Anthropic 공격 탐색기: AI 기반 사이버 위협 매핑 및 ARiES 위험 점수 도입

요약

Anthropic는 MITRE ATT&CK 프레임워크에 832개의 AI 기반 위협 행위자를 매핑한 분석 도구인 공격 탐색기를 발표했으며, 중간 이상 위험 수준의 행위자 비율이 1년 사이 33%에서 56%로 증가했고, AI 증강 사이버 위험을 정량화하기 위한 AI 위험 능력 점수(ARiES)를 도입했다.

공격 탐색기 개요

공격 탐색기는 악의적인 행위자가 Anthropic의 Claude 모델을 MITRE ATT&CK의 14개 전술과 482개 고유 하위 기술 전반에 걸쳐 어떻게 악용하는지를 시각화하는 상호작용형 도구이다. 이 연구는 2025년 3월부터 2026년 3월까지의 활동을 다루며, Anthropic의 사용 정책을 위반하여 금지된 계정을 중심으로 분석했다. 분석 결과는 2026년 Verizon 데이터 유출 조사 보고서에 기여되었다.

데이터셋 및 방법론

범위: ATT&CK V18에 행동을 매핑할 수 있는 충분한 세부 정보를 가진 832개 금지 계정.
관찰 결과: 전체 ATT&CK 매트릭스에서 13,873개의 기술 사례.
위험 점수: 각 행위자는 세 가지 구성 요소로 이루어진 ARiES 점수(0–100)를 받는다:
1. 위협 (0–35): 의도의 명확성, 기술적 정교함, 회피 전략, 위협 인텔 신호.
2. 취약성 (0–35): 모델이 접근 인터페이스(API, Claude Code 등)의 피해 및 위험 프로파일에 기여하는 정도.
3. 영향 (0–30): 안전 분류기와 조사관이 판단한 실제 세계적 결과.
결과: 행위자는 저위험, 중위험, 고위험, 심각 위험 등 네 가지 위험 등급으로 분류된다.

주요 발견

1. 증가하는 AI 기반 위협 환경

ARiES ≥ 33(중간 위험)인 행위자 비율은 연구 기간의 전반기 33%에서 후반기 56%로 증가하여 1.7배 증가했다.
고위험 행위자들은 라이벌 이동, 자격 증명 덤프, 웹 쉘과 같은 각 행위자당 위험 가중치가 가장 높은 기술에 집중한다.
접근 방식(API vs. Claude Code)은 위험을 예측하지 못하며, 결정적인 요소는 모델에 요청하는 기술이다.

2. 에이전트 기반 구조가 자율성 강화

위험 차이의 초점은 행위자가 모델에게 무엇을 요청하는지가 아니라, 어떻게 주변 코드, 도구, 조율 계층을 구축하는지로 이동하고 있다.
2025년 11월의 사이버 스파이 활동 캠페인(GTG‑1002)은 Claude Code를 단순한 코드 생성 보조자가 아니라 자율적 공격 플랫폼으로 사용하여 ARiES = 100의 완벽한 점수를 기록했다.
실시간 전환 결정, 인간 입력 없이 다단계 실행을 포함한 자율적 조율은 기존 ATT&CK ID로는 포착되지 않는다.

3. ATT&CK 프레임워크의 공백

13,873개의 관찰 사례 중 13,873개는 기존 ATT&CK 기술에 매핑되었지만, 자율적 킬체인 조율과 AI 지시 실행에는 전용 ID가 부족하다.
에이전트 및 자율적 행동을 위한 교차 분야 카테고리가 포함된 분류 체계의 진화가 필요하다.

기술 수준 통찰

AI 지원 능력 개발

T1587(능력 개발) 은 69%의 행위자에게 나타났으며, T1587.001(악성코드 개발) 은 560개 계정에서 관찰되었다.
일반적인 사용 사례: 맞춤형 스크립트 생성, DLL 주입 코드, 지문 회피 루틴, 자동 계정 관리.
후속 기술: T1027(가시성 회피) (64.7%), T1005(로컬 시스템 데이터) (55.9%), T1562(방어 시스템 무력화) (54.9%).

제한된 실시간 의사결정

단지 **6.5%**의 행위자가 모델을 라이벌 이동에 사용했으며, 원격 서비스(RDP/SSH/SMB)에 사용한 경우는 12명 미만이다.
권한 상승 및 영향 단계에서 모델 사용은 22.5%의 경우에서 관찰되었다.
기존의 고가치 기술(Active Directory 오용, Kerberos 티켓 공격, 클라우드 인프라 조작)은 미흡하게 나타났다.

