롭게 하는 것을 똑같이 나쁜 실수로 취급했기 때문입니다. 보안 우선의 세계에서는 도둑을 놓치는 것이 훨씬 더 위험합니다. 연구자들은 새로운 전략을 적용했습니다. 그들은 첫 번째 필터를 훨씬 더 엄격하게 강제하여, 공격자가 빠져나가는 비율이 3%를 넘지 않도록 했습니다. 이는 더 많은 세션, 즉 일부 실제 사용자까지도 더 면밀한 조사를 위해 더 비용이 많이 드는 두 번째 단계로 넘어가야 함을 의미했습니다.

엄격한 접근 방식의 결과로, 시스템은 마침내 의도한 대로 작동했습니다. 첫 번째 단계에서 더 많은 오경보를 수용함으로써 공격자가 통과하지 못하도록 보장함으로써, 전체 시스템은 침입자의 70%를 잡아냈습니다. 이는 초기 실패에 비해 큰 개선이었습니다. 시스템 또한 높은 수준의 정확도를 유지하며 대부분의 정당한 사용자를 올바르게 식 \text{식별했습니다. 비록 더 많은 실제 사용자를 추가 점검 대상으로 분류하긴 했지만 말입니다.} 연구는 통계 엔진과 규칙 기반 설명의 결합이 두 도구를 각각 단독으로 사용할 때보다 훨씬 더 낫다는 것을 확인해주었습니다. 연구자들은 또한 사용자가 익숙한 기기를 사용하는지 확인하는 잠재적인 업그레이드 기능도 테스트했는데, 이는 시뮬레이션에서 보안을 더욱 향상시켰으나, 이 부분은 여전히 실제 환경에서의 테스트가 필요합니다.

논문은 이러한 시스템을 구축하는 모든 이들에게 명확한 메시지를 전달하며 결론을 맺습니다. 단순히 강력한 도구를 갖추는 것만으로는 충분하지 않습니다. 그 도구를 제어하는 설정은 구체적인 위험에 맞춰 세심하게 조정되어야 합니다. 약하고 노이즈가 섞인 신호에 적합한 설정은 신호가 강하고 명확해지면 실패할 것입니다. 연구자들은 보안을 편의성보다 우선시하고, 공격자를 놓치는 데 따르는 구체적인 비용을 이해함으로써, 견고하면서도 실용적인 시스템을 구축할 수 있음을 보여주었습니다. 이 연구는 온라인 보안 문제를 영원히 해결했다고 주장하는 것이 아니라, 시뮬레이션 속에서만 작동하는 것이 아니라 실제 세상에서 실제로 작동하는 지속적 인증을 구축하는 방법에 대한 명확하고 검증된 경로를 제시합니다. 연구 결과는 안전한 웹 접속의 미래가 끊임없이 관찰하고, 끊임없이 학습하며, 정체성을 훔치려는 자들보다 한 발 앞서 나가기 위해 끊임없이 규칙을 조정하는 시스템에 달려 있음을 시사합니다.

기술 요약: 보안 우선 교정 전략을 적용한 하이브리드 2계층 지속 인증 프레임워크

문제 정의
비밀번호 기반 인증은 특히 공격자가 유효한 자격 증명을 사용하여 사용자를 사칭하는 도용된 비밀번호 공격(Stolen Password Attacks, SPA)에 취약한 핵심적인 결함으로 남아 있다. 다요소 인증(MFA)은 초기 로그인 단계는 해결하지만, 인증 후의 사용자 행동을 모니터링하지 않기 때문에 세션 중 발생하는 비인가 활동을 탐지하는 데는 실패한다. 제로 트러스트 아키텍처(Zero Trust Architecture, ZTA)는 "결코 신뢰하지 말고, 항상 검증하라"를 제안하며, 신원과 행동에 대한 지속적인 재검증을 요구한다. 그러나 많은 웹 애플리케이션은 실질적인 지속 인증 메커니즘이 부족한 실정이다. 기존의 AI 기반 접근 방식은 종종 하드웨어 센서에 의존하여(배포 비용 증가) 또는 결정 로직의 구조적 결함을 은폐할 수 있는 방법론적 대리 모델(시뮬레이션)을 사용하여 분석한다. 또한, 표준 임계값 교정 방법은 보안 우선 환경에서 적절하지 않은 가정을 전제로 한다. 즉, 오탐(False Positives)과 미탐(False Negatives)의 비용이 대칭적이라고 가정하는데, 이는 공격자를 놓치는 것이 정당한 사용자를 불편하게 하는 것보다 훨씬 더 큰 비용을 초래하는 보안 환경의 현실을 반영하지 못한다.

