Executive Summary

초기 AI 공격은 텍스트 기반 피싱이었다.
그다음은 음성 딥페이크,
2024~2025년 들어 영상 딥페이크까지 보편화됐다.

그러나 이제 공격자들은 텍스트 + 음성 + 영상 + 행동 패턴을
한 번에 결합해 실행하는
Multimodal Threat(다중 모달 공격) 을 사용한다.

이 공격은 다음 특성을 가진다:

1. 세 가지 채널(문자·말·영상)이 동일 인물처럼 일관된 패턴을 가진다

2. AI가 공격 시나리오 전체를 자동 생성한다

3. 사람뿐 아니라 보안 시스템도 속는다

4. 인증·결재·승인·KYC 등 인간 검증 절차가 무력화된다

Multimodal Threat는 단순한 피싱이 아니라
인간의 “감각 기반 신뢰 체계” 자체를 붕괴시키는 공격이다.

---

1. Multimodal Threat가 등장한 배경

① 모델 간 결합이 기술적으로 완성됨

음성 모델(TTS/VC) + 영상 모델(GAN/Diffusion) + 텍스트 LLM 이
서로의 출력을 받아 자동으로 “동기화된 신원”을 생성한다.

---

② 공격 자동화 플랫폼 확산

공격자가 타깃을 주면 AI가:

• 이메일 생성

• 음성통화 스크립트 생성

• 영상 딥페이크 생성

• 행동 패턴 시뮬레이션

• 인증 절차 우회 로직 설계

모든 입력을 자동 조합.

---

③ 기업이 영상·음성 기반 인증을 확대

재무 승인, 비상 변경 요청, 원격 근무 등에서
영상/음성 인증을 쓰는 기업이 늘면서
공격 표면이 증가.

---

④ 사람의 ‘시각·청각 신뢰’를 악용

인간은 자신의 눈과 귀를 가장 믿도록 설계돼 있다.
AI는 이 지점을 공격한다.

---

2. Multimodal Threat의 구조 (4-Layer Attack Model)

Multimodal Threat는 네 가지 레이어로 구성된다.

---

1) Identity Fabrication Layer

AI가 완벽한 디지털 인물을 생성:

• 텍스트 말투

• 목소리 특징

• 얼굴/표정

• 비언어적 제스처

심지어 과거 대화 패턴까지 모방.

---

2) Behavioral Synchronization Layer

텍스트·음성·영상이 모두 동일한 인물처럼 보이도록
자연스러운 "행동 연속성"을 조정한다.

예:

• 말투와 손동작이 맞음

• 눈 깜빡임·고개 각도·호흡 타이밍 일치

• 텍스트 메시지 스타일 = 통화 스타일 = 영상 스타일

이 “싱크로율”이 인간의 의심을 완벽히 제거한다.

---

3) Multichannel Delivery Layer

공격이 여러 채널로 동시에 들어온다:

• 이메일(텍스트)

• 전화(음성)

• 영상통화(영상)

• 메시지 앱(텍스트)

• 심지어 Zoom/Teams 화상회의 요청

사용자는 “이 정도면 진짜겠지”라고 착각한다.

---

4) Action Execution Layer

공격자가 원하는 실제 행동을 타깃으로부터 유도:

• 송금 승인

• 계정 복구 승인

• 재무 보고서 전달

• VPN 접근 허용

• KYC 인증 우회

• 내부 시스템 접근 요청 승인

---

3. 실제 Multimodal Threat 공격 사례 (2024–2025)

사례 A — 글로벌 회계법인 CFO 사칭 사건

공격자는 CFO의 텍스트/음성/영상 모델을 완벽히 복제.
영상통화로 "긴급 송금" 요청을 진행했고,
20억 원 이상이 해외로 송금됨.

---

사례 B — 인사팀 사칭을 통한 임직원 정보 탈취

텍스트 메일 → HR 담당자 음성통화 → 영상 미팅 요청
순차적 삼중공격으로 500명 직원 정보 탈취.

---

사례 C — 인증 시스템 우회

영상·음성 기반 실명인증(KYC) 시스템에
Multimodal Deepfake로 접근해 계정 개설 성공.

---

사례 D — 개발자 계정 탈취

개발자에게 영상통화로 MFA 재설정을 요청,
음성까지 자연스러워서 의심하지 못하고 승인.

---

4. Multimodal Threat가 보안에 치명적인 이유

① '사람을 속이는 수준'에서 ‘시스템을 속이는 수준’으로 진화

AI는 영상 인증, 생체 인증 시스템까지 우회한다.

---

② 3개 모달리티가 서로 위조를 강화

텍스트만 보면 의심되지만
음성 + 영상까지 동일인물처럼 보이면
사람은 95% 이상 속는다.

---

③ UEBA·Fraud Detection 모델도 무력화

Multimodal Threat는 정상 업무 패턴을 그대로 모방한다.

---

④ 기업의 승인 구조를 직접 공격

승인자는 심리적으로 강하게 속기 때문에
정보·돈·권한을 스스로 넘겨버리는 사태가 발생.

---

5. 대응 전략 (전문가용)

1) Multimodal Liveness Detection

단순 영상/음성이 아니라
다중 모달 기반 "진짜 인간" 검증 필요.

• 미세 근육 움직임 분석

• 음성 파형 미세 진폭 변화

• 영상 노이즈 패턴 검증

• 비언어적 반응 분석

---

2) Action Verification Protocol 도입

승인·송금·권한 변경 요청은
다음 기준 충족 시에만 진행:

• 요청자 Risk Score

• 과거 행동 패턴 비교

• 세션 환경 분석

• 인간 검증자 2인 승인

---

3) Multichannel Correlation Analysis

텍스트/음성/영상이 동시에 도착하는 경우
이를 "고위험 이벤트"로 자동 분류.

---

4) AI Deepfake Threat Intelligence

다음 정보를 수집:

• 딥페이크 스튜디오

• 합성 모델 서명

• 공격 샘플 패턴

• Voice/Facial embedding fingerprint

---

5) Workforce Training (전문가용 시나리오 교육)

일반적인 “피싱 교육”으로는 무력.
실제 Multimodal 공격 시나리오 기반 교육 필요.

---

결론 및 전망

Multimodal Threat는
피싱 → vishing → deepfake 인증 공격의 끝판왕이며,
사람과 보안 시스템 모두를 속이는 가장 치명적인 공격 모델이다.

기업이 반드시 준비해야 할 미래 방향:

• 다중모달 Liveness 기술 채택

• 승인 절차 강화

• 의사결정자 대상 고급 교육

• Deepfake 탐지 체계 도입

• 멀티채널 상관관계 분석

사이버헬퍼는
텍스트·음성·영상 기반 공격을 통합적으로 탐지할 수 있는
Multimodal Threat Defense Engine을 제공해
기업의 인간 기반 신뢰 체계를 보호할 것이다.