공격 비용의 신화와 현실

저렴한 지능 시대에도 비용이 여전히 중요한 이유

2주 전 Anthropic은 Project Glasswing을 발표하고, Microsoft, Google, CrowdStrike를 포함한 소수의 런치 파트너와 약 40개의 다른 핵심 인프라 조직에, Claude Mythos Preview라는 이름의 모델에 대한 초기 액세스를 제공했습니다. Anthropic은 Mythos를 공개적으로 배포하기에는 너무 위험하다고 말했습니다. 발표에 앞서 이어진 몇 주 동안, 이미 모든 주요 운영 체제와 브라우저 전반에서 수천 건의 제로데이 취약점이 모습을 드러냈는데, OpenBSD의 27년 된 버그도 그중 하나였습니다.¹ 시장은 실존적 소식에 시장이 반응하는 방식 그대로 반응했습니다. 전통적인 보안 도구의 작업이 ‘AI 규모’의 취약점 탐지로 상용화(commoditize)되어 버릴 것이라는 우려로, 주요 사이버보안 업체들의 주가는 최대 10%까지 하락했습니다.² 같은 날 재무장관 Bessent와 연준 의장 Powell은 미국 최대 은행들의 CEO들을 한 방으로 불러 그 문제에 대해 이야기했습니다.³

그렇다면: Mythos는 사이버보안 산업의 종말일까요, 아니면 새로운 산업의 시작일까요? 아니면 잘 실행된 Anthropic의 PR일까요? 제 생각엔 그 어느 것도 아닙니다. 왜 그런지 보려면, 20년 전으로 되돌아가 볼 필요가 있습니다.

방어에서 가장 오래된 아이디어

2000년대 중반 저는 General Electric의 보안 팀에서 일하며, 당시 미국에서 가장 큰 방위 산업 기반 공급업체 중 하나였던 곳을 방어하고 있었습니다. 우리는 한 가지 아이디어를 끊임없이 이야기했고, 그것이 우리가 하는 모든 일을 형성했습니다. 바로 우리를 공격하는 데 드는 비용을 높이는 것 말입니다.

그 아이디어는 한 세대의 방어자들에게 속해 있었습니다. 예를 들어 제 동료인 Richard Bejtlich와 David Bianco 같은 사람들이 있고, 제가 나중에 합류하게 될 Mandiant 팀도 마찬가지였죠. 이들은 완벽한 예방은 불가능하다고 주장하면서도, 공격을 너무 비싸게 만들어서 공격자가 포기하고 다른 곳으로 옮겨가게 할 수 있다면 방어는 여전히 이길 수 있는 게임이라고 보았습니다.⁴ Bianco의 고통의 피라미드⁵ 직관을 정식화했습니다. 예를 들어, 침해 징후 중 일부는 우회하는 데 드는 비용이 공격자에게 거의 없었습니다. 파일 해시(file hash)가 그런 경우인데, 단 1바이트만 바뀌어도 달라집니다. 반면 다른 것들은 공격자에게 큰 대가를 요구해, 도구를 다시 갖추거나(retool), 교육을 다시 하거나(retrain), 또는 인프라를 새로 구축(rebuild)하도록 강제합니다. 피라미드의 더 높은 곳까지 그들을 밀어 올릴수록, 공격은 더 고통스럽고(따라서 더 드물어지는) 형태가 되었습니다.

비용을 높이는 일은 여러 형태로 이루어졌다. 공격자들이 도구 세트를 교체할 수밖에 없도록 정확도가 높은 지표를 공개했다. 악성코드 계열을 노출해, 적대 세력이 새로 작성해야만 하게 했다. 명령 및 제어(command-and-control) 인프라를 태워 없애, 이를 다시 구축해야만 하게 했다. 가장 대표적인 사례는 Mandiant의 2013년 APT1 보고서였는데, 이 보고서가 중국의 국가 지원 단체를 너무나 공개적으로 지목하고 폭로한 탓에, 그들은 사실상 처음부터 다시 체계를 갖춰야 했다. 그 이후 수년 동안 APT1은 ‘경제학으로서의 방어’를 보여주는 교과서적인 사례로 꼽혔다.

전체 모델은 ‘빠르게 탐지하고, 잘 대응하며, 공격자가 다시 돌아오려면 대가를 치르게 만든다’는 것이었고, 그 바탕에는 한 가지 말로는 드러내지 않은 전제가 깔려 있었다. 바로 공격자의 작업이 느리고 인간에 의해 이루어진다는 가정이었다. 정찰(recon)은 몇 주가 걸렸다. 익스플로잇 개발은 몇 달이 걸렸다. 인프라 구축에는 돈과 숙련된 기술(트레이드크래프트)이 필요했다. 그중 무엇이든 더 비싸게 만들 수 있다면, 이기는 것이었다.

