WAFGen: LLM Agents for IDS and Multi-Cloud WAF Rules Generation
이 논문은 주요 클라우드 제공업체를 위한 구문적으로 유효하고 비용 효율적인 IDS 및 WAF 규칙을 자동으로 생성하여, 수동 베이스라인 대비 AWS Web ACL 용량 비용을 크게 절감하면서 높은 정확도를 달성하는 멀티 LLM 미세 조정 파이프라인인 WAFGen을 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
디지털 세계는 단일 사무실 건물의 벽을 넘어 훨씬 더 멀리 확장되었습니다. 오늘날 중요한 서비스들은 클라우드에 존재하며, 서로 다른 기업들이 관리하는 광범위한 네트워크 전반에 흩어져 있습니다. 이러한 시스템을 안전하게 유지하기 위해 보안 팀은 방화벽과 침입 탐지 시스템이라는 디지털 경비원에게 의존합니다. 이 도구들은 클럽의 문지기처럼 모든 데이터가 들어오려고 할 시도를 검사합니다. 만약 방문객이 수상해 보이면, 경비원은 그들을 막아섭니다. 하지만 이를 수행하기 위해 경비원은 무엇을 찾아야 하는지에 대한 목록이 필요합니다. 보안 엔지니어들은 이 목록, 즉 '규칙(rules)'을 수동으로 작성해야 합니다. 그들은 새로운 위협에 대한 설명을 소프트웨어가 이해할 수 있는 복잡하고 기술적인 명령어로 번역합니다. 인터넷이 성장하고 위협이 더 빠르게 변화함에 따라, 이러한 규칙을 수동으로 작성하는 것은 느리고 비용이 많이 들며 오류가 발생하기 쉬운 작업이 되었습니다. 다양한 클라우드 플랫폼의 엄청난 양 때문에 엔지니어들은 종로 단 하나의 애플리케이션을 보호하기 위해서도 동일한 규칙을 세 가지 또는 네 가지의 서로 다른 언어로 다시 작성해야 하는 경우가 많습니다.
École de Technologie Supérieure와 Université du Québec à Trois-Rivières의 연구팀은 이 과정을 자동화하는 새로운 방법을 개발했습니다. 그들은 인공지능을 사용하여 보안 규칙을 자동으로 작성하는 WAFGen이라는 시스템을 만들었습니다. 인간에게 위협 설명을 코드로 번역하도록 요청하는 대신, 이 시스템은 위험에 대한 평이한 영어 설명을 입력받아 사용 중인 특정 클라우드 제공업체에 맞는 정확한 기술 규칙을 즉시 생성합니다. 연구진은 이 시스템을 아마zon 웹 서비스(AWS), 마이크로소프트 애저(Microsoft Azure), 클라우드플레어(Cloudflare)라는 세 가지 주요 클라우드 플랫폼과 두 가지 전통적인 네트워크 보안 프레임워크를 대상으로 테스트했습니다. 그들의 목표는 인공지능이 각 플랫폼의 독특한 '문법'을 충분히 학습하여 인간의 도움 없이도 유효하고 작동하는 규칙을 작성할 수 있는지 확인하는 것이었습니다.
연구진은 다섯 가지 대상 시스템의 보안 규칙 사례 수천 개를 포함하는 거대한 학습 라이브러리를 구축했습니다. 그들은 네 가지 서로 다른 AI 모델이 이러한 규칙의 패턴을 인식하도록 가르쳤습니다. AI가 단순히 예시를 암기하는 것이 아니라 진정으로 논리를 학습했는지 확인하기 위해, 그들은 두 가지 다른 학습 전략을 테스트했습니다. 한 가지 접근 방식에서는 각 특정 플랫폼에 대해 별도의 AI 모델을 훈련시켜 전문화가 더 나은 결과를 가져올 수 있는지 기대했습니다. 다른 접근 방식에서는 단일 AI 모델을 다섯 가지 플랫폼 모두에서 동시에 훈련시켜, 모델이 동시에 그 차이점을 학습하도록 강제했습니다. 그런 다음 그들은 새로운, 보지 못한 위협에 대해 규칙을 생성하도록 모델들에게 요청하고, 실제 클라우드 제공업체들이 그 규칙들을 수용하는지 확인함으로써 모델들을 시험에 부쳤습니다.
