깃허브 시큐리티 랩, AI 보안 에이전트로 안드로이드 앱 취약점 24건 탐지

보안 에이전트와 취약점 탐지

깃허브 시큐리티 랩이 보안 연구자를 위한 오픈소스 인공지능 보안 에이전트 작업 흐름을 공개하고, 이를 활용해 안드로이드 애플리케이션에서 24건의 취약점을 탐지해 보고했다고 밝혔다. 이번에 공개된 도구는 연구자가 실무에서 검증한 프롬프트와 분석 절차를 패키지 형태로 묶어 공유하고 자동화할 수 있도록 지원하는 프레임워크다. 연구팀은 모바일 운영체제의 특화된 공격 표면을 집중 점검하는 전용 작업 흐름을 설계하여 다수의 고위험 결함을 확인하는 성과를 거두었다.

최신 인공지능 모델은 코드 이해 능력이 꾸준히 향상되고 있으나 복잡한 보안 결함을 독자적으로 온전히 식별하기에는 한계가 존재한다. 보안 연구자가 분석 과정을 점진적인 세부 단계로 나누어 안내하지 않으면 인공지능이 복잡한 논리 오류를 놓치거나 탐색 속도가 저하되는 문제가 발생한다. 연구팀은 단계별 안내 프롬프트를 구성함으로써 모델이 위협 모델의 전체 맥락을 유지하면서 숨겨진 취약점을 더 빠르고 정확하게 찾아내도록 유도했다.

모바일 특화 작업 흐름 설계

안드로이드 애플리케이션은 웹이나 데스크톱과 구별되는 고유한 취약점 유형을 지니고 있어 체계적인 입력 안내가 필수적이다. 연구팀은 공격자의 제어 데이터가 유입되는 진입점을 식별한 뒤 이를 모바일 진입점과 비모바일 진입점으로 분리하는 사전 작업 흐름을 추가했다. 이를 통해 단일 저장소 안에 모바일 앱, 웹 서버, 데스크톱 코드가 혼재되어 있어도 올바른 모바일 공격 표면만을 정확히 선별하여 검사할 수 있게 지원한다.

이어 주요 취약점 목록을 정의한 분석 설정 파일을 통해 인공지능이 각 진입점과 구성 요소의 맥락에서 필수 결함을 검토하도록 유도했다. 가령 인텐트 기반 진입점이 발견되면 대리인 혼동이나 안전하지 않은 브로드캐스트 같은 빈출 취약점 항목을 빠짐없이 점검하도록 강제하는 방식이다. 규칙을 엄격히 적용하는 프롬프트와 자유도를 부여하는 프롬프트를 복수 회차에 걸쳐 결합 실행함으로써 기초적인 결함 누락을 방지하는 동시에 모델의 창의적 추론을 유도했다.

대표적 고위험 취약점 사례

천만 회 이상 다운로드된 오픈소스 내비게이션 앱 오스만드에서는 악성 앱이 기기의 위치 정보를 무단 추적할 수 있는 중대 결함이 확인되었다. 해당 앱의 특정 화면 컴포넌트가 외부 실행이 가능한 상태로 노출되어 있었으며, 내부 통신용으로만 기대되던 설정 가져오기 옵션이 외부 호출 인텐트를 통해 제약 없이 전달되는 구조적 허점이 존재했다. 공격자는 무음 가져오기 및 덮어쓰기 옵션을 악용하여 사용자 동의나 알림 없이 설정을 조작할 수 있었다.

공격자는 이 취약점을 이용해 기본 지도 타일 주소 형식을 임의의 외부 서버 주소로 덮어쓰는 공격을 수행할 수 있다. 앱이 지도를 불러올 때마다 사용자가 조회한 좌표 데이터가 공격자 서버로 유출되며, 사용자가 설정한 이동 경로의 출발지와 목적지 좌표까지 고스란히 전송된다. 외부 권한이 전혀 없는 악성 앱이라도 해당 컴포넌트를 호출하는 것만으로 사용자가 인지하지 못하는 사이에 정밀한 위치 추적을 감행할 수 있다는 점에서 위험성이 높다.

