분산 SDN(Software-Defined Networking) 컨트롤러는 특히 SD-WAN 내에서 광역 네트워크(Wide Area Networks, WAN)의 핵심 요소로 빠르게 자리 잡았으며, 광범위한 네트워크 인프라에 대해 확장성과 장애 내성을 제공한다. 그러나 이러한 컨트롤러의 아키텍처는 지금까지 충분한 주목을 받지 못한 새로운 잠재적 공격 표면을 야기한다. 이러한 우려에 대응하여, 우리는 분산 SDN 컨트롤러에서 사용되는 프로토콜 내의 취약점을 발견하도록 설계된 테스트 도구인 Ambusher를 제안한다. Ambusher는 추론된 상태 기계에 기반하여 공격 시나리오를 체계적으로 탐색하는 protocol state fuzzing을 활용함으로써 이를 달성한다. 클러스터로부터 상태를 학습하는 일은 복잡하기 때문에, Ambusher는 상대적으로 단일하고 단순한 상태 기계를 추출하는 새로운 방법론을 제안하여, 효율적인 상태 기반 퍼징을 가능하게 한다. 두 개의 캠퍼스 네트워크와 하나의 엔터프라이즈 네트워크에 걸친 실제 SD-WAN 배치에서 수행된 Ambusher의 평가는, 널리 사용되는 분산 컨트롤러 플랫폼에서 6개의 잠재적 취약점을 밝혀낼 수 있음을 보여준다.

분산 SDN(Software-Defined Networking) 컨트롤러는 특히 SD-WAN 내에서 광역 네트워크(Wide Area Networks, WAN)의 핵심 요소로 빠르게 자리 잡았으며, 광범위한 네트워크 인프라에 대해 확장성과 장애 내성을 제공한다. 그러나 이러한 컨트롤러의 아키텍처는 지금까지 충분한 주목을 받지 못한 새로운 잠재적 공격 표면을 야기한다. 이러한 우려에 대응하여, 우리는 분산 SDN 컨트롤러에서 사용되는 프로토콜 내의 취약점을 발견하도록 설계된 테스트 도구인 Ambusher를 제안한다. Ambusher는 추론된 상태 기계에 기반하여 공격 시나리오를 체계적으로 탐색하는 protocol state fuzzing을 활용함으로써 이를 달성한다. 클러스터로부터 상태를 학습하는 일은 복잡하기 때문에, Ambusher는 상대적으로 단일하고 단순한 상태 기계를 추출하는 새로운 방법론을 제안하여, 효율적인 상태 기반 퍼징을 가능하게 한다. 두 개의 캠퍼스 네트워크와 하나의 엔터프라이즈 네트워크에 걸친 실제 SD-WAN 배치에서 수행된 Ambusher의 평가는, 널리 사용되는 분산 컨트롤러 플랫폼에서 6개의 잠재적 취약점을 밝혀낼 수 있음을 보여준다.

소셜 가상현실(VR) 플랫폼은 인기가 급증했으나, 보안 위험은 충분히 탐구되지 못한 실정이다. 본 논문은 기만적인 가상 콘텐츠를 통해 사용자가 유해한 행동을 수행하도록 은밀히 조작하는 4가지의 새로운 UI 공격을 제시한다. VRChat에서 구현하고 IRB 승인 연구에서 30명의 참가자를 대상으로 검증한 결과, 이러한 공격들은 기만적 요소가 사용자의 인지 없이도 사용자를 악의적 행동으로 오도할 수 있음을 보여준다. 이러한 취약점을 해결하기 위해, 가상 세계에서 객체와 스크립트를 신속히 분석하여 수상한 요소를 수 초 내로 탐지하는 사전 대응형 대응책 MetaScanner를 제안한다.

호스트 기반 암호채굴 악성코드(cryptojackers)는 은밀함과 리눅스 기반 클라우드 환경에서 유발하는 막대한 재정적 손실로 인해 널리 악명을 얻고 있다. 기존 해결책은 높은 모니터링 오버헤드, 난독화된 행위에 대한 낮은 탐지 정확도, 그리고 통합된 대응(복구) 부재로 인해 확장성에 종종 어려움을 겪는다. 본 연구에서는 암호채굴 악성코드에 대응하기 위해 탐지와 대응 전략을 결합한 경량 하이브리드 솔루션인 CryptoGuard를 제안한다. 확장성을 보장하기 위해 CryptoGuard는 스케치(sketch) 및 슬라이딩 윈도우 기반 시스템 콜(syscall) 모니터링을 사용하여 오버헤드를 최소화하면서 행동 패턴을 수집한다. 또한 분류 작업을 2단계 과정으로 분해하고, 심층 학습 모델을 활용하여 높은 정밀도로 의심 행위를 식별한다. 엔트리 포인트 엔 -독화(entry point poisoning) 및 PID 조작과 같은 회피 기법에 대응하기 위해 CryptoGuard는 모든 호환 가능한 호스트에 배치 가능한 최신 리눅스 커널 기능인 eBPF 기반의 표적 대응 메커니즘을 통합한다. 123개의 실제 암호채굴 악성코드 샘플에 대해 평가한 결과, 2단계 전반에서 평균 F1-점수 96.12%와 92.26%를 달성했으며, 진양성 및 위양성 비율 측면에서 최신 기술 수준의 기준선들을 능가하면서도 호스트당 CPU 오버헤드는 0.06%에 불과하였다.