Mythos가 실제로 바꾸는 것

Mythos(그리고 솔직히 말해 지난 18개월 동안의 유능한 모든 모델)는 비용을 높이는 것과는 정반대로 작동한다. 비용을 바닥 아래로 떨어뜨린다. 대상 소프트웨어의 취약점을 분석하고, 웹 앱에서 검증되지 않은 입력값(unsanitized input)을 탐색하며, 명령 및 제어(command-and-control) 인프라를 구축하고, 피싱 유인물을 작성하는 것까지도: 공격자 생명주기의 모든 단계가, 이전에는 시간과 전문 인력이 필요했던 작업이었지만 이제는 모델 속도로 수행된다.

Mythos가 언론의 주목을 받고는 있지만, 보안 업체 Aisle은 Mythos의 대표(쇼케이스) 취약점들을 소형·저렴·오픈 웨이트(open-weights) 모델에 대해 시험했고, 기반 분석의 대부분이 반복 가능하다는 사실을 발견했다. Aisle이 테스트한 6개 모델 모두 3가지 테스트 중 최소 1개에서 ‘주력(플래그십) FreeBSD 익스플로잇’을 탐지했으며, 그중에는 매 약 100만 토큰당 5센트 정도의 비용으로 36억(3.6 billion) 파라미터를 가진 모델도 포함되어 있었다. 이들의 주장은 AI 기반 사이버보안 역량이 ‘불연속적(jagged)’이라는 것이다. 즉, 모델 크기에 따라 매끄럽게 확장되지 않으며, 진짜 해자(모트)는 모델 자체가 아니라 모델을 둘러싼 시스템과 전문성에 있다는 것이다.⁶Mythos는 전환점이라기보다는, 더 저렴한 모델 세대 전반에 걸쳐 전환이 이미 조용히 일어났다는 것을 확인해 준 것에 가깝다.

저는 이 현상이 데이터에서도 이제 나타나기 시작하는 것 같다고 봅니다. 2026년 Mandiant M-Trends 보고서는 2025년에 수행된 사고 대응 작업 50만 시간 이상을 바탕으로, 전 세계 평균(중앙값) 체류 시간이 11일에서 14일로 상승했다고 기록합니다. 이는 2015년의 146일에서 시작해 10년간 꾸준히 줄어들던 압축 흐름 속에서 처음으로 의미 있는 반등이 관측된 것입니다.⁷ 더 눈에 띄는 점은, 초기 접근 브로커가 환경을 손상시킨 뒤 2차 위협 행위자(보통 랜섬웨어 운영자)에게 넘겨주는 데 걸리는 중앙값 시간이 2022년 8시간을 넘기던 수준에서 2025년 22초로 급격히 붕괴했다는 사실입니다. 22초는 SOC 분석가가 경고를 읽고, 하물며 조치할 시간조차 부족합니다. 취약점 악용(Exploit)은 6년 연속 초기 침투의 주요 감염 경로로 남아 침입의 32%를 차지하며, 탐지를 회피하기 위해 실행 중간에 대규모 언어 모델을 질의하는 악성코드 계열인 PROMPTFLUX와 PROMPTSTEAL 같은 사례도 문서화했습니다. QUIETVAULT 자격 증명 탈취 악성코드는 손상된 머신을 스캔해 로컬 AI 도구를 찾아, 소유자를 상대로 사용하기도 합니다. Mandiant의 관점에서 중요한 점은, 이 모든 것의 원인을 AI로만 돌리지는 않는다는 것입니다. 그들은 대부분의 침해가 여전히 AI의 역량이 아니라 인간의 실패와 시스템적 실패에서 비롯된다고 명확히 말합니다. 하지만 타락(침해) 비용이 계속 낮아지는 가운데, 추세선은 이제 움직이기 시작하고 있습니다.

이 모델들은 18개월 동안 널리 사용 가능했지만, 공격자는 인간 조직입니다. 그들은 인간의 시간표에 맞춰 적응합니다. 플레이북은 다시 작성되어야 하고, 전술은 검증되어야 하며, 운영자는 교육받아야 합니다. 앞으로 몇 년이, 지난 18개월이 아니라, 성숙한 적이 이러한 도구를 완전히 내재화했을 때 어떤 일이 벌어지는지 우리가 보게 될 시기입니다.

