A ModernBERT-Based Web Application Firewall for Multi-Class HTTP Attack Detection

인터넷은 디지털 대화가 이루어지는 거대한 네트워크이며, 웹 애플리케이션은 온라인 뱅킹에서 소셜 미디어에 이르기까지 모든 것의 관문 역할을 합니다. 이러한 관문을 안전하게 지키기 위해 웹 애플리케이션 방화벽(WAF)이라 불리는 보안 시스템이 파수꾼처럼 서서 들어오려는 모든 메시지를 검사합니다. 수십 년 동안 이 경비원들은 들어오는 메시지를 알려진 악성 패턴 목록과 대조하는 단순한 방식에 의존해 왔습니다. 이는 마치 입구에서 보안 요원이 사진이 부착된 신분증을 대조하며 방문객 명단을 확인하는 것과 같습니다. 이 방식은 익숙한 위협에는 효과적이지만, 공격자가 복잡한 기술로 악성 코드를 위장하거나 완전히 새로운 침입 방식을 고안해 낼 때는 어려움을 겪습니다. 최근 몇 년 동안 과학자들은 인공지능을 활용하여 이 경비원들이 무해한 요청과 위험한 요청 사이의 미묘한 차이를 학습하도록 도와, 규칙 목록으로는 예측할 수 없는 위협까지 포착하기를 희망하고 있습니다. 그러나 한 새로운 연구는 이 AI 시스템을 가르치기 위해 설계된 도구 자체가 비밀스러운 결함을 숨기고 있었음을 밝혀냈으며, 이는 연구자들이 그 '지능'이 실제로 얼마나 진짜였는지에 대해 의구심을 갖게 만들었습니다.

인도 스리 크리슈나 공학 기술 대학교(Sri Krishna College of Engineering and Technology)의 연구팀은 더 똑똑한 방화벽을 구축하기 위해 나섰지만, 그 이전에 이전 실험 결과들을 왜곡해 온 퍼즐을 먼저 해결해야 했습니다. 그들은 먼저 많은 이들이 SQL 인젝션, 크로스 사이트 스크립팅(XSS), 커맨드 인젝션과 같은 일반적인 공격을 탐지하는 AI 모델을 훈련시키기 위해 사용해 온 약 20만 개의 라벨링된 웹 요청 모음인 방대한 데이터셋을 조사했습니다. 이것들은 공격자가 데이터를 훔치거나, 사용자 세션을 탈취하거나, 서버를 제어하려고 시도하는 특정 유형의 디지털 침입들입니다. 연구팀이 데이터를 깊이 파고들었을 때, 그들은 놀라운 지름길을 발견했습니다. 요청이 공격인지 안전한지 나타내는 라벨이 메시지의 실제 내용에 의해 결정되는 것이 아니라, 메시지가 전송된 주소에 의해 결정되었던 것입니다. 이 데이터셋에서는 메시지가 로그인 페이지로 전송되면 거의 항상 공격으로 라벨링되었고, 파일 업로드 페이지로 전송된 메시지는 거의 항상 안전한 것으로 라벨링되었습니다. 이 데이터로 훈련된 AI 모델은 위험한 코드를 인식하는 법을 배운 것이 아니라, 단순히 어떤 웹 페이지가 문제와 연관되어 있는지를 암기하고 있었던 것입니다. 이는 '라벨 누출(label leakage)'이라고 알려진 속임수입니다.

이를 해결하기 위해 연구진은 AI가 메시지의 내용 자체만을 보도록 주소 정보를 제거하는 새로운 데이터 준비 방식을 개발했습니다. 또한 공격자들이 명령을 숨기기 위해 사용하는 텍ка스트의 숨겨진 층을 해독하는 단계도 추가하여, AI가 요청의 진정한 본질을 볼 수 있도록 보장했습니다. 이렇게 정제된 데이터를 바탕으로, 연구진은 문맥과 뉘앙스를 이해하도록 설계된 인공지능의 일종인 현대적 언어 모델을 훈련시켜 새로운 방화벽 역할을 맡겼습니다. 짧은 텍스트 조각만을 읽을 수 있었던 기존 모델과 달리, 이 새로운 시스템은 중요한 세부 사항을 놓치지 않으면서 더 길고 복잡한 메시지를 처리할 수 있었습니다. 연구진은 이후 그룹 층화 분할(group stratified splitting)을 통해 주소 기반의 지름길이 남지 않도록 생성한 19,896개의 누출 없는 테스트 세트로 이 새로운 시스템을 테스트했습니다.

결과는 놀라웠습니다. 새로운 방화벽은 검사한 거의 모든 메시지의 성격을 정확히 식별하여 99.74%의 정확도를 달anim했습니다. 이 시스템은 SQL 인젝션, 크로스 사이트 스크립팅, 커맨드 인젝션과 같은 위험한 공격을 무해한 트래픽과 성공적으로 구별해 냈으며, 이는 전통적인 방식보다 훨씬 높은 정밀도를 보여주었습니다. 더욱 인상적인 것은 속도였습니다. 이 시스템은 단 12밀리초 만에 단 하나의 웹 요청을 분석할 수 있었으며, 이는 웹사이트의 속도를 늦추지 않고도 실시간 웹사이트를 보호할 수 있을 만큼 빠른 속도였습니다. 또한 연구는 연구진이 주소 기반의 지름길을 제거했을 때 기존의 머신러닝 모델들의 성능이 크게 떨어졌음을 보여주었으며, 이는 그들이 동일한 결함이 있는 패턴에 의존해 왔음을 증명했습니다. 반면, 새로운 시스템은 높은 정확도를 유지함으로써, 단순히 목적지를 보고 추측하는 것이 아니라 공격의 구조를 진정으로 학습했음을 입증했습니다.

이 연구는 단순히 보안 도구를 개선하는 것을 넘어, 과학자들이 웹 애플리케이션의 안전성을 평가하는 방식을 변화시킵니다. 이전의 높은 점수들이 진정한 지능이 아닌 데이터의 결함 때문이었음을 증명함으로써, 연구진은 테스트를 위한 더 엄격한 새로운 기준을 세웠습니다. 그들은 AI가 진정으로 신뢰받기 위해서는 메시지가 어디로 가는지에 대한 문맥을 무시하고, 메시지가 실제로 무엇을 말하고 있는지에 온전히 집중하도록 훈련되어야 함을 보여주었습니다. 연구팀은 이미 이 시스템의 작동 가능한 프로토타입을 구축했으며, 빠른 규칙 기반 체크와 딥러닝 모델을 결합하여 현대 웹의 복잡하고 진화하는 위협을 처리할 수 있는 하이브리드 방어 체계를 만들었습니다. 그들의 연구 결과는 웹 보안의 미래가 더 큰 규칙 목록이 아니라, 시작부터 올바른 교훈을 얻도록 교육된, 디지털 공격의 미묘하고 변화하는 언어를 이해할 수 있는 시스템에 달려 있음을 시사합니다.