인텐트 주입 공격, AI 네이티브 6G 네트워크의 새로운 위협으로 부상

인텐트 기반 네트워킹(IBN, Intent-Based Networking)은 운영자가 원하는 결과를 명시하면 소프트웨어가 이를 네트워크 정책으로 변환하는 방식으로, AI 네이티브 6G 설계가 이 접근을 전면에 내세우고 있다. 오타와 대학교와 Nokia Bell Labs 연구진은 이 추상화 구조가 공격자에게 새로운 공격 경로를 제공한다고 주장하며, 그 위협 중 하나에 대해 두 가지 머신러닝 탐지기를 시험했다.

위협 모델 — 취약한 API를 통한 악성 인텐트 주입 (출처: 연구 논문)

연구진은 이 위협을 **적대적 인텐트 주입(adversarial intent injection)**이라고 부른다. 악성 명령을 정상 명령 사이에 숨기는 방식이다. 연구진은 대형 언어 모델(LLM)의 도움을 받아 구성한 1,100개의 인텐트 데이터셋으로 탐지기를 평가했으며, 보고된 수치는 해당 데이터셋에서의 성능을 나타낸다.

진입점

인텐트는 주로 JSON 형식의 기계 가독성 요청으로, IBN 시스템이 이를 네트워크 정책으로 변환한다. 연구진은 요청이 수락되는 지점에 주목한다. 공격자는 탈취한 API 키를 이용해 일상적인 업데이트처럼 위장한 악성 인텐트를 제출한다. 논문은 서비스 거부(DoS), 권한 상승, 트래픽 리디렉션, 백도어를 가능한 결과로 꼽으며, 실험은 주입된 인텐트 탐지에 한정된다.

악성 예시로 연구팀은 피싱, 데이터 유출 등 위협을 포괄하는 20개의 기본 공격 인텐트를 작성하고 각각 9개의 변형을 만들었다. 변형 중 하나는 로깅이 활성화된 상태에서 트래픽을 차단하는 규칙을, 로깅을 제한 모드로 설정한 채 null 라우팅하는 규칙으로 바꾸는 것이다. 모호성 모델링을 위해 악성 인텐트 40개를 정상으로, 정상 인텐트 90개를 악성으로 재레이블링했다.

쉽게 탐지되는 키워드 단서가 있는지 확인하기 위해, 연구진은 강력한 판별 지표로 분류한 88개 용어를 기반으로 규칙 기반 분류기를 만들었다. 전체 데이터셋에서 악성 인텐트의 약 10%를 탐지했으며, 플래그가 달린 인텐트의 96%는 실제로 악성 레이블을 가졌다.

시퀀스 분석

연구진의 접근법은 공격자가 요청을 배치하는 방식에서 단서를 드러낼 수 있다는 가정에 기반한다. 이를 검증하기 위해 악성 인텐트가 일정한 평균 속도로 도착, 무작위 분산, 시간에 따라 가속, 또는 감속하는 네 가지 데이터 버전을 구성했다.

탐지기는 연속된 요청 흐름을 최대 6건씩 묶어 분석하며, 악성 요청이 포함될 가능성이 높은 묶음을 플래그로 표시해 담당자가 검토하도록 한다. 연구진은 일부 예외를 제외하고 일반적으로 더 긴 묶음이 탐지 성능을 높인다는 사실을 발견했다.

두 종류의 탐지기를 시험했다. 하나는 정상 또는 악성으로 레이블된 예시를 학습하는 방식이다. 다른 하나는 정상 활동만 학습하고 패턴에서 벗어난 요청에 플래그를 다는 방식으로, 연구진은 이를 공격 유형에 대한 사전 지식이 부족한 팀에게 적합하다고 제안한다.

첫 번째 탐지기는 공격 패턴에 따라 악성 요청이 포함된 묶음의 75~96%를 탐지했다. 두 번째 탐지기는 네 가지 패턴 중 세 가지에서 전체 방법 중 가장 높은 탐지율을 보였지만, 일정한 속도의 공격에서는 해당 묶음의 약 3분의 1을 놓치는 어려움을 겪었다.

두 탐지기 모두 요청을 하나씩 판단하는 기존 탐지기보다 성능이 높았다. 기존 탐지기는 네 가지 패턴에서 악성 사례의 약 50~60%만을 탐지했다.

향후 과제

연구팀은 후속 연구로 실제 IBN 배포 환경을 더 잘 반영하는 다양한 JSON 정책 구성을 추가하고, 탐지 판단을 더 쉽게 해석할 수 있도록 설명 가능한 AI(XAI) 방법을 적용할 계획이다.