← 목록으로

AI는 랜섬웨어 암호화를 해독하지 않고 어떻게 파일을 복구했는가?

요약
  • Claude AI를 활용해 2019년 Scarab 랜섬웨어로 암호화된 파일을 복구한 사례가 공개되었습니다.
  • AI는 암호화 키를 해독하는 대신 파일의 앞부분만 암호화된 구조적 특징을 파악하고, 남아 있는 데이터를 분석해 헤더 재구성 및 내용 추출 등의 방식으로 파일을 복구했습니다.
  • 이는 AI가 손상된 데이터의 구조를 분석하고 재구성하는 능력이 데이터 복구에 효과적임을 보여줍니다.

원문: AI Unlocked My Ransomware-Encrypted Files — Without the Key
작성자: Vitalijus Weax
주제: Claude AI를 활용한 Scarab 랜섬웨어 피해 파일 복구 사례

요약 개요

  • 핵심 주장: AI가 랜섬웨어의 암호화 키를 해독하지 않고, 암호화되지 않은 데이터와 파일 구조 분석을 통해 상당수의 파일을 복구했다.
  • 사건 배경: 2019년 Scarab 랜섬웨어에 감염되어 약 700개의 파일이 암호화되었으며, 7년간 보관한 파일을 Claude로 복구했다.
  • 기술적 원인: 해당 Scarab 변종은 파일 전체가 아닌 앞부분 16KB만 암호화하여 나머지 데이터가 보존되어 있었다.
  • 복구 결과: 전체 파일 중 26%는 완전 복구, 27%는 부분 복구, 12%는 내용 추출에 성공했으며 35%는 복구하지 못했다.
  • AI의 역할: 파일 형식 분석, 손상된 헤더 재구성, 압축 데이터 복원, 머신러닝 모델 학습, 3D 모델 변환 등을 수행했다.
  • 핵심 시사점: AI의 데이터 복구 가능성은 암호화 해독 능력보다 손상된 데이터의 구조를 분석하고 재구성하는 능력에 있다.
1. 서론: 랜섬웨어 감염과 데이터 보관

1.1. 2019년 랜섬웨어 감염

  • 작성자는 2017년 아파트 리모델링을 위해 Google SketchUp으로 실내 공간과 가구를 3D 모델링했다.
  • 2019년 컴퓨터에서 파일명이 무작위 문자열로 변경되는 현상을 발견했다.
  • 즉시 전원을 차단했으나 이미 상당수의 파일이 암호화된 상태였다.
  • 공격 경로는 Windows 원격 데스크톱(RDP)을 통한 침입으로 추정했다.
  • 사진, 문서, 영상, 3D 모델 등 약 700개의 암호화된 파일을 별도로 보관했다.
  • 몸값을 지불하지 않고 향후 복구 기술의 발전을 기대하며 7년간 보존했다.

1.2. 랜섬웨어의 종류와 특징

  • Claude는 감염된 랜섬웨어를 Scarab 변종으로 식별했다.
  • Scarab은 파일마다 개별 AES 암호화 키를 생성한다.
  • 해당 AES 키는 공격자의 RSA 공개키로 암호화되어 파일 끝에 저장된다.
  • 복호화에는 공격자의 RSA 개인키가 필요하다.
  • 해당 변종에 사용할 수 있는 공개 복호화 도구는 확인되지 않았다.

핵심: Claude는 암호화 자체를 해독하는 대신 파일 내부에 남아 있는 데이터를 활용하는 방법을 선택했다.

2. 본론: AI를 활용한 파일 복구 과정

2.1. 파일 전체가 아닌 앞부분만 암호화된 구조

랜섬웨어의 부분 암호화 방식

  • 해당 Scarab 변종은 파일의 앞부분 16KB만 암호화했다.
  • 파일의 나머지 영역은 대부분 원래 상태로 보존되어 있었다.
  • 파일 끝부분에는 이동된 32바이트와 암호화 관련 정보가 추가되어 있었다.
  • Claude는 암호화된 파일과 정상 파일을 비교하여 이러한 특징을 확인했다.

부분 암호화가 복구에 유리한 이유

  • 파일 크기가 클수록 암호화된 16KB의 비중이 작아진다.
  • 예를 들어 수 MB 크기의 사진에서는 전체 데이터 중 극히 일부만 손상된다.
  • 그러나 파일 앞부분에는 헤더와 압축 정보 등 필수 데이터가 포함되어 있다.
  • 따라서 실제 이미지나 문서 내용이 남아 있어도 일반 프로그램에서는 파일을 열 수 없다.