결과는 AI 모델들이 클라우드 제공업체들이 수용할 수 있는 규칙을 작성하는 데 매우 성공적임을 보여주었습니다. 모델들이 세 가지 주요 클라우드 플랫폼을 위한 규칙을 생성했을 때, 90퍼센트 이상이 구문적으로 정확하고 배포 준비가 된 상태였습니다. 가장 성능이 뛰어난 모델인 70억 개의 파라미터를 가진 시스템은 아마존 플랫폼에서 거의 96퍼센트, 마이크로소프트 플랫폼에서 90퍼센트 이상의 성공률을 달았습니다. 아마도 가장 놀라운 점은, 다섯 플랫폼 모두에서 동시에 훈련된 단일 모델이 하나의 플랫폼에 대해서만 훈련된 전문화된 모델만큼, 혹은 종종 그보다 더 잘 수행했다는 것입니다. 이는 AI에게 다양한 클라우드 언어 사이의 차이점을 이해하도록 가르치는 것이 오히려 실수를 유발하기보다 실수를 피하는 데 도움이 되었음을 시사합니다. 또한 시스템은 규칙을 단순하고 효율적으로 유지하는 법을 배웠습니다. 복잡한 규칙이 실행 비용을 높이는 아마존 환경에서, AI가 생성한 규칙은 표준 관리형 규칙 세트가 수백 단위를 사용하는 것에 비해 단지 10에서 25 단위 정도의 아주 적은 예산만을 사용했습니다.
이 연구는 인공지능에 대한 흔한 공포, 즉 AI가 가짜이거나 위험한 명령을 만들어낼 수도 있다는 점도 다루었습니다. 연구진은 시스템이 유효하지 않은 명령을 지어내는 경우가 드물다는 것을 발견했습니다. 오류가 발생했을 때는 대개 단순한 포맷팅 오류였으며, 이는 규칙이 실제로 사용되기 전에 간단한 점검을 통해 잡아낼 수 있는 수준이었습니다. 시스템은 SQL 인젝션과 같은 일반적인 웹 공격부터 더 복잡한 봇 기반 위협까지 다양한 위협을 처리할 수 있었습니다. 생성 과정에 비용 확인 단계를 직접 통합함으로써, 시스템은 보안 팀이 규칙을 배포하기도 전에 해당 규칙의 비용이 정확히 얼마인지 알 수 있게 해줍니다. 이러한 능력은 규칙 생성을 추측 게임에서 정밀하고 예산 중심적인 작업으로 바꿔 놓습니다.
이 시스템은 매우 효과적이지만, 연구진은 더 큰 AI 모델을 사용할 때 가장 잘 작동한다는 점을 언급했습니다. 더 작고 압축된 모델들은 여러 클라우드 언어를 동시에 배우도록 요청받았을 때 어려움을 겪었으며, 특정 플랫폼에 대해 유효한 규칙을 생성하는 데 실패하곤 했습니다. 그러나 여러 클라우드를 가로질러 시스템을 보호해야 하는 조직에게는 다중 플랫폼 접근 방식이 가장 신뢰할 수 있는 방법임이 입증되었습니다. 이 연구는 인공지능이 이제 현대 클라우드 인프라에 필요한 특정 기술 언어로 인간의 보안 요구 사항을 번nel하는 복잡하고 지루한 작업을 처리할 수 있음을 보여줍니다. 이것은 보안 엔지니어를 대체하는 것이 아니라, 기계가 규칙 생성을 위한 힘든 작업을 처리하도록 함으로써 엔지니어가 수동 코딩의 번거로움에서 벗어나 전략과 분석에 집중할 수 있도록 자유를 주는 것입니다. 이 시스템의 코드와 데이터는 이제 다른 사람들이 사용하고 개선할 수 있도록 공개되어 있으며, 이는 더욱 민첩하고 비용 효율적인 클라우드 보안을 향한 중요한 진전입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.