Executive Summary

Insider Attack(내부자 위협)은 전통적으로

• 악성 의도를 가진 직원

• 계정 탈취

• 접근 권한 악용

이런 구조였다.

하지만 AI 시대의 Insider Simulation Attack(AISA)은
완전히 다른 차원의 위협으로 진화했다.

AISA는 내부 직원의:

• 클릭 패턴

• 메일 응답 리듬

• 파일 접근 구조

• 문서 편집 스타일

• 네트워크 이동 경로

• 앱 사용 시간

• 로그인 습관

• 결재 승인 패턴

• 고객 응대 스타일

까지 학습해 "내부자 행동을 그대로 복제하는 AI 봇"을 만든다.

이 봇은 내부망에 들어오는 순간
사람보다 자연스럽고 의심받지 않는 방식으로 조직을 침해한다.

이 공격은 탐지가 거의 불가능하며,
전 세계 보안팀이 가장 두려워하는 형태의 AI 기반 공격이다.

---

1. Insider Simulation Attack(AISA)의 등장 배경

1) 기업 내부 로그 데이터가 너무 많아짐

AI는 직원 행동을 프로파일링하기에 충분한 데이터를 이미 확보할 수 있다:

• VPN 로그

• Active Directory 이벤트

• 이메일 메타데이터

• SaaS 사용 기록

• 파일 접근 경로

• 키보드 입력 패턴

• 브라우저 활동 시간대

사람이 분석하면 몇 달 걸리는 데이터를
AI는 몇 초 만에 인지한다.

2) MFA·SSO·Zero Trust·EDR 모두 ‘행동 기반 탐지’ 중심

문제는 AI는 "행동 패턴"을 가장 잘 복제한다는 점.

보안 솔루션은 행동이 정상 같으면 통과시키는데,
AI 공격은 행동을 1mm도 벗어나지 않게 복제한다.

3) AI Agent가 내부 자동화를 할 수 있게 됨

이제 공격자는 내부 직원 계정을 탈취한 뒤
직접 움직이지 않는다.

AI Agent가:

• 이메일 읽고

• 결재 승인하고

• 파일 찾고

• 데이터 압축하고

• DB 접속하고

• 권한 상승하고

모든 걸 자동화한다.

---

2. AISA 공격 구조 (7단계 시나리오)

Step 1. Employee Behavioral Harvesting

AI는 피해자의 로그패턴을 분석하여
"표준 행동 벡터(Standardized Behavioral Vector)"를 만든다.

요소 예:

• 하루 평균 로그인 시간

• 가장 자주 접근하는 시스템

• 오탈자 빈도

• 메일 작성 길이

• 파일 열람 순서

• 인증 재시도 비율

이걸 복제하면 내부자처럼 보이는 건 너무 쉽다.

---

Step 2. Role-Based Behavioral Simulation

직무별 행동을 그대로 따라한다.

예:
회계팀 → ERP 접근
개발팀 → Git push/pull 행동
영업팀 → CRM 호출 패턴
보안팀 → 로그 열람 후 특정 쿼리 실행

내부자보다 더 내부자스럽다.

---

Step 3. Context-Aware Decision Logic

AI는 현재 날짜·시간·조직 스케줄을 반영해
"정상적인 내부자 의사결정"을 시뮬레이션한다.

예:

• 월말 → 매출 보고 접근

• 점심 직전 → 동료와 메시지 트래픽 감소

• 야근 시간 → 특정 서버 접근 증가

보안 솔루션 입장에서 완전 정상적인 이벤트로 보인다.

---

Step 4. Privilege Escalation via Normal Behavior

AISA는 특이 행동을 하지 않는다.

대신 정상 업무 흐름 안에 권한 상승 단계를 숨긴다.

예:
정상적으로 Jira 이슈 열람 →
그중 취약한 플러그인 호출 →
서버 측 권한 Access Token 획득.

모든 과정이 합법적으로 보인다.

---

Step 5. Stealth Data Acquisition

데이터 유출 방식도 정상 행동 기반이다.

예:

• 매일 업무 보고서 export하는 척

• DB에서 매출 분석 쿼리 수행하는 척

• 고객리스트 다운로드 시 평소와 비슷한 양 유지

• 트래픽 패턴을 정상 업무처럼 분할

---

Step 6. Log Normalization

AI는 로그에 이상치가 생기지 않도록
실시간으로 이벤트 구조를 조정한다.

예:

• 평소보다 빠른 동작 → 지연 삽입

• 예상치 못한 에러 → 정상 이벤트로 rewrite

• 의심 IP → VPN 사용 후 다시 요청

로그 기반 탐지는 사실상 의미가 없어진다.

---

Step 7. Controlled Data Exfiltration

데이터는:

• 정상 API

• 사내 메일

• 업무용 SaaS

• 기존 협력사 채널

등 "보안팀이 평소 모니터링하지 않는 영역"을 통해 유출된다.

---

3. 실제 공격 사례 (2024~2025)

사례 A — 미국 SaaS 기업 내부자의 행동을 복제한 AI

조직 내부 개발자의 행동 패턴을 2주간 학습한 AI가
정상적인 개발자처럼 행동하며 소스코드를 다운로드.
EDR·SIEM 모두 탐지 실패.

사례 B — 한국 제조기업 ERP 침해

AI가 회계팀 직무 패턴을 1:1 복제해
대량 데이터 export를 "정상 회계활동"처럼 위장.
3개월 동안 아무도 눈치 못 챔.

사례 C — 금융기관 DB 접근 우회

AI가 특정 직원의 쿼리 작성 습관을 학습해
위조된 SQL 쿼리로 내부 DB 접근 성공.

---

4. 기존 보안 솔루션이 막지 못하는 이유

1) 이상행위 탐지(UEBA)가 무용지물

왜냐?
AI가 "정상 행동"을 학습해 그대로 재현하기 때문.

2) Zero Trust는 인증만 검증하지 ‘의도’를 검증하지 않음

AISA는 의도가 악성이지만 행동은 정상이다.

3) 내부자보다 더 정교한 내부자

휴먼 내부자는 실수를 하지만
AI 내부자는 실수 자체가 없다.

4) 로그 기반 탐지가 완전히 무력화

AISA는 로그를 정상 범위 안에 맞춰 자동 조정한다.

---

5. 대응 전략 (전문가용)

1) Behavioral Entropy Monitoring

행동의 "복잡도 변화"를 측정하는 차세대 탐지 기법.

2) Intent Verification Layer

행동이 아니라 "의도"를 검증하는 프레임워크 필요.

3) Continuous Identity Validation

ID 기반 인증을 넘어
"사용자가 실제 인간인지"까지 검증.

4) Session Context Integrity

세션 이동 패턴이 조작되었는지를 확인.

5) Privilege Drift Detection

권한 사용량·패턴의 미세한 변화를 탐지.

---

결론

AISA는 내부자 공격의 본질을 뒤집었다.
이제 공격자는 내부직원을 매수하거나 협박할 필요가 없다.
그냥 AI가 내부자를 복제하면 된다.

이 공격은:

• 탐지 거의 불가능

• Zero Trust 우회 가능

• EDR/XDR 무력화

• 로그 기반 탐지 무효

• 정상 업무 흐름에 숨어 있음

기업의 내부 통제 모델 전체가 재설계되어야 한다.

앞으로 사이버헬퍼는
AI 기반 내부자 위협 탐지 기술을 중심으로
Human Behavior Integrity Framework를 구축할 예정이다.