← 목록으로

이대로는 지속 가능하지 않다 - 취약점 공개 속도를 따라가지 못하는 보안 대응

요약
  • 취약점 발견 및 공개 속도가 방어 조직의 대응 능력을 초과하면서 보안 대응의 지속 가능성에 한계가 드러나고 있다.
  • 실제 병목은 패치 개발보다 조직 내 공격 표면 파악과 수정 배포 과정에 있으며, AI를 활용한 대응은 오히려 인력 소진을 가속화할 수 있다.
  • 따라서 모든 취약점을 막기보다 피해 범위를 제한하고 노출을 축소하는 실질적인 방어 체계 강화가 시급하다.
  • 취약점 발견과 공개 속도가 방어 조직의 대응 능력을 넘어섰으며, AI로 패치를 생성하는 것만으로는 이 문제를 해결할 수 없음
  • 실제 병목은 패치 개발이 아니라 적용 과정에 있음. 조직별 공격 표면과 악용 가능성을 파악하고, 완화책을 검토하고, 수정을 배포하는 데 상당한 시간과 자원이 필요함
  • 가상화, TLS, PHP, Brotli 취약점 대응에서는 처음 알려진 범위보다 넓은 영향과 불완전한 소프트웨어 목록 때문에 수정본이 있어도 대응이 끝나지 않음
  • 대량 취약점 공개가 오픈소스 공동체와 방어 조직에 서비스 거부 공격처럼 부담을 주고 있음. 마케팅 목적의 엠바고 위반과 장황한 AI 보고서, 검증되지 않은 공격 코드가 같은 핵심 인력의 소진을 가속함
  • 모든 취약점을 따라잡기 어렵다면 침해를 전제로 피해 범위를 제한해야 함. 악용 탐지, 노출 축소, 횡적 이동과 권한 상승 제한 같은 오래된 보안 과제가 여전히 필요함
취약점 발견보다 느린 방어 체계
  • 같은 주에 최소 네댓 건의 보안 사고가 겹쳤고, 그중 PHP 취약점은 New York Times와 NPR까지 다룰 만큼 파장이 컸음
  • 제로데이 공개가 쏟아지는 상황에서 마케팅 목적의 사전 통지 규칙과 엠바고 위반까지 발생하며, 대량 취약점 공개는 오픈소스 공동체에 서비스 거부 공격과 같은 부담을 줌
    • 의존성에서 대량의 취약점을 발견한 뒤 사전 통지를 유료 서비스로 판매하는 방식도 비판의 대상임
  • 기업의 인력은 이런 속도를 감당하도록 구성돼 있지 않으며, 취약점 발견 방식의 변화와 무너진 공개 절차 속에서 패치 관리도 방어자가 따라가기 어려운 일이 됨
  • 환경별 악용 가능성 평가, 관련 공격 표면 조사, 수정 배포에는 여전히 큰 비용이 듦
    • 앞서 다룬 병목도 수정 코드 작성 자체가 아니었음
PwnEscape: 커널 수정 이후에도 남는 작업
  • PwnEscape, CVE-2026-99999는 처음에는 “KVM 탈출”로 공개됐지만, 다른 가상화 환경과 컨테이너에도 영향을 줌
  • 대응하려면 전체 시스템의 기존 완화책을 확인하고, 업스트림 패치를 가져와 커널 라이브 패치를 적용할지, 운영체제 공급자의 새 커널을 기다릴지 결정해야 함
    • 새 커널을 배포하는 경로에서는 수천 대의 시스템 재부팅이 뒤따를 수 있음
    • 2026년 10월 27일 기준으로 최초 공개 후 12일이 지났지만, Canonical은 심각도를 중간으로 분류하고 수정 커널을 제공하지 않은 상태였음
  • 고급 AI 모델에 수천 달러의 토큰 비용을 쓰며 자체 공격 코드를 만들어도, 이미 알고 있던 사실을 넘어서는 정보를 얻지 못하고 방어자가 해야 할 작업도 그대로 남을 수 있음
eMudhra 침해: 소프트웨어 목록에 드러나지 않는 신뢰 저장소
