Attack-Path-Aware Enterprise Risk Quantification for Cloud-Native Financial Data Platforms Using AI and Cybersecurity Graphs
이 논문은 사이버 보안 그래프와 FAIR 모델링을 사용하여 취약점 관리와 재무적 영향 분석을 통합함으로써 제어 선택을 최적화하고, 기존의 심각도 기반 방식 대비 예상 연간 손실을 85% 감소시킴을 입증하는, 클라우드 네이티브 금융 플랫폼을 위한 AI 기반의 공격 경로 인지적 리스크 정량화 프레임워크를 제안한다.
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
금융업계의 고위험 환경에서 돈과 개인 데이터를 보호하는 것은 언제나 두 가지 측면을 가진 게임이었습니다. 한쪽에서는 보안 팀이 자동화된 스캐너를 사용하여 컴퓨터 시스템의 약점을 찾아내고, 이를 서류상으로 얼마나 위험해 보이는지에 따라 순위를 매깁니다. 다른 한쪽에서는 리스크 관리자들이 해커가 성공했을 때 은행이 입을 수 있는 손실액을 추정하려고 노력하며, 종종 대략적인 추정치와 색상이 들어간 차트에 의존합니다. 수십 년 동안 이 두 집단은 같은 언어를 사용하지 못한 채 평행하게 작업해 왔습니다. 스캐너는 어떤 단일 구멍이 가장 큰지를 알려주는 반면, 리스크 관리자들은 전체적인 재무적 피해를 걱정합니다. 하지만 데이터가 복잡한 클라우드 네트워크를 통해 흐르는 현대 금융업에서, 단 하나의 큰 구멍이 실제 문제는 아닙니다. 대신, 해커는 보통 일련의 작고 겉보기에 무해해 보이는 단계들을 사슬처럼 엮어서 성공합니다. 예를 들어, 열린 문으로 걸어 들어가고, 신뢰하는 친구로부터 열쇠를 빌린 다음, 금고로 몰래 들어가는 것과 같습니다. 이제 중요한 질문은 단순히 어떤 구멍이 가장 큰가가 아니라, 어떤 작은 단계들의 사슬이 실제로 가장 가치 있는 보물로 이어지는가 하는 것입니다.
데이터 아키텍트 고피나탄 라티나벨루(Gopinathan Rathinavelu)의 새로운 연구는 이 두 세계를 마침내 연결할 방법을 제안합니다. 이 연구는 단순히 고립된 약점을 보는 것이 아니라, 공격자가 취할 수 있는 전체 여정을 지도화하는 시스템을 소개합니다. 은행의 클라우드 네트워크에 대한 디지털 지도를 구축함으로써, 이 시스템은 공격자가 한 지점에서 다른 지점으로 어떻게 이동할 수 있는지 추적하고, 각 단계에 알려진 해킹 동작을 태그로 붙입니다. 그런 다음 이 지도를 사용하여 침해가 가장 민감한 데이터, 즉 '핵심 자산(crown jewels)'에 도달할 실제 확률을 계산하고, 그 확률을 구체적인 잠재적 손실액 범위로 변환합니다. 목표는 은행이 가장 눈에 띄는 결함을 고치는 데 그치지 않고, 가장 위험한 경로를 차단하기 위해 한정된 보안 예산을 어디에 지출할지 결정하도록 돕는 것입니다.
연구진은 이 시스템이 거래를 처리하고 인공지능 모델을 실행하는 데 사용되는 현대적인 은행의 복잡한 클라우드 기반 데이터 플랫폼에서 작동하도록 구축했습니다. 이러한 플랫폼은 방대하고 서로 연결되어 있어, 제3자 벤더 연결과 같은 한 영역의 약점이 어떻게 메인 데이터 웨어하우스의 침해로 이어질 수 있는지 파악하기 어렵습니다. 새로운 아키텍처는 먼저 은행의 보안 태세, ID 권한 및 시스템 구성에 대한 실시간 정보를 수집하는 것으로 시작합니다. 그런 다음 자산을 노드로 하고 그 사이의 선을 공격자가 할 수 있는 가능한 이동으로 나타내는 유향 그래프(directed graph), 즉 일종의 지도를 생성합니다. 각 선에는 특정 해킹 전술이 태그되어, 침입이 어떻게 전개될 수 있는지에 대한 명확하고 감사 가능한 흔적을 만들어냅니다.