방법론: ALJ 프레임워크
본 논문은 웹 애플리케이션을 위해 설계된 2계층 지속 인증 프레임워크인 ALJ를 제안한다. 이는 행동 생체 인식(키스트로크 역학)과 하이브리드 결정 엔진을 통합한다.

1계층: 통계적 필터링 (ARIMA + LCS)
- 등록: 사용자의 역사적 타이핑 데이터(비밀번호 길이, 문자 구성 및 타이밍)를 기반으로 사용자 프로필을 구축한다.
- 특징 추출: 키 간 지연 시간(inter-keystroke latencies)을 분석하여 세 가지 핵심 지표인 평균, 중앙값, 최빈값을 생성한다.
- 스코어링:
  - ARIMA(1,0,0): 세션의 첫 7개 키 간 타이밍에 시계열 모델을 적합시켜 다음 3개의 휴지(pause) 지속 시간을 예측한다. 이 예측값은 사용자의 역사적 신뢰 범위와 비교된다.
  - 최장 공통 부분 수열 (Longest Common Subsequence, LCS): 키스트로크 타이밍 코드 시퀀스를 사용자의 역사적 템플릿과 비교하여 유사도 계수를 계산한다.
- 결정: 합성 점수( $C1$ )가 도출된다. $C1$ 이 고정 임계값( $T$ )을 초과하면 세션을 정상으로 수용한다. $C1$ 이 임계값 미만이면 2계층으로 에스컬레이션한다.
2계층: 하이브리드 퓨전 (SVM + JRip)
- 목적: 1계층에서 확신 있게 분류할 수 없는 모호한 세션을 해결한다.
- 구성 요소:
  - 서포트 벡터 머신 (Support Vector Machine, SVM): RBF 커널을 사용하여 공격에 대한 고정밀도의 교정된 확률 추정치를 제공한다.
  - JRip (RIPPER): 인간이 읽을 수 있는 "if-then" 규칙을 생성하여 결정의 해석 가능성을 보장하는 규칙 기반 유도 알고리즘이다.
- 퓨전: 로지스틱 회귀 메타 분류기가 SVM 확률, JRip 규칙 신뢰도, 그리고 1계층 합성 점수를 융합하여 최종 결정을 내린다.
- 자동 안전장치: 프레임워크에는 학습 중에 SVM 출력과 규칙 신뢰도의 부호 규약(sign convention)을 확인하는 자동 점검 기능이 포함되어 있어, 모델이 공격자를 '정상'으로 잘못 예측하는 오류를 방지한다.

주요 기여 및 수정 사항
본 논문의 주요 기여는 단순히 프레임워크 설계에 있는 것이 아니라, 구성 요소에 대한 엄격한 검증과 방법론적 대리 모델을 실제 구현체로 교체함으로써 드러난 결정적인 교정 결함을 발견한 데 있다.

대리 모델의 교체: 이전 검증 단계에서는 ARIMA를 가우시안 노이즈로, JRip를 결정 트리 대리 모델로 대체하여 사용했다. 이번 개정에서는 실제 ARIMA(1,0,0) 모델(조건부 최소 제곱법을 통해 적합)과 실제 RIPPER 모델(wittgenstein 라이브러리 사용)을 구현하였다.
임계값 미교정의 발견: 대리 모델을 실제 모델로 교체한 결과, 이전에 사용된 고정 60% 1계층 임계값이 시뮬레이션의 노이즈에 맞춰 교정되어 있었음이 드러났다. 실제의 더 변별력 있는 ARIMA/LCS 신호에 적용했을 때, 이 임계값은 **공격자 세션의 29.1%**가 2계층을 통과하도록 허용하여 시스템의 재현율(Recall)을 53.1%로 제한했다.
표준 교정의 실패: 저자는 Youden's J 통계량( $TPR - FPR$ 을 최대화)을 사용하는 "데이터 기반 결정 노드"를 테스트했다. 이 방식은 정확도를 높였으나, 오탐과 미탐을 대칭적 비용으로 처리하기 때문에 재현율을 45.8%로 감소시켰다. 이는 1계층에서의 공격자 유출이 영구적인 침해를 의미하는 보안 현실을 간과한 것이다.
보안 우선 교정 전략: 저자는 새로운 교정 규칙을 제안한다:
1. 공격자 유출을 $\le 3.3\%$ 로 엄격히 제한하도록 1계층 임계값( $T$ )을 설정한다 ( $T=75$ 에서 달성).
2. 정밀도(Precision)보다 재현율(Recall)에 두 배의 가중치를 두는 F2-score를 사용하여 2계층 퓨전 임계값( $\tau$ )을 최적화한다.
3. 확장된 데이터셋을 바탕으로 모델을 재학습한다.