  • eMudhra 침해에서는 브라우저 대응은 빨랐지만, 조직 환경에는 브라우저 외에도 TLS를 사용하는 수많은 구성 요소가 있음
  • 업스트림 업데이트를 기다리는 것보다 먼저, 어떤 구성 요소에 업데이트가 필요한지 알아야 함
    • 상세 패키지 목록이나 SBOM이 있어도 소프트웨어에 포함되거나 하드코딩된 CA 신뢰 번들까지 드러나지는 않을 수 있음
    • 일부 환경에서는 해당 언어나 프레임워크로 간단한 가져오기 테스트를 실행하는 것이 최선이지만, 이 방법도 대규모 적용에는 한계가 있음
  • 이 사고는 AI가 생성하거나 탐지하거나 촉발한 것이 아니라, 사람이 이상을 발견하면서 드러났음
php2shell: 엠바고와 공격 코드 검증의 부담
  • php2shell, CVE-2026-109618과 CVE-2026-109619는 여러 조직에 엠바고 조건으로 사전 공개됐음
    • “웹사이트의 70% 이상에 영향을 준다”는 수치는 널리 인용됐지만 출처가 확인되지 않은 통계임
    • 사전 통지는 고객 보호책 배포, 자산 목록 조사, 공격 표면과 영향받는 시스템 및 자체 완화책 확인에 시간을 벌어줄 수 있음
  • 엠바고가 깨지면 다시 긴급 대응에 들어가야 하며, 최초 탐지와 최초 악용을 내세우려는 보안 업체의 마케팅 경쟁까지 따라가야 함
    • 빠르게 쏟아지는 블로그 게시물에 장황한 AI 생성 문구가 늘어나면서 실제 대응을 방해함
  • 인터넷에 유통되는 공격 코드도 별도 검증이 필요함. 버그를 제대로 이해한 코드와 그렇지 않은 코드가 뒤섞여 있기 때문임
  • 악용 시도 탐지는 대응의 긴급성과 공개 시점에 영향을 주는 중요한 신호임
    • 충분한 확신 없이 공개 전 악용을 관측했다고 발표하면 대응자 전체에 해를 줄 수 있음
  • 복잡한 프로그램에서 setjmp(3)/longjmp(3)를 오류 처리에 사용하는 방식에도 안전성 우려가 있음
    • 영리한 코드가 안전한 코드와 같지는 않으며, 이 메커니즘 주변에 추가 취약점이 있을 가능성도 배제할 수 없음
Brotli RCE: Node.js 밖으로 확장되는 조사 범위
  • Node.js 보안 공지는 Brotli RCE, CVE-2026-111497를 “Node.js Brotli 디코더”의 높은 심각도 취약점으로 포함했음
  • 하지만 영향 범위는 Node.js에 국한되지 않았음
    • 업스트림 수정본이 있어도 전체 기술 스택에 흩어진 여러 형태의 Brotli 포함본을 먼저 찾아야 함
  • OpenAI는 발견 공로를 내세웠지만, 해당 문제는 이미 2월에 수정됐고 Mozilla도 4월에 중대한 보안 영향을 기록했음
  • 별도로 Google Docs가 최상위 도메인이 아닌 .js까지 인식해 node.js에 자동 링크를 붙이는 동작도 비판의 대상임
계속되는 공개와 방어 인력의 숙련도 저하
  • 이 사례들은 모두 한 주에 겹쳤으며, 그 이전부터 이어진 Linux 로컬 권한 상승 취약점 공개는 별도였음
    • ZcopyReaper(CVE-2026-43502)와 추가 20건, DirtyFrag, GhostLock, FragGap, ZapScape, Januscape 등이 앞서 공개됐음
  • AI 기업에는 대량 공개를 계속할 유인이 있음
    • 선의로 보더라도 개선하려다 상황을 악화시키는 verschlimmbessern에 해당할 수 있음
    • 더 비판적으로 보면 문제를 키우면서 그 문제의 완치가 아닌 대응 서비스를 판매하는 구조임