위키피디아 안드로이드 앱에서는 딥링크 처리 과정의 호스트 이름 파서 논리 결함과 쿠키 관리 취약점이 연쇄적으로 결합된 계정 장악 결함이 발견되었다. 앱 내부 웹뷰에서 임의의 웹사이트를 위키피디아 공식 도메인인 것처럼 속여 로드하고 자바스크립트를 실행할 수 있는 결함이 존재했다. 여기에 장기 유효 토큰을 포함한 쿠키 검증 오류가 결합하면서 피해자가 브라우저에서 악성 링크를 누르는 즉시 모든 위키미디어 프로젝트 전반에서 유효한 사용자 세션이 탈취되는 공격이 성립했다.

분석 역량과 개발 생태계 영향

이번 사례들은 대규모 언어 모델이 일반적인 코드 결함 탐색을 넘어 복합적인 비즈니스 로직 취약점까지 식별할 수 있음을 입증한다. 특히 언어 모델은 소스 코드에 직접 접근하지 않고도 다양한 프로그래밍 언어의 보안 관련 함수 특성과 안전한 사용 패턴을 깊이 있게 이해하고 있었다. 취약점 보고서를 기반으로 모델이 생성한 개념 증명 공격 코드는 연구진의 추가 수정이 거의 필요 없을 정도로 높은 완성도를 나타냈다.

웹뷰 스크립팅 취약점이나 노출된 자바스크립트 브리지 등 안드로이드 플랫폼에서 흔히 간과되는 취약점들이 실제 오픈소스 프로젝트에서 다수 식별되었다. 이는 인공지능 기반 보안 분석이 오픈소스 프로젝트를 안전하게 보호하는 유효한 수단으로 자리 잡을 수 있음을 보여준다. 모바일 애플리케이션 개발자들은 외부 컴포넌트 노출을 최소화하고 딥링크와 인텐트 데이터의 검증 절차를 강화해야 한다는 교훈을 얻을 수 있다.

실행 요구 조건과 기술적 한계

해당 보안 작업 흐름을 프로젝트에 적용하려면 깃허브 코파일럿 라이선스가 필요하며 고급 모델 호출 설정으로 구동된다. 도구 호출이 빈번하게 발생하여 많은 양의 토큰을 소비하므로 사용 비용을 고려해야 한다. 중간 규모 저장소를 기준으로 분석에 1시간에서 2시간 정도가 소요되며, 작업이 완료된 후에는 결과 데이터베이스의 검사 결과 표에서 취약점 확인 표시가 된 항목을 확인하는 절차를 거친다.

언어 모델은 취약점 발굴 능력에 비해 심각도를 평가하는 역량에서 뚜렷한 한계를 보였다. 실제 환경에서 재현되기 어려운 특수한 조건의 결함이나 낮은 위험도의 문제를 과도하게 보고하는 경향이 있었으며, 취약점의 실제 영향을 낮추는 완화 요소를 스스로 파악하지 못했다. 예컨대 외부 저장소 경로 조작 결함이 있더라도 앱 내부 저장소 데이터가 우선 적용되어 실제 피해로 이어지지 않는 상황을 모델이 혼동하여 오탐을 발생시키는 사례가 확인되었다.

연구팀은 완화 요소를 평가하기 위해 인공지능이 직접 공격을 시도하도록 유도하는 개념 증명 프롬프트를 반복 실행해야 했으며, 이는 추가적인 시간과 연산 자원 소모를 유발했다. 현재 단계에서는 인공지능 모델의 맥락 확장과 추론 개선 외에도 디버거를 연동하여 실제 코드를 실행 검증하거나 모바일 도메인 지식을 갖춘 보안 연구자의 면밀한 수동 검토가 반드시 동반되어야 한다. 연구팀은 누구나 참여할 수 있는 오픈소스 생태계를 통해 이러한 한계를 보완해 나갈 계획이라고 밝혔다.