방어자들도 이러한 도구를 사용할 수 있고, 실제로 사용합니다. 낙관적인 해석에 따르면 방어자가 오히려 유리합니다. 방어자는 자신의 환경, 텔емetry(관측 데이터), 기준선(baselines)을 직접 소유하고, 알려진 양호한 상태에 대해 모델을 지속적으로 실행할 수 있기 때문입니다. 이것이 사실이며, 그래서 저는 Mythos가 우리 업계를 끝낼 것이라고 생각하지 않습니다. 하지만 사이버보안에 늘 존재해 온 구조적 비대칭성을 과소평가하고 있습니다. 공격자는 성공하기 위해 단 한 가지 경로만 있으면 되지만, 방어자는 그 모든 경로를 막아야 합니다. 저렴한 인텔리전스는 경로를 찾는 비용을 극적으로 낮추는 반면, 그 경로들을 차단하기 위해서는 사람·프로세스·기술 전반에 걸친 조율된 변화가 여전히 필요합니다. 공격자의 비용 곡선은 방어자의 그것보다 더 빠르게 하락합니다.

하지만 더 깊은 비대칭성은 단지 누가 더 빠른 모델을 갖고 있느냐의 문제가 아닙니다. 이는 누가 LLM이 특히 잘하는 것들, 즉 연습하고 반복하며 학습할 기회를 얻는가의 문제입니다. 저렴하고 빠른 지능을 가진 공격자는 하루에 천 번씩 반복할 수 있습니다. 피싱 변형을 시도하고, 그것을 조금 수정한 뒤 다시 시도하며, 다른 신원 경로를 탐색하고, 다른 각도에서 다시 시도하면서, 사람의 병목 없이 기계 비용만으로 계속 밀어붙일 수 있습니다. 그들은 사실상 무제한의 타석을 얻습니다. 반면 방어자는 주로 실제 사고와 제한된 시뮬레이션에서 학습합니다. 방어자는 동일한 정밀도로 자신의 환경에 대해 수천 건의 현실적인 공격을 실행해 볼 기회가 없고, 그럼에도 공격자가 먼저 한 뒤에야 예전과 마찬가지 방식으로 취약한 틈을 발견하는 경우가 많습니다. 공격자의 반복 루프와 방어자의 학습 루프 사이의 이 격차가 AI가 가장 크게 벌리는 부분입니다.

전환점

대부분의 커리어 동안 우리 업계의 공통된 합의는 대략 이런 형태였습니다. 결국 타협(침해)은 불가피하니, 탐지와 신속한 대응에 투자하라는 것. 좋은 교리입니다. CrowdStrike와 Mandiant 같은 회사를 키워 왔고, 조직들이 많은 돈과 평판을 지키는 데도 도움이 됐습니다.

하지만 저는 그 교리가 한계에 다다르고 있다고 생각합니다. 공격자의 OODA 루프가 수 주에서 수 초로 압축되면, "탐지하고 대응하기"는 방어자가 신뢰성 있게 이길 수 없는 레이스가 됩니다. 도구가 나쁘기 때문이 아니라, 사람이 결정을 내리기 전에 시간이 다 끝나 버리기 때문입니다. 분명히 하자면, 예방은 언제나 큰 범주였습니다. EDR, 이메일 보안, WAF, MFA, 패치 관리 등이죠. 업계가 이를 무시했다는 주장은 아닙니다. 주장은 예방의 기준이 바뀌어야 한다는 것입니다. 알려진 악성 시그니처를 차단하는 수준에서, 행동으로부터 공격자의 의도를 예측하는 수준으로 말입니다. 그리고 이는 우리 분야에서 누구도 완전히 해결하지 못한, 다른 유형의 공학적 문제입니다.

이것이 우리가 만들고 있는 것에 어떤 영향을 미치는가

Netwrix에서 우리는 업계 최고의 데이터 및 Identity 솔루션 제품군으로 예방에 집중해 왔습니다. 즉 identity governance, privileged access, directory security, 그리고 Data Security Posture Management 입니다. 지금 변화하는 것은 그 제품들이 수집하는 텔레메트리를 우리가 어떻게 활용하느냐입니다. 우리는 예측에 강하게 집중하고 있습니다.

실제로는 이런 모습입니다. 우리의 DSPM 플랫폼은 고객 환경 전반의 민감 데이터를 분류합니다. 무엇이 존재하는지, 무엇이 노출되어 있는지, 누가 접근 권한을 갖고 있는지, 그리고 어떤 Identity가 실제로 그 데이터에 접근(접촉)했는지를 파악하는 것이죠. 전통적인 모델에서는 그 인벤토리를 가시화하고, 정책 위반을 사후에 표시합니다.

