한 대의 서버에서 여러 운영체제를 실행할 수 있는 이유는 CPU와 메모리를 운영체제마다 물리적으로 나눠 끼웠기 때문이 아니다. 하이퍼바이저가 각 가상머신에 독립적인 컴퓨터처럼 보이는 실행 환경을 제공하고, 실제 하드웨어를 사용하는 순서와 범위를 조정하기 때문이다. 가상머신에 CPU와 메모리를 지정하는 작업은 물리 자원을 새로 만드는 작업이 아니다. 하이퍼바이저의 원리를 이해하려면 화면에 표시되는 자원과 실제로 사용할 수 있는 자원을 구분해야 한다. 가상머신에는 운영체제가 있고, 하이퍼바이저는 실행 경계를 관리 가상머신(VM)은 가상 CPU, 메모리, 디스크, 네트워크 장치를 제공받고 그 위에서 자체 운영체제와 애플리케이션을 실행한다. 물리 서버를 호스트, VM 안의 운영체제를 게스트 운영체제라고 부..

기업 IT 인프라를 운영할 때 서버를 한 대 도입할 때마다 물리 장비를 추가해야 한다면 비용과 관리 부담이 빠르게 증가한다. 서버 가상화는 하나의 물리 서버에 여러 가상 머신(VM)을 배치하여 컴퓨팅 자원을 유연하게 활용하는 기술이다. 그러나 가상화는 단순히 서버 대수를 줄이는 기술이 아니다. 물리 호스트의 장애, 관리 계정, 가상 네트워크, 백업 문제를 간과하면 여러 업무 시스템이 동시에 중단될 수 있다. 1. 서버 가상화와 가상 머신의 개념 서버 가상화는 물리 서버의 CPU, 메모리, 저장장치, 네트워크 자원을 논리적으로 분리하여 다수의 독립적인 실행 환경에 제공하는 방식이다. 가상 머신과 하이퍼바이저 VM은 가상의 CPU..

생성형 AI를 기업 업무에 적용하려는 움직임이 빠르게 확산되고 있다. 문서 요약, 보고서 작성, 고객 상담, 사내 지식 검색, 개발 지원 등 적용할 수 있는 영역도 넓다. 그러나 기업이 생성형 AI를 실제 업무에 연결하려면 모델이나 서비스 선정에 앞서 확인해야 할 것이 있다. 바로 AI가 사용할 데이터의 관리 체계다. 생성형 AI는 데이터와 분리해서 생각하기 어렵다. 사용자가 프롬프트에 입력하는 정보뿐 아니라 사내 문서, 데이터베이스, 지식관리시스템, 업무 시스템의 데이터를 검색증강생성(RAG)이나 API로 연결할 수도 있다. 데이터의 출처와 권한, 품질, 개인정보 포함 여부가 제대로 관리되지 않은 상태에서 AI의 접근 범위부터 확대하면 기존 데이터 관리 문제까지 AI를 통해 증폭될 수 있다. 따라서..

생성형 AI를 사용할 때 사용자는 질문을 입력하고 몇 초 안에 답변을 받습니다. 이 과정만 보면 AI가 질문을 받을 때마다 새로운 지식을 학습하는 것처럼 보일 수 있습니다. 하지만 실제 AI 시스템에서는 학습(Training)과 추론(Inference)이 명확히 구분됩니다. 학습은 모델의 파라미터를 조정하는 과정이고, 추론은 이미 학습된 모델을 이용해 새로운 입력에 대한 결과를 생성하는 과정입니다. 일반적인 생성형 AI 서비스에서 사용자가 프롬프트를 입력해 답변을 받는 순간에는 대부분 모델 자체를 다시 학습시키는 것이 아니라 추론이 수행됩니다. AI 학습과 추론은 무엇이 다른가 AI 학습은 모델의 파라미터를 만드는 과정이다 AI 학습은 대량의 데이터를 모델에 입력하고, 모델이 원하는 결과를 더 잘..

클라우드 환경에서 보안 사고를 이야기할 때 방화벽, 취약점, 악성코드 같은 기술적 통제를 먼저 떠올리기 쉽다. 그러나 실제 클라우드에서는 누가 어떤 리소스에 어떤 권한으로 접근할 수 있는지를 결정하는 IAM(Identity and Access Management)이 보안의 중심에 가깝다. 온프레미스 환경에서는 네트워크 경계와 서버 계정이 접근 통제의 중요한 기준이었다. 반면 클라우드에서는 사용자뿐 아니라 애플리케이션, 가상머신, 컨테이너, 자동화 도구 같은 워크로드도 각각 하나의 신원으로 동작한다. 이 신원에 역할과 정책이 연결되고, 그 정책이 특정 계정·프로젝트·구독·리소스에 적용된다. 문제는 IAM이 단순히 “사용자에게 권한을 주는 기능”이 아니라는..

