Google Chrome AI 기반 보안 취약점 해결

Google은 Large Language Models(LLM)을 Chrome 브라우저의 전체 취약점 수명 주기에 통합하여 보안 버그의 발견 및 해결을 확장했습니다. Chrome Stable 릴리스 마일스톤 149와 150에서 Google은 1,072개의 보안 버그를 수정했으며, 이는 이전 23개 마일스톤을 합친 총수보다 더 많은 양입니다.

AI 기반 취약점 발견

Google은 전통적인 퍼징으로 놓칠 수 있는 취약점을 식별하기 위해 다계층 AI 접근 방식을 사용합니다. 여기에는 특수 에이전트와 포괄적인 지식 베이스를 활용하여 탐지 정확성을 높이고 오탐을 줄이는 것이 포함됩니다.

발견 파이프라인

  • Agent Harnesses: Google는 Gemini 기반 에이전트를 활용해 Chrome 코드베이스 전체를 스캔합니다. 이 접근 방식은 13년 이상 코드베이스에 존재하던 샌드박스 탈출 취약점을 성공적으로 식별했습니다.
  • Knowledge Integration: LLM의 추론 능력을 초기 학습 데이터 이상으로 확장하기 위해 Google는 이전에 식별된 모든 CVE와 Chrome 전체 Git 히스토리를 포함하는 지식 베이스를 구축했습니다.
  • Contextual Guidance: 팀은 모델이 신뢰 경계와 위협 모델을 이해하도록 SECURITY.md 파일 사용을 권장합니다. 전용 "critic" 에이전트가 이러한 파일을 읽어 결과를 검증합니다.
  • Model Interoperability: 시스템은 오픈 웨이트 모델과 독점 모델 모두를 지원하여 다양한 아키텍처의 고유한 강점을 활용합니다.

안전 가드레일

  • Isolated Execution: AI는 일반 인터넷 접근이 차단된 잠금된 머신에서 정지 상태의 소스 코드를 분석합니다.
  • Network Interception: 모든 네트워크 요청은 시작 애플리케이션 및 목적지에 기반한 엄격한 허용 목록을 통해 가로채고 필터링합니다.
  • Restricted Access: 서브 에이전트는 로컬 시스템을 수정하거나 지정된 소스 코드 디렉터리 외부의 파일에 접근하는 것이 금지됩니다.

자동 분류 및 수정

발견된 버그 양이 증가함에 따라 Google은 이전에 보고당당 5~30분이 소요되던 인간 중심 분류에서 규칙 기반 시스템과 AI를 결합한 자동 파이프라인으로 전환했습니다.

4단계 분류 프로세스

  1. Noise Filtering: 스팸, 중복 및 기본 취약점 기준을 자동으로 검사합니다.
  2. Reproduction: 시스템은 영향을 받는 운영 체제와 브라우저 버전에서 개념 증명(PoC)을 검증하고, 보고서에 스택 트레이스를 첨부합니다.
  3. Metadata Enrichment: AI는 명확한 심각도 가이드라인에 따라 심각도 등급을 부여하고 버그가 처음 도입된 시점을 식별합니다.
  4. Automatic Assignment: 이슈는 적절한 컴포넌트와 담당자에게 자동으로 할당됩니다.

다중 에이전트 수정 워크플로우

  • Fixing Agent: 이슈 컨텍스트를 기반으로 여러 후보 수정을 생성합니다.
  • Critic Agent: 후보 수정이 기능적으로 올바른지와 Chromium 및 Google 스타일 가이드라인을 준수하는지 평가합니다.
  • Test-Writing Agents: 인간 개발자가 수정을 검토하기 전에 모든 지원 플랫폼 및 구성에 대한 테스트를 자동으로 생성하여 수 주간의 수작업을 절감할 수 있습니다.

"패치 격차" 감소

공격자가 패치가 공개된 후 사용자의 머신에 적용되기 전까지 버그를 악용하는 "N-day" 공격을 완화하기 위해 Google은 배포 속도를 가속화하고 있습니다.

  • Release Frequency: Google는 주 2회의 보안 릴리스를 시범 운영하고 있으며, 주요 마일스톤에 대해 2주 주기로 전환을 목표로 하고 있습니다.
  • Dynamic Patching: Google는 백그라운드 자식 프로세스(예: Renderer 및 GPU)를 실시간으로 업데이트된 바이너리로 교체하는 "dynamic patching"을 연구 중이며, 전체 브라우저 재시작 필요성을 없애고자 합니다.
  • Auto-Restart Optimization: macOS에서 Chrome 150은 애플리케이션이 "windowless" 상태(백그라운드에서 모든 창이 닫힌 상태)일 때 업데이트를 적용하기 위해 자동으로 재시작합니다.

장기 구조적 방어

Google은 AI 기반 패치를 메모리 안전성에 중점을 둔 전략과 결합하여 전체 취약점 클래스를 제거하려 하고 있습니다.

C++ 강화

  • MiraclePtr & MiracleObject: 이 도구들은 Use-After-Free(UAF) 취약점을 무력화하는 데 사용됩니다. MiracleObject는 GPU 메인 스레드에서 발생하는 UAF 취약점의 최대 90%를 무력화하는 것을 목표로 합니다.
  • Spanification: Chrome은 레거시 포인터와 크기 구조를 std::span 타입으로 마이그레이션하여 Out-of-Bounds(OOB) 오류를 제거하고 있습니다; 현재 1차 코드의 97%가 엄격한 unsafe-buffer 경고와 함께 컴파일됩니다.

Rust 전환

Google는 이미지 코덱 및 폰트 스택과 같은 고위험 코드 구역을 Rust로 전략적으로 교체하여 컴파일 타임 메모리 안전성을 보장하고, 런타임 완화 및 샌드박싱에 대한 의존도를 낮추고 있습니다.

커뮤니티 관점 및 비판

Google가 상당한 생산성 향상을 보고하고 있지만, 기술 커뮤니티는 보안에 AI 의존에 대해 여러 반론을 제기했습니다:

"그 자동 수정 중 얼마나 많은 것이 되돌려졌나요? 얼마나 많은 것이 새로운 버그를 도입했나요? 탐지 에이전트의 false positive 비율은 얼마인가요? 이 글은 잘 된 부분에 대한 수치는 제시하지만, 잘못될 수 있는 부분에 대한 언급은 없습니다."

다른 비평가들은 발견된 버그 급증이 AI의 승리라기보다 C++의 내재된 결함의 증상이라고 주장하며, 궁극적인 해결책은 메모리 안전 언어로의 완전한 마이그레이션이라고 제안합니다. 또한 AI가 오래된 버그를 수정하면서 새로운 버그를 도입할 수 있는 "두더지 잡기" 효과와 Google의 내부 AI 역량이 결국 오픈소스 및 크라우드소싱 버그 사냥에 대한 동기를 감소시킬 수 있다는 우려도 있습니다.

SUMMARY: Google은 AI 에이전트를 발견, 분류, 수정 파이프라인에 통합함으로써 Chrome 보안 패치 속도를 크게 가속화했으며, 두 개의 릴리스 마일스톤에서 1,072개의 보안 버그를 수정했습니다—이는 이전 23개 마일스톤을 합친 것보다 더 많은 수치입니다.

TITLE: Google Chrome AI 기반 보안 취약점 해결

Sources