핵심: 파일을 열지 못하는 것과 파일의 모든 데이터가 사라진 것은 다르다.

2.2. Claude의 파일 복구 전략

① 정상 파일과 비교하여 원본 복구

  • 약 8개 중 1개 파일은 암호화되지 않은 복사본이 존재했다.
  • Claude는 암호화되지 않은 데이터 영역을 비교하여 동일한 파일을 식별했다.
  • 이를 통해 일부 파일의 원본 데이터와 파일명을 정확하게 복원했다.

② 파일 형식 분석과 헤더 재구성

  • 파일명이 암호화되어 확장자와 원래 형식을 알 수 없는 경우가 많았다.
  • Claude는 남아 있는 데이터의 구조를 분석하여 파일 종류를 추정했다.
  • JPEG, PNG, PDF, Excel 등 형식별로 서로 다른 복구 방법을 적용했다.
  • 정상 파일의 헤더를 참조하거나 필요한 파일 구조를 새로 생성했다.
  • 다만 15개 파일은 원래 형식을 식별하지 못했다.

③ 손상된 데이터 추정 및 재구성

  • 일부 파일은 헤더 복원만으로 정상적으로 열 수 없었다.
  • Claude는 남아 있는 이미지 정보와 압축 데이터를 분석했다.
  • 손실된 밝기, 색상, 픽셀 정보를 추정하여 파일을 재구성했다.
  • 복구 과정에서 추정한 부분은 실제 원본과 다를 수 있다.

2.3. 파일 형식별 복구 결과

파일 형식 복구 방법 결과
JPEG 사진 정상 사진의 압축 설정을 활용해 헤더 재구성 대부분 복구, 일부 상단 손상
웹 JPEG 이미지 남아 있는 압축 데이터 분석 및 색상 추정 부분 복구
PNG 이미지 중간 지점부터 압축 해제 및 누락 데이터 추정 일부 색상 노이즈 발생
Excel 남아 있는 셀 데이터 추출 새 파일로 내용 저장
Photoshop 파일 헤더 재구성 레이어를 포함한 파일 복구
PDF 남아 있는 구조와 데이터 분석 일부 복구
동영상 프레임 구조 및 디코딩 정보 재구성 일부 완전 복구, 일부 음성 손실
SketchUp 자체 파일 분석기 제작 및 데이터 변환 3D 모델을 Blender에서 활용
Word 복구 가능한 데이터 부족 복구 실패

추가 복구 사례

  • Lightroom 카탈로그에 저장된 미리보기 파일이 암호화되지 않은 것을 발견했다.
  • 이를 통해 1,000장 이상의 사진을 화면 표시용 해상도로 확보했다.
  • 이는 암호화된 원본을 복호화한 것이 아니라 별도로 남아 있던 미리보기 데이터를 활용한 결과다.

2.4. 웹 이미지 복구가 어려웠던 이유

JPEG 압축 구조의 문제

  • 웹 이미지는 일반적으로 파일 크기가 작아 16KB의 손상 비율이 상대적으로 높았다.
  • JPEG 파일은 이미지를 8×8 픽셀 블록으로 분할하여 저장한다.
  • 이미지의 밝기와 색상, 세부 정보를 압축하는 과정에서 여러 설정값을 사용한다.
  • 핵심 압축 정보는 파일 앞부분에 저장되는 경우가 많다.

손실된 주요 정보

  • 양자화 테이블: 이미지의 세부 정보를 어느 정도 압축했는지 결정한다.
  • 허프만 테이블: 압축된 비트 데이터를 해석하는 데 필요한 코드 정보를 제공한다.
  • 이미지 구조 정보: 가로·세로 크기와 색상 데이터의 배치 등을 정의한다.

복구가 어려웠던 원인

  • 일부 웹 이미지는 파일마다 고유한 압축 테이블을 사용했다.
  • 이러한 정보가 암호화되면서 남아 있는 데이터의 정확한 해석이 어려워졌다.
  • 정상 사진에서 압축 정보를 가져오는 방식도 적용하기 어려웠다.
  • 특히 크기가 작은 이미지와 고유 허프만 테이블을 사용하는 이미지의 복구 성공률이 낮았다.