자격 증명 스터핑(credential stuffing) 공격은 여러 웹사이트에서 비밀번호를 재사용하는 사용자가 반복적으로 피해를 입는 등 온라인 사용자에게 상당한 해를 끼쳐 왔다. 기존 연구는 재사용된 비밀번호를 사용하는 사용자나 악의적인 로그인 시도를 탐지하려고 시도해 왔지만, 현재의 방법들은 비밀번호 생성을 제한하거나 웹사이트 접근을 차단함으로써 사용성을 훼손하는 경우가 많으며, 복잡한 계정 공유 메커니즘에 의존한다는 점 때문에 실제 배포가 어렵다. 이러한 한계를 해결하기 위해 우리는 웹사이트 전반에 걸친 자격 증명 스터핑 위험을 예측하는 새로운 프레임워크 PassREfinder-FL을 제안한다. 우리는 비밀번호 재사용 관계(password reuse relations)라는 개념을 도입하는데, 이는 사용자가 웹사이트 간에 비밀번호를 재사용할 가능성을 의미하며 이를 웹사이트 그래프에서 간선(edges)으로 표현한다. 그래프 신경망(graph neural networks, GNNs)을 사용하여 링크 예측(link prediction) 과제를 수행함으로써 사이트 간 자격 증명 재사용 위험을 평가한다. 본 접근법은 공개 웹사이트 정보를 통합하고, 새로 관측된 웹사이트를 그래프의 노드로 연결함으로써 임의의 대규모 웹사이트로의 확장이 가능하다. 사용자 프라이버시를 보존하기 위해, 우리는 PassREfinder-FL을 연합 학습(federated learning, FL) 접근으로 확장하여 관리자 간에 사용자 민감 정보를 공유할 필요를 제거한다. 22,378개 웹사이트로부터 3억 6,000만 개의 침해된 계정이 포함된 실제 데이터셋에 대한 평가는, FL 설정에서 PassREfinder-FL이 F1-score 0.9153을 달성함을 보여준다. 또한 소거(ablation) 연구를 통해 FL 기반 GNN이 다른 최신 GNN 모델들 대비 4~11%의 성능 향상을 이룬다는 점을 추가로 검증한다. 마지막으로, 예측 결과를 비밀번호 재사용 가능성을 정량화하고 실행 가능한 위험 점수(actionable risk scores)로 활용할 수 있음을 입증한다.

Kubernetes 도입의 폭발적인 증가와 함께, 컨테이너 네트워크 인터페이스(Container Network Interfaces, CNIs)는 컨테이너 네트워크를 구성하고 보안을 강화하는 데 있어 핵심 구성요소가 되었지만, 이들의 보안 역량과 성능에 대한 종합적인 분석은 현저히 부족한 실정이다. 본 연구는 클라우드 네이티브 환경에서 Kubernetes를 대상으로 주요 CNI 플러그인(Cilium, Calico, WeaveNet, Kube-router, Antrea)을 대상으로 광범위한 평가를 수행함으로써 포괄적인 보안 분석을 실시한다. 구체적으로 Layer 3/4 정책 처리, 정책 복잡도 스케일링, 파드(pod) 확장성, 그리고 Layer 7 정책 처리에 대한 분석을 포함한다. 실험 결과에 따르면 eBPF 기반 Cilium은 복잡한 L3/4 정책 하에서 8.9K Mbps 처리량을 유지하나, L7 처리에서는 94 Mbps로 감소한다. 반면 Antrea는 HTTP 필터링을 통한 L7에서 6.6K Mbps를 달성했으며, 정책 복잡도가 증가함에 따라 성능이 저하된다. 높은 동시 파드 부하에서는 iptables 기반 CNIs가 처리량에서 60–70%의 감소를 보인 반면, Cilium은 기준 성능 대비 10% 이내에서 성능을 유지한다. 이러한 결과는 아키텍처 선택과 보안 역량 간의 핵심적인 트레이드오프를 드러내며, 클라우드 네이티브 환경에서의 특정 운영 및 보안 요구사항에 기반한 CNI 선택을 위한 실질적 지침을 제공한다.