NOVA, 여러 최첨단 모델로 오픈소스 취약점을 찾다

Palo Alto Networks의 Unit 42는 **NOVA(Network and Open-Source Vulnerability Analyzer)**를 자체 에이전트 하네스와 여러 최첨단 AI 모델로 구동되는 자율형 취약점 발견·검증·보고 시스템으로 설명합니다.

회사가 공개한 테스트에서 NOVA는 두 달 동안 오픈소스 프로젝트 3,915개를 분석해 이전에 알려지지 않은 취약점 14,090건을 찾아냈습니다. Unit 42에 따르면 이 가운데 99.4%는 과거에 보고된 적이 없었고, 약 40%는 고위험 또는 치명적 수준으로 평가됐습니다.

NOVA의 의미는 단순히 발견 건수가 많다는 데 있지 않습니다. 결과를 다룬 보도에 따르면 상당수는 전통적인 자동 분석이 주로 겨냥해온 메모리 손상 버그가 아니라, 애플리케이션의 의미와 논리를 이해해야 찾을 수 있는 결함이었습니다. 권한 우회, 경로 처리 오류, 서버 측 요청 위조(SSRF), 코드 삽입 방어 실패 등이 여기에 포함될 수 있습니다.

AVDH와 마찬가지로 이 수치는 업체가 보고한 결과입니다. ‘이전에 알려지지 않았다’는 표현만으로 모든 결과가 실질적으로 악용 가능한 제로데이라는 뜻은 아닙니다. 심각도 역시 어떤 평가 체계와 점수 기준을 적용했는지에 따라 달라질 수 있습니다. 보다 신중한 결론은, 여러 모델을 결합한 에이전트 시스템이 기존 검토 절차보다 훨씬 빠르게 대규모 보안 후보를 찾아낼 수준에 도달하고 있다는 점입니다.

발견만 빨라져서는 충분하지 않다

취약점을 더 빨리 찾으면 방어 역량도 커질 수 있습니다. 그러나 조직의 수정·배포 주기가 여전히 느리다면 위기는 오히려 커집니다. CERT-EU는 취약점이 악용되기까지 걸리는 평균 시간이 마이너스 7일로 추정된다는 점을 인용했습니다. 이는 패치가 널리 배포되기 전부터 공격이 시작될 수 있다는 의미입니다.

이 지표는 패치의 역할을 다시 정의합니다. 영구적인 코드 수정은 여전히 필수지만, 개발자가 원인을 조사하고 테스트하며 공개 일정을 조율하고 단계적으로 배포하는 동안 조직의 노출을 줄이는 별도의 조치가 필요합니다.

Palo Alto Networks가 제시한 네트워크 수준의 차단

Palo Alto Networks의 Frontier AI Critical Defense Program은 AI 연구소, 상용 소프트웨어 및 오픈소스 조직, 운영기술(OT)·의료 등 주요 산업 분야를 연결해 이 문제에 대응하려는 프로그램입니다. 제안된 방식은 영구적인 소프트웨어 수정본이 나오기 전에 네트워크 수준의 ‘가상 패치’를 배포해 익스플로잇 트래픽이나 악성 프로토콜 동작을 차단하는 것입니다.

Palo Alto Networks는 Advanced Virtual Patching을 통해 기존 패치가 배포되는 데 걸리는 업계 평균 55일과 비교해, 수시간 안에 보호 조치를 적용할 수 있다고 설명합니다.

가상 패치는 취약한 코드를 고치는 대체재가 아니라 보완적 통제 수단으로 이해해야 합니다. 보안팀이 공격 경로를 정확히 파악하고, 네트워크 장비가 정상적인 활동까지 방해하지 않으면서 해당 경로를 차단할 수 있을 때 효과를 냅니다. 신뢰된 채널을 통한 공격, 암호화 트래픽, 로컬 권한 상승, 정상 사용과 구분하기 어려운 행위에는 적용 범위가 제한될 수 있습니다.

방어자가 다시 우위를 차지할 수 있을까?