2.5. Claude가 직접 머신러닝 모델을 학습시킨 사례

기존 방식의 한계

  • Progressive JPEG는 이미지 정보를 여러 단계에 나누어 저장한다.
  • 암호화되지 않은 영역에 남아 있는 단계의 데이터는 읽을 수 있었다.
  • 그러나 이미지의 기본 밝기와 색상 정보가 손실된 경우가 많았다.
  • 초기에는 주변 픽셀과 블록의 관계를 이용한 수학적 추정 방법을 사용했다.
  • 이 방법만으로는 원본과 유사한 색상을 충분히 복원하기 어려웠다.

머신러닝 기반 접근

  • Claude는 기존 알고리즘의 한계를 보완하기 위해 별도의 AI 모델을 학습시켰다.
  • 정상 사진에 Scarab과 유사한 손상을 인위적으로 적용했다.
  • 손상 전후 사진을 학습 데이터로 활용했다.
  • 작성자는 인터넷에서 수집한 사진 100장을 추가했다.
  • 학습은 작성자의 컴퓨터에 장착된 GPU에서 진행했다.

학습 결과

  • 기존 방법보다 색상 오차가 절반 이상 감소했다.
  • 사진 100장을 추가하면서 정확도가 약 10% 개선되었다고 보고했다.
  • 넓고 균일한 색상 영역 등에서는 복구 품질에 한계가 남았다.
  • 복원된 색상은 원본 데이터가 아니라 AI의 추정 결과였다.

핵심: Claude는 기존 복구 도구를 사용하는 데 그치지 않고, 문제에 맞는 새로운 머신러닝 모델을 학습시켜 복구 품질을 개선했다.

2.6. SketchUp 3D 모델 복구 사례

복구 대상

  • 작성자가 가장 중요하게 생각한 파일은 아파트의 SketchUp 3D 모델이었다.
  • 파일 크기는 약 239MB였다.
  • 두 개의 복사본이 모두 암호화된 상태였다.
  • 손상된 부분은 16KB에 불과했지만 파일 구조를 설명하는 핵심 정보가 포함되어 있었다.

Claude의 복구 과정

  • 파일 내부에 남아 있는 데이터를 분석하여 SketchUp의 객체 구조를 파악했다.
  • 암호화된 영역에 있던 객체 유형 목록을 재구성했다.
  • 공개된 파일 형식 정보를 참고하여 자체 SketchUp 파일 분석기를 제작했다.
  • 문서화되지 않은 일부 레코드 형식도 데이터 분석을 통해 해석했다.
  • 50만 개 이상의 면과 구성 요소, 재질, 텍스처, 태그 및 저장된 시점을 읽어냈다.
  • 복구한 데이터를 glTF 형식의 .glb 파일로 변환했다.

Blender에서의 재구성

  • 변환한 3D 모델을 Blender에서 불러왔다.
  • SketchUp의 태그를 Blender 컬렉션으로 구성했다.
  • 저장된 시점을 카메라로 변환하고 조명을 추가했다.
  • 잘못된 텍스처와 모델링 오류를 수정했다.
  • 과거 렌더링 이미지를 참고하여 기존 카메라 위치를 재현했다.

핵심: 원본 SketchUp 파일을 직접 복호화하지 않고도 내부의 3D 데이터를 읽어 다른 프로그램에서 사용할 수 있는 형태로 변환했다.

3. 복구 성과와 한계

3.1. 전체 파일 복구 결과

복구 수준 비율 주요 내용
완전 복구 26% 원본 복사본, 카메라 사진, Photoshop, 일부 동영상
부분 복구 27% JPEG, PNG, PDF, 일부 동영상
내용 추출 12% Excel 셀 데이터, RAW 미리보기, 3D 모델 등
복구 실패 35% 작은 파일, 일부 웹 이미지, Word 문서
합계 100% 65%에서 파일 또는 내용 복구
  • 전체 약 700개 파일을 대상으로 복구를 진행했다.
  • 약 4분의 1은 완전 복구되었다.
  • 부분 복구와 내용 추출을 포함하면 약 65%에서 활용 가능한 데이터를 확보했다.
  • 나머지 35%는 복구에 실패했다.

※ 위 수치는 작성자가 공개한 사례 결과이며, 다른 랜섬웨어나 파일에서도 동일한 복구율을 기대할 수 있다는 의미는 아니다.