이 지도를 이해하기 위해, 시스템은 각 단계의 성공 가능성을 추정하기 위해 특화된 형태의 인공지능을 사용합니다. 이는 결과가 투명하고 이해 가능하도록 신중하게 수행됩니다. 데이터가 충분한 곳에서는 머신러닝 모델이 전이 가능성을 점수화하고, 데이터가 부족한 곳에서는 더 단순하고 투명한 계산이나 전문가의 판단에 의존합니다. 또한 시스템은 비정형 문서(예: 정책 텍스트)를 지도의 구조로 정리하기 위해서만 언어 모델을 사용하며, 이는 반드시 인간 전문가의 검증을 거친 후에만 이루어집니다. 이는 핵심적인 리스크 계산 뒤의 수학적 근거가 검사 가능하고 신뢰할 수 있도록 하여, 컴퓨터가 어떻게 결론에 도달했는지 알 수 없는 '블랙박스' 문제를 방지합니다.
지도가 구축되고 각 단계의 가능성이 점수화되면, 시스템은 공격자가 핵심 자산에 도달하는 빈도를 확인하기 위해 수천 번의 시뮬레이션을 실행합니다. 단일 숫자를 제공하는 대신, 예상 연간 손실의 분포를 생성하여 가장 가능성 높은 결과와 최악의 시나리오를 모두 보여줍니다. 이 접근 방식은 리스크 위원회가 단순한 평균치가 놓칠 수 있는 희귀하지만 파괴적인 사건들의 '롱 테일(long tail)'을 포함하여, 자신들의 재무적 노출에 대한 전체 그림을 볼 수 있게 해줍니다. 마지막 퍼즐 조각은 가용 보안 통제 항목과 그 비용을 살펴보는 옵티마이저(optimizer)입니다. 이는 어떤 특정 통제 항목을 추가했을 때 기대 재무 손실을 가장 많이 줄일 수 있는지 계산합니다. 즉, 이 시스템은 개별 약점이 얼마나 심각해 보이는가가 아니라, 공격자의 경로를 얼마나 효과적으로 끊어내느냐에 따라 우선순위를 정해 수정을 제안합니다.
연구진은 전형적인 금융 기관을 모방한 시뮬레이션된 클라우드 데이터 플랫폼에서 이 방법을 테스트했습니다. 그들은 13개의 서로 다른 자산 상태와 18개의 가능한 공격 단계를 가진 시나리오를 만들고, 각 단계에 현실적인 비용과 잠재적 손실을 할당했습니다. 이 시뮬레이션에서 시스템은 은행의 가장 가치 있는 데이터로 향하는 가장 위험한 경로가 가장 눈에 띄는 고위도 취약점에서 오는 것이 아님을 식려냈습니다. 대신, 가장 큰 리스크는 제3자 벤더 통합과 관련된 단계들의 사슬에서 발생했습니다. 이 경로의 개별 약점들은 중간 정도의 심각도 점수를 가졌지만, 서로 연결되었을 때 핵심 자산으로 가는 높은 확률의 경로를 제공했습니다.
연구진이 단순히 점수가 높은 취약점을 먼저 해결하는 전통적인 방식과 이 새로운 방식을 비교했을 때, 재무적 보호 측면에서의 차이는 극명했습니다. 30만 달러의 고정 예산을 사용할 때, 전통적인 심각도 기반 방식은 예상 연간 손실을 약 41% 감소시켰습니다. 반면, 핵심 자산으로 이어지는 특정 사슬을 끊는 데 집중한 새로운 경로 인식 방식은 예상 손실을 85% 감소시켰습니다. 시스템은 가장 높은 등급의 결함을 패치하는 것보다 제3자 벤더를 격리하고 비밀 정보를 교체하는 것에 비용을 쓰는 것이 훨씬 더 가치 있다는 것을 정확히 식별해 냈습니다. 이는 해당 결함이 핵심 데이터로 가는 덜 가능성 있는 경로에 위치해 있었기 때문입니다.
연구는 이 접근 방식이 기술적인 보안 결과와 재무적 리스크 관리를 연결함으로써 은행에 강력한 의사결정 지원 도구를 제공한다고 결 결론짓습니다. 이 방식은 인간의 판단을 대체하거나 자율적으로 행동하는 것이 아니라, 왜 특정 통제 항목이 우선시되어야 하는지에 대한 명확하고 데이터에 기반한 논거를 제공합니다. 리스크를 목록이 아닌 여정으로 취급함으로써, 이 방법은 조직이 가장 위험한 위협은 눈에 띄는 것이 아니라 점들을 연결하는 것임을 이해하도록 돕습니다. 여기에 제시된 결과는 합성 시뮬레이션에 기반하고 있지만, 프레임워크는 실제 데이터에 대해 검증될 수 있도록 설계되어 있으며, 점점 더 복잡해지는 디지털 세계에서 더욱 정밀하고 효과적인 재무 리스크 관리를 향한 길을 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.