기본 콘텐츠로 건너뛰기

인식과 신뢰 그리고 보안성 테스팅

보안성 테스팅은 크게 2가지로 생각해 볼 수 있다.

하드웨어 그리고 소프트웨어..

무슨 말인고 하니..

단순히 기술적인 그리고 장비 위주의 보안 테스팅이 있다. 방화벽, 라우터, 공격 탐지, 트래픽 추적 등 눈에 보이고 자동화 가능하고 수많은 벽을 둘러치고 그 벽이 튼튼하고 안전한지 검증하는 테스팅은 하드웨어라고 볼 수 있다.

이러한 테스팅 방법은 지금도 많은 곳에서 수 없는 기법과 장비가 만들어지고 소개되고 판매되고 있다.

때문에 이 방법은 정보를 얻기도 쉽고 커뮤니티도 쉽게 찾을 수 있다.

힘들긴 하지만 미칠 듯 노력하면 쉽게 어느 정도의 경지에 도달할 수도 있다.

하지만 우리는 이러한 이면에 숨겨져 있는 다른 부분에 대해서는 그다지 많이 고민하지는 않는 것 같다.

물론 국제 표준도 있으며, 국내에 커뮤니티도 있고, 이와 관련된 자격증도 있는 것으로 안다.

하지만 하드웨어적인 보안 테스팅에 비해 많이 알려지지 않은 것은 사실인 것 같다.

누구나 알고 있지만 해답을 찾기도 쉽지 않고 테스팅 하기도 어려운 이것은 조직과 개인 그리고 정책 차원의 보안 테스팅 즉, 내가 소프트웨어 보안 테스팅이라고 부르는 것이다.

이 소프트한 보안의 근간은 신뢰이다.

신뢰는 일종의 맹신과 같은 형태로 나타나기도 한다.

이것이 하드웨어적인 보안을 한방에 부술 수 있는 매우 강력한 형태로 나타나기도 한다.

신뢰란 무엇일까?

우리는 무엇을 근거로 신뢰를 하는 것일까?

이것을 파악할 수 있다면 좀 더 튼튼한 보안 체계를 구축할 수 있을 것이다.

한가지 예를 들어보도록 하자..

자 당신이 은행에 가서 상담원과 독대를 하고 펀드나 적금 상품을 가입한다고 해보자.

상담원이 당신에게 주민등록증을 요구할 때 당신은 당신의 소중한 개인정보를 건네주면서 어떤 생각을 하시나요?

상담원을 의심해 본적 있으신가요?

잠시 고민을 하지만 거의 대부분 스스럼 없이 주민등록증을 건네줍니다.

반대로 당신이 길에서 생판 처음 보는 사람이 주민등록증 좀 잠시 보여달라고 하면 어떻게 반응하시나요?

아마 대부분은 절대 건네주지 않을 겁니다.

두 경우가 전혀 상관 없어 보이시나요?

상관 없어 보일 수도 있지만 한가지 공통점은 당신에게 주민등록증을 요구한 사람은 당신과는 일면식도 없는 생판 남이라는 사실입니다.

하지만 당신은 은행 직원이라는 사전 조건에 따라 상담원은 신뢰를 하고 당신의 소중한 개인정보를 건네주었지만 길에서 만난 사람은 당신이 신뢰할 수 있는 어떤 조건도 없기 때문에 요구를 거절한 것입니다.

즉, 우리는 동일한 경우라도 조건에 따라 다르게 반응하고 있는 것입니다.

이러한 경우를 우리는 주변에서 쉽게 찾을 수 있습니다.

그리고 이러한 신뢰의 맹점을 이용한 사기수법이 바로 보이스 피싱과 같은 것입니다.

이러한 보안 우회 경로는 하드웨어적으로 처리하기 매우 어렵다는 것이 사실입니다.

솔직히 저도 이러한 경우에 대한 솔루션을 아직은 잘 모르겠습니다.

우리가 무엇인가를 신뢰하게 되는 이유는 무엇일까요?

전 그 이유 중 하나가 이득이라고 생각합니다. 자신이 보안을 조금 양보함으로서 얻을 수 있는 이득이 무엇인지 우리는 무의식적으로 항상 계산하고 있고 그 이익이 보안보다도 더 상위에 있게 된다면 우리는 인지부조화의 과정을 거쳐 보안에 대하여 타협을 하게 된다고 봅니다. 그리고 그러한 과정이 반복해서 학습된다면 보안에 대한 의식이 결론적으로 약화되고 피해를 보게 되는 것이죠.

가장 대표적인 사례가 바로 액티브 엑스로 떡칠된 보안 프로그램과 공인인증서라고 생각합니다.

우리가 쇼핑몰, 은행, 전자 정부와 같은 서비스를 이용하기 위해서는 기본적인 보안은 포기해야 했고, 그것이 당연한 것처럼 우리는 학습되었다고 봅니다.