결과
프레임워크는 CMU Keystroke Dynamics Benchmark Dataset(12,240 세션, 51명 사용자, 16.7% 공격자 비율)을 사용하여 표준 Killourhy & Maxion 프로토콜에 따라 검증되었다.

보안 우선 구성의 성능:
- 재현율 (Recall): 53.1%의 베이스라인과 45.8%의 Youден-최적화 결과보다 크게 개선된 70.4% (95% CI: 68.4%–72.4%)를 회복했다.
- 정밀도 (Precision): 40.5% (공격자를 잡기 위해 더 많은 오탐을 수용하는 트레이드오프를 반영함).
- 정확도 (Accuracy): 77.8%.
- AUC (2계층 에스컬레이션 풀): 0.879.
- 오탐률 (False Acceptance Rate, FAR): 20.73% (공격적인 재현율 최적화로 인한 결과).
통계적 유의성: 융합된 SVM-JRip 분류기는 McNemar's test 결과 $p < 0.001$ 로 개별 구성 요소(SVM 단독 및 JRip 단독)보다 유의미하게 우수한 성능을 보였다.
트레이드오프: 본 논문은 단일한 '최적의 지점'은 존재하지 않으며, 조직이 사용자 경험(적은 오탐)을 우선시하느냐 보안(모든 공격자 포착)을 우선시하느냐에 따라 선택이 달라짐을 보여주기 위해 세 가지 운영 지점(고정 임계값, 학습된 결정 노드, 재현율 제한형)을 명시적으로 제시한다.

의의 및 주장
본 논문은 대리 구성 요소를 실제 모델로 업그레이드할 때, 대리 모델의 약점에 맞춰 암묵적으로 조정되었던 임계값이 조용히 깨질 수 있음을 입증한 것이 가장 견고한 기여라고 주장한다. 또한, 보안이 중요한 시스템에서 표준 교정 휴리스틱(예: Youden's J)은 불충분하다고 주장한다.

저자는 99% 이상의 정확도를 주장하는 일부 문헌과 비교하여 자신의 결과가 겸손하다고 강조하며, 그러한 연구들은 대개 폐쇄형 프로토콜(closed-set protocols)이나 균형 잡힌 데이터셋을 사용한다고 지적한다. ALJ는 현실적이고 불균형한 위협 모델과 1계층 실패가 영구적인 것으로 간주되는 엄격한 "하드 게이트(hard gate)" 프로토목 하에서 작동한다. 결론적으로, 견고한 제로 트러스트 보안을 유지하려면 정적인 비용 무관 휴리스틱이 아닌 동적이고 위험 민감한 임계값 교정이 필요하다.

한계점

데이터 소스: 검증에 물리적 QWERTY 키보드 데이터셋을 사용하였다. 브라우저 기반 타이밍(JavaScript) 및 모바일 터치스크린에 대한 검증은 아직 이루어지지 않았다.
적대적 모방 (Adversarial Mimicry): 공격자는 타겟의 리듬을 능동적으로 모방하려는 적대자가 아닌, 교차 사용자 임포스터(cross-user impostors)를 통해 시뮬레이션되었다.
지연 시간 (Latency): 실제 웹 클라이언트에서의 엔드 투 엔드 결정 지연 시간은 측정되지 않았다.
장치 신뢰 (Device Trust): 제안된 장치 신뢰 확장 기능은 실제 다중 장치 데이터가 아닌 시뮬레이션을 통해서만 평가되었다.

기술 요약: 보안 우선 교정 전략을 적용한 하이브리드 2계층 지속 인증 프레임워크

유사한 논문