2025년 제49회 사이버헬퍼 보안 리포트 AI-Driven Differential Access Manipulation (ADAM)

 

서론
기업 보안 정책의 핵심은 RBAC(Role-Based Access Control) 또는 ABAC(Attribute-Based Access Control)이다.
하지만 2025년 등장한 ADAM(Differential Access Manipulation)은
권한을 “침해”하는 것이 아니라
권한 간의 미세한 차이(Differential Gap) 를 찾아내
정상 권한 범위 안에서 이루어지는 것처럼 보이게 공격한다.

즉,
“권한 밖으로 나가는 행동”을 하지 않고
“권한 경계선에서만 악용”하는 공격이다.

이 유형의 공격은
Zero Trust, IAM, 권한 분리 전략 모두 우회하며
탐지 로그조차 남지 않는다.

기존 권한 공격은
승격(Elevation) 혹은 오용(Misuse)이었다면,
ADAM은 그 사이에 존재하는
“회색 권한(Grey Permission)”을 AI가 직접 찾아낸다.

1. ADAM이 위험한 이유

1. 권한 설계의 빈틈을 인간보다 AI가 더 잘 찾는다
   실제 기업 권한 구조는 다음과 같은 문제가 존재한다.

• Manager 권한과 Team Lead 권한 차이가 애매함

• 읽기/쓰기 권한 중 특정 항목만 과도하게 열림

• 테스트용 권한이 실제 운영 권한과 충돌

• SaaS마다 권한 체계가 달라 정합성 떨어짐

AI는 이러한 구조적 불일치를 스캔해
“악용 가능한 Differential Vector”를 생성한다.

1. 권한 승격을 하지 않아 탐지가 안 됨
   ADAM 공격은 절대 권한 상승을 시도하지 않는다.
   그 대신 “기본 권한이 허용하는 합법적 행동”만 사용한다.

2. 가장 위험한 공격은 항상 “합법처럼 보이는” 공격이다
   예:
   읽기 권한만 있어도
   다른 API 조합으로 데이터를 재구성할 수 있다.

3. 사람은 권한 모델을 이해하기 어렵지만
   AI는 권한 모델을 수학적 구조로 분석할 수 있다
   특히 Attribute 기반 권한은 조건문 조합이 많아
   인간이 실수하기 쉬운 반면
   AI는 조건·시나리오·순서를 무한 테스트하여
   최적 exploit을 찾아낸다.

1. ADAM 공격 구조 (6단계)

Step 1. Permission Surface Reconstruction
AI는 사용자의 권한 체계를 모두 수집한다.

예:

• CRUD 권한 세부 항목

• API endpoint 스펙

• SaaS admin panel 권한

• 조건부 권한(시간·위치 기반)

• 숨겨진 테스트 Role

• 그룹 권한 상속

이걸 기반으로 “권한 그래프 권역”이 만들어진다.

Step 2. Differential Gap Detection
권한 간의 미세한 차이를 분석한다.

예:

• Team Lead: 고객 정보 읽기

• Manager: 고객 분석 데이터 읽기
  두 권한을 조합하면
  원래 공개되지 않아야 할 전체 고객 정보를 재구성 가능.

Step 3. Permission-Oriented Chain Exploration
AI는 권한 조합별로
“가능한 행동 그래프”를 탐색한다.

이 과정은
수백만 가지 조합을 초당 테스트하며
한 번도 문서화되지 않은 취약 시나리오를 찾아낸다.

Step 4. Boundary-Level Exploitation
업무 흐름을 벗어나지도 않고
로그상 이상도 없이
정상 API만 사용한다.

예:

• 보고서 다운로드 + 필터 조합

• 특정 시간대 API 요청

• 메타데이터 기반 쿼리

• 정렬/검색 기능 악용

하나하나 보면 정상이다.
그러나 조합하면 악성이다.

Step 5. Shadow Data Synthesis
읽기 권한만 가지고도
여러 endpoint의 응답을 결합해
원래 접근 불가능한 데이터를 재구축한다.

예:
개별 필드 읽기 → 전체 DB 구조 재구성.

Step 6. Forensic Evasion via Permission Conformity
마지막 단계에서 AI는
항상 “권한이 허용하는 범위 내에서만 행동”하기 때문에

• 권한 위반 로그 없음

• 접근 제어 경고 없음

• 의심 토큰 활동 없음
  탐지 자체가 사실상 불가능하다.

1. 실제 예상 가능한 피해 시나리오

사례 A — CRM 고객 데이터 재구성
Team Lead 권한으로
개별 필드만 조회 가능하지만
AI가 수천 번의 합법 요청을 조합해
전체 고객 DB를 복원.

사례 B — SaaS Billing 권한 악용
“조회 전용”만 허용된 결제 기록 API를
특정 필터 조합으로 호출해
전체 매출 구조를 재구성한 후 외부로 유출.

사례 C — ERP 생산 데이터 추출
읽기 전용 재고 API를 반복 호출해
실제 재고·입고·출고 패턴 전체를 합법적으로 수집.

사례 D — IAM 정책 경계 우회
조건부 권한 정책의 빈틈을 악용해
“근무시간 내” 조건을 속여
관리자급 데이터 일부 접근 성공.

1. 기존 방어 체계가 실패하는 이유

1. 권한 위반이 없으니 알람이 울리지 않는다
   ADAM은 규칙을 깨지 않는다.
   오히려 규칙을 “너무 잘 지킨다”.

2. 데이터 접근량이 정상 범위 안에 존재
   AI는 제한을 넘지 않는 선에서
   천천히 데이터를 재구성한다.

3. 권한 모델의 취약점은 SIEM/EDR로 탐지 불가
   권한 구조는 애초에 보안 이벤트가 아니다.

4. ABAC 규칙 조합이 복잡해
   사람은 문제를 찾아내기 매우 어렵다.

1. 대응 전략 (전문가용)

1. Role Intersection Vulnerability Analysis
   권한 간 교차지점을 분석해
   재구성 가능한 데이터 조합 탐지.

2. Differential Permission Drift Monitoring
   권한 경계 근처에서 반복되는
   API 요청 패턴을 탐지.

3. Least-Privilege Enforcement with Correlation
   단순 최소권한이 아니라
   “권한 간 상관관계 기반 최소권한” 모델로 발전 필요.

4. Attribute Collision Testing
   ABAC 정책 조합 충돌을
   AI 시뮬레이션으로 미리 검증.

5. Permission-Level Behavioral Baseline
   역할별 API 조합 패턴을 baseline으로 저장하여
   AI식 조합형 접근을 차단.

결론
ADAM은 권한을 훔치지 않는다.
권한을 확대하지도 않는다.
단지 권한의 경계선, 즉 시스템이 허용하는 가장 어두운 틈만 공략한다.

이 공격은 파워 계정보다
“중간 권한 사용자”를 더 위험하게 만들며
기업 보안 정책 자체가 갖고 있던 허점을
AI가 그대로 증폭시킨 형태다.

사이버헬퍼는
Differential Permission 분석 엔진과
권한 조합 기반 위협 탐지 모델을 연구 중이며
향후 기업 IAM 정책 강화에
단계적으로 적용할 예정이다.