3.2. 복구가 불가능하거나 제한적이었던 사례

  • 작은 파일: 파일 전체가 암호화되어 복구할 데이터가 남지 않았다.
  • 일부 웹 이미지: 파일별로 고유한 압축 테이블을 사용하여 데이터 해석이 어려웠다.
  • Word 문서: 해당 사례에서는 복구에 실패했다.
  • 일부 동영상: 영상 프레임은 복구했지만 음성 정보를 되살리지 못했다.
  • AI 재구성 이미지: 원본 정보를 추정한 결과이므로 정확한 원본 복구로 볼 수 없다.
4. 다른 AI와의 비교

GPT-6.1 Astra와 Claude의 결과

  • 작성자는 동일한 암호화 파일을 GPT-6.1 Astra에도 제공했다고 설명했다.
  • GPT-6.1 Astra는 일부 파일을 부분 복구하고 이미지 몇 개를 완전 복구했다.
  • 작성자는 첫 번째 작업 세션에서 Claude의 성과가 더 높다고 판단했다.
  • 이후 GPT-6.1 Astra를 이용한 추가 복구 작업은 진행하지 않았다.
  • 따라서 해당 비교는 제한적인 개인 사례이며, 두 AI의 일반적인 데이터 복구 성능을 평가한 결과는 아니다.
5. 결론: AI 기반 데이터 복구의 의미

5.1. AI 기술의 활용 가능성

  • 이번 사례는 AI가 암호화 알고리즘을 해독한 사례가 아니다.
  • 랜섬웨어가 암호화하지 않은 데이터를 분석하여 손실된 파일 구조를 재구성한 사례다.
  • AI는 다양한 파일 형식에 맞는 복구 프로그램을 작성하고 개선했다.
  • 기존 복구 방식으로 해결하기 어려운 이미지에 대해서는 별도 머신러닝 모델을 학습시켰다.
  • 손상된 3D 파일을 분석하여 다른 소프트웨어에서 활용할 수 있는 형식으로 변환했다.
  • 이는 AI가 복잡한 데이터 복구 작업에서 분석과 프로그램 개발을 지원할 수 있음을 보여준다.

5.2. 랜섬웨어 피해 발생 시 대응 방안

  • 즉시 격리: 감염이 의심되면 시스템을 네트워크에서 분리하고 추가 암호화를 차단한다.
  • 파일 보존: 암호화된 파일과 랜섬노트를 삭제하지 않고 보관한다.
  • 복사본 확인: 다른 저장장치, 이메일, 스마트폰, 클라우드 등에서 정상 파일을 찾는다.
  • 복구 가능성 검토: 랜섬웨어의 암호화 방식과 파일에 남아 있는 데이터를 분석한다.
  • AI 활용: 기존 복구 도구로 해결하기 어려운 경우 AI 기반 파일 분석과 재구성을 검토한다.
  • 예방 조치: 인터넷에 노출된 원격 데스크톱 접속을 제한하고 별도의 백업 체계를 유지한다.

5.3. 최종 시사점

  • 첫째, 암호화된 파일이라도 데이터 일부가 암호화되지 않았다면 복구 가능성이 존재한다.
  • 둘째, AI는 파일 구조 분석과 복구 프로그램 개발을 자동화하여 데이터 복구에 활용될 수 있다.
  • 셋째, AI가 추정하여 재구성한 데이터와 실제 원본을 정확하게 복구한 데이터는 구분해야 한다.
  • 넷째, 복구 가능성은 랜섬웨어의 암호화 방식과 파일 형식, 보존된 데이터의 양에 따라 달라진다.
  • 다섯째, AI 기반 복구 기술이 발전하더라도 사전 백업과 접근 보안 관리가 가장 중요한 예방 수단이다.

핵심 결론

이 사례의 본질은 AI가 랜섬웨어의 암호화를 해독했다는 것이 아니라, 암호화되지 않고 남아 있는 데이터를 분석하여 손상된 파일을 재구성했다는 데 있다.

Claude는 파일 형식 분석, 코드 작성, 머신러닝 학습, 3D 모델 변환을 결합하여 약 700개 파일 중 65%에서 데이터를 복구하거나 추출했다. 다만 복구 결과는 특정 Scarab 변종의 부분 암호화 방식에 의존하므로 모든 랜섬웨어 피해에 일반화할 수는 없다.

그냥 목록으로
원문 보기 ↗