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..

기업의 서버 인프라는 과거 ‘서비스 하나에 물리 서버 한 대’를 배치하는 방식이 일반적이었다. 웹 서버, 애플리케이션 서버, 데이터베이스 서버를 각각 별도 장비에 설치하면 구조는 직관적이지만, 실제 사용량보다 많은 CPU와 메모리가 남는 경우가 많고 신규 시스템을 구축할 때마다 장비 구매·설치·구성이 필요했다. 가상화는 이런 물리 서버 중심의 운영 방식을 크게 바꾼 기술이다. 하나의 물리 서버 자원을 여러 가상 머신(Virtual Machine, VM)이 나누어 사용하도록 만들면서 서버 배치, 증설, 장애 대응, 백업, 개발·테스트 환경 구성 방식까지 달라졌다. 다만 가상화를 단순히 ‘한 서버를 여러 대처럼 사용하는 기술’로만 이해하면 실제 기업 환경에서 발..

기업의 IT 환경을 살펴보면 웹 서버, 애플리케이션 서버, 데이터베이스 서버, 파일 서버처럼 여러 종류의 서버가 등장한다. 처음 접하면 각각 완전히 다른 장비처럼 보이지만, 실제로 서버를 구분하는 기준은 하드웨어의 모양보다 어떤 서비스를 제공하는가에 가깝다. 하나의 물리 서버가 여러 역할을 동시에 수행할 수도 있고, 반대로 하나의 서비스가 여러 서버에 분산되어 운영될 수도 있다. 최근에는 가상화와 클라우드가 보편화되면서 “서버 한 대 = 장비 한 대”라는 개념만으로 기업 인프라를 이해하기 어려워졌다. 목차 서버의 기본 역할 기업에서 서버를 역할별로 분리하는 이유 주요 서버 유형 물리 서버·가상 서버·클라우드 서버의 차이 실제 기업 시스템의 서버 구성 서버 운영에서 ..

기업에서 자동화는 새로운 개념이 아니다. 정해진 규칙에 따라 데이터를 입력하고, 승인 요청을 전달하고, 반복적인 보고서를 생성하는 업무는 이미 오래전부터 자동화되어 왔다. RPA, 워크플로, 배치 작업, 스크립트 같은 기술이 대표적이다. 최근에는 여기에 AI가 결합하면서 자동화의 범위가 달라지고 있다. 기존 자동화가 사람이 미리 정의한 규칙을 빠르고 정확하게 실행하는 데 초점을 맞췄다면, AI 자동화는 문서와 이미지 같은 비정형 데이터를 해석하고 상황을 분류하거나 다음 행동을 추천하는 영역까지 확장된다. 하지만 기업 관점에서 중요한 것은 기존 자동화를 AI로 모두 대체하는 것이 아니다. 실제 운영에서는 규칙 기반 자동화 + AI 추론 + 사람의 검..