우리가 지향하는 것은 다릅니다. 규제 대상 PII 또는 자격 증명(credentials)이 포함된 파일이, 이전에 한 번도 해당 데이터 클래스에 접근한 적 없는 계정에 의해 열리면 그 접근은 눈에 띕니다. 최근에 권한이 상승된(permission) 요소를 추가하거나, 그 데이터에 접근할 이유가 없는 역할의 ID(정체성)를 더하면, 두 요소의 조합은 데이터 유출(exfiltration)로 이어지기 전에 중단할 가치가 있습니다. 각 신호만 단독으로는 허용될 수 있어도, 함께하면 의도(intent)를 설명합니다.

행위자 유형(actor type)은 거의 부차적입니다. 특권 관리자 세션(privileged admin session), 손상된 서비스 계정(compromised service account), 그리고 소유자가 의도한 것보다 더 큰 권한 범위를 부여받은 AI 에이전트도, 민감한 데이터 세트(sensitive dataset)에 대해 동일한 행동 패턴을 만들어낼 수 있습니다. 우리의 일은 그 패턴을 인식하고, 어떤 것이든 밖으로 나가기 전에 조치하는 것입니다.

그것이 바로, 지금 이 시대에 예측(prediction)이 의미해야 한다고 우리가 생각하는 신호의 형태입니다. 이를 제대로 제공한다는 것은, 작업에 맞는 올바른 모델을 사용하는 것을 뜻합니다. 범용 LLM(general-purpose LLM)은 복잡하고 어지러운 컨텍스트 위에서도 추론을 매우 뛰어나게 수행하며, 실제로 중요한 부분에서는 우리는 그 모델에 크게 의존합니다. 그와 함께 R&D 팀은 우리가 가장 잘하는 특정 사용 사례에 맞춰 설계된 전용 모델도 만들고 있습니다. 민감한 데이터 접근이 해당 ID(정체성)의 확립된 패턴에 부합하는지 분류하고, 학습된 기준선(learned baseline)을 바탕으로 이상 행동(anomalous behavior)에 점수를 매기며, 밀리초 단위로 토큰(token)을 회수(revoke)할지 결정하는 것들입니다. 이런 작업에서는 방대한 일반 상식보다도 지연 시간(latency), 결정론(determinism), 그리고 적절한 훈련 데이터가 더 중요합니다. 두 가지 작업 흐름 모두 진행 중입니다.

20년이 지나て

Mythos는 방어(defense)가 무엇인지는 바꾸지 않았지만, 가격표(price tags)는 바꿔 놓았습니다. 공격자가 돈을 많이 들이던 일들—취약점 찾기, 익스플로잇(exploit) 작성하기, 미끼(lure) 제작하기—는 이제는 저렴해졌습니다. 반대로 방어자가 피해가 발생하기 전에 행동으로부터 의도(intent)를 읽어내는 일은, 예전에는 너무나 어렵고 거의 불가능하다고 여겨졌지만, 이제야 비로소 가능해지고 있습니다. 우리의 일, 그리고 업계 전체의 일은 두 번째 곡선이 첫 번째 곡선의 속도를 따라갈 수 있도록 보장하는 것입니다.

참고자료

1. Anthropic, “Project Glasswing: AI 시대를 위한 핵심 소프트웨어 보안,” 2026년 4월.

2. Fortune, “Anthropic이 사이버보안 방어 강화를 위해 일부 기업에 Claude Mythos를 조기 제공,” 2026년 4월 7일.

3. The Hill, “Anthropic의 Mythos가 워싱턴 DC와 월가에 경보를 발령,” 2026년 4월.

4. Richard Bejtlich, “공격자 도구를 위한 완전 공개(Full Disclosure for Attacker Tools),” TaoSecurity, 2010년 6월. https://taosecurity.blogspot.com/2010/06/full-disclosure-for-attacker-tools.html

5. David Bianco, “The Pyramid of Pain,” Enterprise Detection & Response, 2013년 3월. https://detect-respond.blogspot.com/2013/03/the-pyramid-of-pain.html

6. Stanislav Fort, “AI Cybersecurity After Mythos: The Jagged Frontier,” AISLE, 2026년 4월 7일. https://aisle.com/blog/ai-cybersecurity-after-mythos-the-jagged-frontier

7. Mandiant, “M-Trends 2026,” 2026년 4월.