이후기 부교수(산학협력단장)

지능화된 사이버 공격에 대응하기 위한 실무적 보안관제 체계의 필요성이 증대되는 상황에서, Semantic 분석 기반 Endpoint 자동화 TTP(Tactics, Techniques, and Procedures) 분석 기술을 연구하고 있습니다. 이 기술은 엔드포인트에서 수집되는 로그와 이벤트 데이터를 의미론적으로 분석하여 공격자의 전술, 기술, 절차를 자동으로 식별하고 분류하는 방식으로 구성됩니다. 기업 보안관제센터의 탐지 체계 고도화와 엔드포인트 위협의 자동 탐지에 적용되고 있으며, 기존 시그니처 기반 탐지 방식의 한계를 보완하는 방향으로 설계되었습니다. 해당 연구 내용은 'Semantic 분석기반 Endpoint에서의 자동화된 TTP 분석기술 연구'라는 제목으로 한국정보처리학회 논문지(2025)에 게재되었으며, 현재 TRL 3-4 수준의 기술 성숙도를 보이고 있습니다.

'절대 신뢰하지 않고 항상 검증한다'는 원칙에 기반한 차세대 보안 모델의 필요성에 따라 제로트러스트 보안 모델과 설명 가능한 AI(XAI)를 결합한 네트워크 이상행위 탐지 연구를 수행하고 있습니다. 제로트러스트 아키텍처는 네트워크 내부와 외부를 구분하지 않고 모든 접근 요청을 지속적으로 검증하는 구조를 취하며, 여기에 XAI 기법을 접목하여 이상행위 탐지 결과에 대한 판단 근거를 설명 가능하도록 하는 방식으로 연구가 진행되었습니다. 이러한 접근은 국가 및 공공기관 망 보안 체계 강화에 적용될 수 있는 기반 기술로 검토되고 있습니다. 관련 연구는 '제로 트러스트 기술 동향 및 구축 전략'이라는 제목으로 한국융합보안학회 융합보안논문지(2021, 공저)에 발표되었으며, 현재 TRL 1-2 수준의 초기 연구 단계에 있습니다.

악성코드의 자동 탐지 및 분류를 위한 특징 추출 기술의 필요성에서 출발하여, Stacked Autoencoder 기반 딥러닝 모델을 이용한 악성코드 Feature 정제 및 분류 연구를 수행했습니다. Stacked Autoencoder 구조를 통해 악성코드의 원시 데이터로부터 노이즈를 제거하고 판별력이 높은 특징을 추출함으로써 분류 성능을 개선하는 방식으로 연구가 설계되었습니다. 이 기술은 사이버 위협 인텔리전스 강화와 악성코드 자동 탐지 시스템 구축에 활용될 수 있는 기반 기술로 적용되고 있습니다. 관련 연구 성과는 'Stacked Autoencoder 기반 악성코드 Feature 정제 기술 연구'라는 제목으로 한국산학기술학회 논문지(2020)에 게재되었으며, TRL 3-4 수준의 기술 성숙도를 갖추고 있습니다.