  • 최첨단 AI 모델을 이용한 취약점 발견에 수백만 달러가 투입됐으며, 공격자도 Linux 커널 커밋 메시지를 모델에 넣어 악용 가능한 취약점을 분석하고 있음
    • 여러 주체가 같은 취약점을 독립적으로 발견하는 일이 흔해져, 엠바고가 막을 수 있는 것은 기회주의적 공격자의 대규모 악용 정도라고 가정해야 함
  • 방어 현장에서는 AI 생성 보고서의 장황함과 숙련도 저하가 맞물리는 양상이 나타남
    • 취약점을 충분히 이해하지 못한 대응자가 과장된 심각도를 받아들이고, 보고서를 다시 AI에 넣어 개념 증명 코드를 생성함
    • 환경 차이, 누락된 맥락, 업스트림과 다른 코드 때문에 생성된 실행 파일이 작동하지 않아도 그 이유를 이해하지 못하는 경우가 있음
    • 실행 방법, 전제 조건, 작동 원리를 정리한 한 페이지 문서 대신 7,000단어짜리 README.md가 돌아오는 식임
동시다발 사고가 만드는 대응의 안개
  • 얼마 전까지 연례 대형 사고에 해당했을 사건들이 동시에 발생하면서 사고 대응, 엔지니어링, 커뮤니케이션, 법무 인력이 소진됨
  • 현장 경험상 대응은 대체로 같은 핵심 인력에게 집중됨
    • 소프트웨어 목록, 공격 표면 조사, 문서화의 빈틈을 조직 내부 지식이 많은 숙련자들이 메우고 있음
  • 잦은 맥락 전환은 중요한 정보를 놓치거나 선정적 제목에 휘둘리고, 자기 환경에는 적용되지 않을 취약점에 이해하지 못한 수정을 서둘러 배포할 가능성을 높임
    • 빠르고 확신에 찬 봇의 답변에 의존하기 쉬워지고, 해당 분야 비전문가가 프롬프트 결과를 사고 대응 채널에 붙여 넣는 상황으로 이어짐
명확한 해법 없이 남는 피해 범위 제한
  • AI가 모든 취약점을 찾아 고치면 혼란이 끝난다는 낙관론을 받아들이기는 어려우며, 이 상황을 해결할 확실한 방법도 없음
  • AI 생성 패치 분석에서는 50%가 넘는 경우 문제가 해결되지 않거나, 새 취약점이 생기거나, 애플리케이션 동작이 바뀌었음
    • 복잡한 소프트웨어에 대한 이해는 줄이면서 코드 생산량을 늘리는 방식은 취약점을 줄이기보다 늘리는 방향임
    • 패치를 생성하더라도 실제 대응의 병목은 사라지지 않음
  • 혼란이 일시적이라 해도 지속 기간과 그동안의 대응 방안은 불명확함
    • 현재 경제 여건에서 보안 인력 증원은 쉽지 않을 것으로 보임
    • 안전한 자동 업데이트와 전체 시스템 재부팅이 가능하도록 인프라를 개편하는 일도 수년이 걸리며, 코드 생산 가속에서 예산을 돌릴 유인은 약함
  • 남는 대응은 침해를 가정하고 피해 범위를 제한하는 것임
    • 악용 탐지, 노출 축소, 횡적 이동 및 권한 상승 제한은 보안 실무자들이 수십 년간 예산을 요청해 온 과제임
    • 한때 이를 Zero Trust라고 불렀지만, 지금은 공허한 마케팅 용어가 됐다는 비판을 받음
    • 자산을 상당 부분 놓치는 AI 기반 취약점 관리 및 SIEM 대시보드에 예산을 쓰는 것으로는 이 과제를 해결할 수 없음
  • 기업이 자사 소프트웨어, 모델, 봇의 행동과 이를 통해 허용하는 행위에 책임을 지게 하는 것도 필요함
    • 알려진 취약점이 있는 소프트웨어를 공급하는 업체의 책임 역시 중요하지만, 오픈소스에 어떻게 적용할지는 불명확함
    • 책임 부과만으로 대량 취약점 공개가 서비스 거부 공격처럼 작용하는 문제까지 해결되지는 않음
그냥 목록으로
원문 보기 ↗