우리 나라에서 보안 관련 사건 사고가 많은 이유는 올바른 보안에 대한 관점과 행동 양식을 지도하기 보다 이 모든 것을 시스템에 의존하게 함으로써 문제를 키웠기 때문이라고 봅니다.

여러분은 어떻게 생각하시나요?

이 짧은 포스팅은 여러분이 보안 테스팅을 하실 때 조금은 다른 관점에서 바라보셨으면 하는 바램에서 슬쩍 단초를 던진 것 뿐입니다.

후에 기회가 된다면 좀 더 자세한 포스팅을 할 수 있도록 하겠습니다.

솔직히 이 포스팅은 생각을 정리하기 위해 시작했다가 시간이 너무 흘러 내용을 많이 잊은 상태에서 작성했습니다.

관련해서 더 풍성한 의견을 댓글이나 트랙백으로 주시면 고맙겠습니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...

AI의 UX, 단 5개 문항으로 측정하는 방법: SUXAI

테스트 관리에는 아주 유명한 명언이 있습니다. 어쩌면 이 말은 테스트 관리에서만 유용한 얘기는 아닐거고.. 어쩌면 여러분도 다른 곳에서 들었을 수도 있습니다. "측정할 수 없으면 개선할 수 없다" 지난 글(https://murianwind.blogspot.com/2026/07/ai_01010698011.html)에서 생성형 AI 시대에는 기존의 일반적인 사용성 지표(SUS 등)만으로는 부족하며 정확성, 신뢰성, 설명 가능성, 제어 가능성이라는 AI 에 특화된 품질 특성이 필요하다고 정리해 드린 바 있습니다. 하지만 실무자의 입장에서 항상 부딪히는 현실적인 고민이 있습니다. "이론은 좋은데, 당장 매주 업데이트되는 AI 기능의 UX를 바쁜 현장에서 어떻게 빠르고 정량적으로 측정할 것인가?"라는 점이죠. MeasuringU에서 이에 대한 명확하고 실용적인 해답을 제시하는 후속 아티클을 공개했습니다. 바로 "Streamlined Measurement of the UX of AI"입니다. (출처: MeasuringU - Streamlined Measurement of the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/streamlined-measurement-of-the-ux-of-ai/ Jeff Sauro와 Jim Lewis 박사는 실무 연구자들과 테스터들이 긴 설문이나 복잡한 프레임워크 없이도 AI 제품의 핵심 품질을 빠르게 측정할 수 있도록 SUXAI(Streamlined UX of AI)라는 간소화된 측정 모델을 구축했습니다. 기존에 수많은 문항으로 분산되어 있던 지표들을 통계적 요인 분석을 통해 쥐어짜고 압축하여, 핵심적인 5가지 5점 척 문항 으로 표준화했습니다. SUXAI를 구성하는 5가지 핵심 평가 문항 정확성 (Accuracy): "이 AI가 생성한 결과물은 정확하다." 신뢰성 (Trust/Re...

합성 사용자(Synthetic Users)의 5가지 유형과 AI 테스팅 현장에서의 활용법

AI와 생성형 모델 기술이 발전하면서, 사용자 경험(UX) 연구와 테스팅 현장에서 가상 퍼소나를 활용해 테스트 데이터를 수집하거나 사용성을 평가하려는 시도가 급격히 늘고 있습니다. 이를 흔히 '합성 사용자(Synthetic Users)'라고 부릅니다. 하지만 막연히 "AI에게 사용자 역할을 시켜 테스트를 돌린다"고 할 때, 그 가상 사용자가 어떤 방식과 데이터로 생성되었는지 명확히 구분하지 않으면 자칫 왜곡된 결과에 빠질 위험이 있습니다. UX 및 사용성 리서치 분야의 권위 있는 기관인 MeasuringU에서 이 합성 사용자의 개념을 명쾌하게 분류한 아티클을 공개했습니다. 바로 "What Are the Different Types of Synthetic Users?"라는 글입니다. (출처: MeasuringU - What Are the Different Types of Synthetic Users? / Jeff Sauro, PhD & Jim Lewis, PhD) https://measuringu.com/what-are-the-different-types-of-synthetic-users/ Jeff Sauro와 Jim Lewis 박사는 합성 사용자를 단순히 하나의 개념으로 뭉뚱그리지 않고, 생성 기술의 근거와 데이터 기반에 따라 크게 5가지 유형으로 깔끔하게 정리해 줍니다. 첫째는 규칙 기반(Rule-Based) 합성 사용자입니다. AI 모델이 아니라 사전 정의된 조건문, 정규식, 시나리오 스크립트에 따라 움직이는 전통적인 형태의 가상 사용자입니다. 예측 가능하고 정확하지만, 인간 사용자의 복잡한 정서나 미묘한 변수를 반영하진 못합니다. Selenium, Playwright, K6 같은 도구를 통해 지정된 경로대로 버튼을 누르고 데이터를 입력하는 방식을 들 수 있습니다. 둘째는 퍼소나 기반 LLM(Persona-Based LLM) 합성 사용자입니다. 생성형 AI에게 "너는 50대 비테크놀로지 사용...