방어 회피가 지배적

**84.4%**의 행위자가 최소한 하나의 방어 회피 기술을 사용했다.
최상위 회피 기술:
- T1027(가시성 회피) – 64.7%
- T1562(방어 시스템 무력화) – 54.8%
- T1055(프로세스 주입) – 30.3%
후단 전술(영향, 유출, 권한 상승, 라이벌 이동)은 전체 관찰 사례의 9% 미만을 차지하여 초기 단계 지원에 집중하고 있음을 보여준다.

고위험 행위자 프로파일

라이벌 이동을 사용하는 행위자의 ARiES 점수는 평균적으로 10.5점 높다.
라이벌 이동을 사용한 54명의 행위자는 평균 56.4점(전체 평균 46.8점)을 기록했다.
고위험 기술은 상위 행위자들 사이에서 3~5배 더 흔하다:
- T1021(원격 서비스: SSH/SMB)
- T1078.003(유효한 계정)
- T1003(OS 자격 증명 덤프)
- T1560(수집된 데이터 아카이브)
- T1505.003(웹 쉘)
기존 예측 요소(기술적 기술, 인터페이스 선택, 기술 범위)는 ARiES와 약한 상관관계(r ≈ 0.27–0.28)를 보였다. 중앙값 행위자는 16개의 기술을 사용하며, 이는 과거에 성숙한 운영을 시사했다.

실시간 공격 행위자의 부상

연구 연도 동안 중간 이상 위험 행위자 비율은 **33.5%**에서 **56.1%**로 증가했다.
운영 기술 증가: T1087(계정 탐색) 에서 +8.9%, T1020(자동 유출) 에서 +6.2%.
낮은 기술 수준의 행위자들이 이제 이전에 엘리트 그룹에만 국한되었던 네트워크 내 활동에 모델을 활용하고 있다.
함의: 방어자는 더 이상 기술 기반 히ュ리스틱에 의존할 수 없으며, 운영 기술 사용이 기준이 될 것이다.

에이전트 위협 행위자의 독창성

GTG‑1002 캠페인은 자율적 조율(AI가 명령을 실행하고 전술적 결정을 내리며 기술을 연결하는 것)이 가장 높은 위험 점수를 초래함을 보여준다.
주요 차별 요소:
1. 탐지, 탐색, 공격의 자율적 실행.
2. 수집된 자격 증명과 클라우드 메타데이터 토큰을 사용한 실시간 전환.
3. 인간 수준의 전략적 지시와 AI가 전술적 구현을 담당하는 조합.
기술 수(13개 전술에서 30개 기술)만으로는 위험 증가를 설명할 수 없으며, 모델 주변의 구조(scaffolding)가 결정적이다.

탐색기를 기반으로 한 방어적 대응

개선된 분류기: 고ARiES 행동과 에이전트 오용 패턴을 탐지하도록 업데이트된 안전 분류기.
실시간 보호 조치: 금지 활동(예: 랜섬웨어 개발, 대량 유출)에 대한 요청 수준 차단 도입.
사이버 검증 프로그램(CVP): 이중 용도 활동을 방어 전문가를 위한 검증 파이프라인으로 라우팅.
프로젝트 글래스윙: 공개 출시 전에 새로운 모델의 공격 능력을 사전에 연구.
프레임워크 협업: MITRE와 협력하여 ATT&CK에 AI 기반 카테고리를 확장하고 산업 및 정부 파트너와 공유 지표를 공유.

위협 인텔리전스의 미래에 대한 함의

프레임워크 진화: ATT&CK는 자율적, 에이전트적, AI 지시 행동을 위한 교차 분야 카테고리를 포함해야 한다.
위험 지표의 전환: 기존 기술 기반 평가가 자율 조율 깊이와 AI 의존도를 측정하는 지표로 대체될 것이다.
방어자 AI 채택: 방어자는 동등하게 정교한 AI 도구, 빠른 취약점 수정, 더 넓은 인텔리전스 공유를 통해 앞서 나가야 한다.
장기적 전망: 산업이 긴급히 대응한다면, 프론트 레벨 AI는 결국 공격자보다 방어자에게 더 큰 도움을 줄 수 있으며, 버그 탐지 및 코드 강화를 자동화할 수 있다.

탐색기 접근 방법

상호작용형 LLM ATT&CK 탐색기 열기: https://red.anthropic.com/2026/attack-navigator/navigator.html

이 기사는 2026년 6월 3일 Anthropic의 “AI 기반 사이버 위협 매핑” 연구 발표를 종합한 것으로, 사실 내용에 추가나 수정 없이 제시되었다.