기업 시스템에서 사용자 인증은 오랫동안 아이디와 비밀번호를 중심으로 운영되어 왔다. 하지만 비밀번호는 사용자가 기억해야 하는 하나의 정보에 의존하기 때문에 피싱, 비밀번호 재사용, 크리덴셜 스터핑, 패스워드 스프레이와 같은 공격에 반복적으로 노출될 수 있다.MFA(Multi-Factor Authentication)는 이런 비밀번호 중심 인증의 한계를 보완하기 위해 서로 다른 종류의 인증 요소를 결합하는 방식이다. 중요한 점은 단순히 인증 단계를 두 번 수행하는 것이 아니라, 서로 다른 인증 요소를 조합해야 한다는 것이다.비밀번호만 사용하는 인증의 구조와 한계MFA를 구성하는 인증 요소MFA 인증은 어떤 순서로 동작하는가MFA 방식마다 보안 수준이 다른 이유기업 환경에서 MFA를 적용할 때 고려할 사항실무..

기업의 보안 환경에서는 방화벽, IPS, WAF, 서버, 운영체제, 웹 애플리케이션, 인증 시스템, 클라우드 서비스 등 수많은 시스템이 각각 다른 형식으로 로그를 생성한다. 같은 IP 주소를 의미하더라도 어떤 장비는 src, 다른 제품은 source_ip, 또 다른 시스템은 client_ip와 같이 서로 다른 필드명을 사용할 수 있다.이처럼 형식과 의미가 제각각인 로그를 그대로 수집하기만 해서는 통합 검색이나 이벤트 상관분석이 어렵다. 그래서 SIEM(Security Information and Event Management)과 중앙 로그 관리 환경에서는 서로 다른 로그를 공통된 형태로 변환하는 로그 정규화(Log Normalization) 과정이 중요하다.NIST는 로그 정규화를 각 로그 데이터 필드를..

인터넷 서비스를 운영하는 기업이라면 순간적인 트래픽 증가를 반드시 공격으로 볼 수는 없습니다. 광고·이벤트·뉴스 노출로 정상 사용자가 급증할 수도 있고, 반대로 전체 대역폭은 크게 증가하지 않았는데 특정 서버나 애플리케이션의 처리 자원만 고갈되는 DDoS 공격도 발생할 수 있습니다.따라서 DDoS 탐지의 핵심은 단순히 “트래픽이 많아졌는가”를 확인하는 것이 아닙니다. 평소의 정상 트래픽 특성을 기준으로 네트워크 대역폭, 패킷 처리량, 세션 수, 요청 패턴, 서버 자원 사용률 등을 함께 관찰하고 비정상적인 변화가 어디에서 발생하는지를 판단해야 합니다.영국 NCSC 역시 DoS 대응에서 네트워크·컴퓨팅·스토리지 등 서비스 전반에 대한 모니터링을 확보하고, 이상 활동이 발생했을 때 여러 구성요소의 데이터를 함..

기업의 정보보호 업무에서는 위협(Threat), 취약점(Vulnerability), 위험(Risk)이라는 용어가 반복해서 등장한다. 세 용어는 서로 연결되어 있지만 같은 의미는 아니다. 이 차이를 명확하게 구분하지 않으면 취약점 진단 결과를 그대로 위험 목록으로 사용하거나, 실제 업무 영향은 낮은 취약점에 과도한 대응 자원을 투입하는 문제가 생길 수 있다. NIST는 위협을 조직이나 자산에 부정적인 영향을 줄 가능성이 있는 사건이나 상황으로, 취약점을 위협원에 의해 악용되거나 촉발될 수 있는 시스템·절차·통제·구현상의 약점으로 설명한다. 위험은 일반적으로 어떤 사건이 발생할 가능성과 그 사건이 발생했을 때의 부정적 영향이 결합된 개념으로 다룬다. 이 글에서는 세 개념의 차이부터 실제 기업에서 위험을 ..

기업 네트워크에는 PC, 노트북, 프린터, IP 전화기, 무선 단말 등 수많은 장비가 연결된다. 이 장비들이 통신하려면 IP 주소뿐 아니라 서브넷 마스크, 기본 게이트웨이, DNS 서버 같은 네트워크 설정이 필요하다. 장비마다 관리자가 직접 IP 주소를 입력하는 방식도 가능하지만, 단말 수가 많아질수록 중복 IP, 잘못된 게이트웨이, DNS 오설정 같은 문제가 발생하기 쉽다. DHCP(Dynamic Host Configuration Protocol)는 이러한 네트워크 설정을 중앙에서 자동으로 배포하기 위한 프로토콜이다. DHCP는 단순히 사용 가능한 IP 주소 하나를 찾아주는 기능이 아니다. 어느 네트워크에서 어떤 주소를 사용할 것인지, 얼마 동안 사용할 것인지, 어떤 게이트웨이와 DNS 서버를 사용..