포트폴리오

각 성과의 배경, 역할, 결과와 교훈을 상세히 소개합니다.

IoT 스마트 도어벨 취약점 분석

APT 그룹 분류와 CTI 분석에서는 실제 캠페인 데이터가 제한적이어서, TTP 시퀀스를 증강하더라도 공격 전술 구조와 실행 가능성을 훼손하지 않는 검증 체계가 필요했습니다.
LLM을 자유 생성기로 사용하면 그럴듯하지만 검증되지 않은 캠페인 변종이 만들어질 수 있어, 후보 풀 제약과 독립 검증기를 결합한 구조가 필요했습니다.

MuCamp2 논문이 IEEE Access 2026에 게재되었고, IEEE Xplore 및 GitHub 저장소를 통해 논문·코드 산출물을 공개했습니다.
tactic violation rate 0%를 달성하고, L3 pass rate에서 Lazarus +5.5pp, MenuPass +3.0pp의 개선을 보고했습니다.
LLM을 신뢰 주체가 아니라 제한된 선택·정제 모듈로 두고, 독립 검증기로 산출물을 gate하는 보안 연구 패턴을 정리했습니다.

보안 데이터 증강에서 중요한 것은 생성량보다 구조적 무결성, 검증 기준, coverage 한계를 함께 공개하는 것임을 확인했습니다.
LLM 기반 보안 자동화는 모델 성능만으로 설득되지 않으며, 신뢰 경계·제약 조건·재현 가능한 평가 파이프라인이 함께 설계되어야 한다는 점을 배웠습니다.

IoT 펌웨어 취약점 분석은 파일 시스템, ELF 바이너리, 쉘 스크립트, SBOM, CVE 매칭, 동적 검증 결과가 분리되어 있어 분석가가 바로 따라갈 수 있는 재현 가능한 근거 체인을 만들기 어려웠습니다.
Agentic AI 기반 AEG를 실제 펌웨어 규모에 적용하려면, LLM의 추론보다 먼저 해시·오프셋·파일 경로·stage 산출물로 검증 가능한 결정론적 증거 구조가 필요했습니다.

FirmAE 데이터셋 1,123개 펌웨어 이미지 대상 검증에서 98.8% 성공률(1110/1123)을 달성했습니다.
v3.0.0-rc1 프리릴리즈 기준 Hybrid Analysis Engine으로 확장하고, LLM Tribunal 기반 오탐 감소율 99.3%를 기록했습니다.
TP-Link ER605 검증에서 1,334개 쉘 스크립트를 처리하고 TOP 20 script finding을 수동 검토해 binary-only 스캐너 한계를 보완했습니다.
Netgear R7000 CVE-2017-5521 real known-vulnerable/patched pair에서 vulnerable gate pass와 patched/control dynamic fail-closed 증거를 기록했습니다.
1,136개 이상의 테스트, release gate, 문서 정합성 검증을 통해 대규모 펌웨어 분석 파이프라인을 회귀 가능한 상태로 안정화했습니다.
아키텍처 설계, 핵심 개발, 디버깅, 벤치마크, 테스트, 문서화, 발표까지 프로젝트의 대부분 핵심 작업을 엔드투엔드로 직접 수행했습니다.

보안 자동화에서 중요한 것은 모델이 그럴듯한 답을 내는 것이 아니라, 모든 판단이 원본 바이트와 재현 가능한 근거로 되돌아갈 수 있게 만드는 것임을 배웠습니다.
Agentic AI를 실제 취약점 분석에 적용하려면 자동화, 검증, 리포팅, 팀 운영을 하나의 시스템으로 설계해야 한다는 것을 경험했습니다.