가능성은 있습니다. 다만 AI 스캐너 하나를 추가하는 것만으로는 부족합니다.

더 강력한 방어 구조는 다음 단계를 하나의 운영 루프로 연결합니다.

1. 코드와 공격 표면을 매핑해 에이전트가 시스템의 실제 동작을 이해하게 합니다.
2. 대규모 가설 생성을 시작하기 전에 위협 모델을 만들고 사람이 검토합니다.
3. 여러 에이전트와 모델을 활용해 서로 다른 관점에서 탐색하고 취약한 결과를 상호 검증합니다.
4. 사람의 전문성과 실제 악용 가능성에 대한 근거를 바탕으로 취약점을 재현하고 우선순위를 정합니다.
5. 적절한 조정 절차에 따라 공개하고 영구적인 수정본을 개발합니다.
6. 패치가 준비되는 즉시 네트워크 통제나 다른 보완책으로 노출을 차단합니다.
7. 소프트웨어 패치 배포 후 문제가 실제로 해결됐는지 확인합니다.

AVDH와 NOVA가 보여주는 전략적 교훈은 분명합니다. 우위는 모델의 출력 자체가 아니라 오케스트레이션, 즉 여러 작업과 검증 단계를 얼마나 잘 연결하느냐에서 나옵니다. AI는 취약점 발견과 검증에 필요한 시간을 크게 줄일 수 있지만, 방어자는 여전히 신뢰할 수 있는 증거, 정확한 우선순위 설정, 회복력 있는 아키텍처, 그리고 같은 속도로 실행되는 배포 체계를 갖춰야 합니다.

공격자 역시 비슷한 모델을 사용할 수 있고, 가상 패치는 일시적이며 적용 범위에 의존합니다. 따라서 현실적인 목표는 제로데이 위험을 없애는 것이 아닙니다. 취약점 발견에서 차단, 수정, 검증으로 이어지는 방어 루프를 공격자가 취약점을 찾아 실제 공격에 활용하는 경로보다 더 빠르고 안정적으로 만드는 것입니다.

NOVA, 여러 최첨단 모델로 오픈소스 취약점을 찾다

Palo Alto Networks의 Unit 42는 **NOVA(Network and Open-Source Vulnerability Analyzer)**를 자체 에이전트 하네스와 여러 최첨단 AI 모델로 구동되는 자율형 취약점 발견·검증·보고 시스템으로 설명합니다.

회사가 공개한 테스트에서 NOVA는 두 달 동안 오픈소스 프로젝트 3,915개를 분석해 이전에 알려지지 않은 취약점 14,090건을 찾아냈습니다. Unit 42에 따르면 이 가운데 99.4%는 과거에 보고된 적이 없었고, 약 40%는 고위험 또는 치명적 수준으로 평가됐습니다.

NOVA의 의미는 단순히 발견 건수가 많다는 데 있지 않습니다. 결과를 다룬 보도에 따르면 상당수는 전통적인 자동 분석이 주로 겨냥해온 메모리 손상 버그가 아니라, 애플리케이션의 의미와 논리를 이해해야 찾을 수 있는 결함이었습니다. 권한 우회, 경로 처리 오류, 서버 측 요청 위조(SSRF), 코드 삽입 방어 실패 등이 여기에 포함될 수 있습니다.

AVDH와 마찬가지로 이 수치는 업체가 보고한 결과입니다. ‘이전에 알려지지 않았다’는 표현만으로 모든 결과가 실질적으로 악용 가능한 제로데이라는 뜻은 아닙니다. 심각도 역시 어떤 평가 체계와 점수 기준을 적용했는지에 따라 달라질 수 있습니다. 보다 신중한 결론은, 여러 모델을 결합한 에이전트 시스템이 기존 검토 절차보다 훨씬 빠르게 대규모 보안 후보를 찾아낼 수준에 도달하고 있다는 점입니다.

발견만 빨라져서는 충분하지 않다

취약점을 더 빨리 찾으면 방어 역량도 커질 수 있습니다. 그러나 조직의 수정·배포 주기가 여전히 느리다면 위기는 오히려 커집니다. CERT-EU는 취약점이 악용되기까지 걸리는 평균 시간이 마이너스 7일로 추정된다는 점을 인용했습니다. 이는 패치가 널리 배포되기 전부터 공격이 시작될 수 있다는 의미입니다.

이 지표는 패치의 역할을 다시 정의합니다. 영구적인 코드 수정은 여전히 필수지만, 개발자가 원인을 조사하고 테스트하며 공개 일정을 조율하고 단계적으로 배포하는 동안 조직의 노출을 줄이는 별도의 조치가 필요합니다.

Palo Alto Networks가 제시한 네트워크 수준의 차단

Palo Alto Networks의 Frontier AI Critical Defense Program은 AI 연구소, 상용 소프트웨어 및 오픈소스 조직, 운영기술(OT)·의료 등 주요 산업 분야를 연결해 이 문제에 대응하려는 프로그램입니다. 제안된 방식은 영구적인 소프트웨어 수정본이 나오기 전에 네트워크 수준의 ‘가상 패치’를 배포해 익스플로잇 트래픽이나 악성 프로토콜 동작을 차단하는 것입니다.

Palo Alto Networks는 Advanced Virtual Patching을 통해 기존 패치가 배포되는 데 걸리는 업계 평균 55일과 비교해, 수시간 안에 보호 조치를 적용할 수 있다고 설명합니다.

가상 패치는 취약한 코드를 고치는 대체재가 아니라 보완적 통제 수단으로 이해해야 합니다. 보안팀이 공격 경로를 정확히 파악하고, 네트워크 장비가 정상적인 활동까지 방해하지 않으면서 해당 경로를 차단할 수 있을 때 효과를 냅니다. 신뢰된 채널을 통한 공격, 암호화 트래픽, 로컬 권한 상승, 정상 사용과 구분하기 어려운 행위에는 적용 범위가 제한될 수 있습니다.

방어자가 다시 우위를 차지할 수 있을까?

가능성은 있습니다. 다만 AI 스캐너 하나를 추가하는 것만으로는 부족합니다.

더 강력한 방어 구조는 다음 단계를 하나의 운영 루프로 연결합니다.

1. 코드와 공격 표면을 매핑해 에이전트가 시스템의 실제 동작을 이해하게 합니다.
2. 대규모 가설 생성을 시작하기 전에 위협 모델을 만들고 사람이 검토합니다.
3. 여러 에이전트와 모델을 활용해 서로 다른 관점에서 탐색하고 취약한 결과를 상호 검증합니다.
4. 사람의 전문성과 실제 악용 가능성에 대한 근거를 바탕으로 취약점을 재현하고 우선순위를 정합니다.
5. 적절한 조정 절차에 따라 공개하고 영구적인 수정본을 개발합니다.
6. 패치가 준비되는 즉시 네트워크 통제나 다른 보완책으로 노출을 차단합니다.
7. 소프트웨어 패치 배포 후 문제가 실제로 해결됐는지 확인합니다.

AVDH와 NOVA가 보여주는 전략적 교훈은 분명합니다. 우위는 모델의 출력 자체가 아니라 오케스트레이션, 즉 여러 작업과 검증 단계를 얼마나 잘 연결하느냐에서 나옵니다. AI는 취약점 발견과 검증에 필요한 시간을 크게 줄일 수 있지만, 방어자는 여전히 신뢰할 수 있는 증거, 정확한 우선순위 설정, 회복력 있는 아키텍처, 그리고 같은 속도로 실행되는 배포 체계를 갖춰야 합니다.

공격자 역시 비슷한 모델을 사용할 수 있고, 가상 패치는 일시적이며 적용 범위에 의존합니다. 따라서 현실적인 목표는 제로데이 위험을 없애는 것이 아닙니다. 취약점 발견에서 차단, 수정, 검증으로 이어지는 방어 루프를 공격자가 취약점을 찾아 실제 공격에 활용하는 경로보다 더 빠르고 안정적으로 만드는 것입니다.