대규모 언어 모델 (LLMs) 및 에이전트 시스템 (agentic systems)이 실제 애플리케이션에 통합됨에 따라, 이들의 안전성과 보안을 보장하는 것이 매우 중요해졌습니다. LLM으로 전송되거나 LLM으로부터 전송되는 악의적인 지시를 탐지하고 차단하는 가드레일 (Guardrail) 시스템은 AI 보안의 필수적인 구성 요소입니다. 그러나 프로덕션 AI 시스템을 대상으로 블랙박스 적대적 에뮬레이션 (black-box adversarial emulation)을 수행하는 연구자들은 가드레일에 의한 차단인지, 아니면 LLM의 거부 (rejection)인지 판별하는 데 종종 어려움을 겪습니다. 이러한 구분은 가드레일을 우회하는 데 사용되는 기술이 LLM의 안전 정렬 (safety alignment)을 우회하는 기술과 실질적으로 다를 수 있으며, 공격 기술의 선택 및 최적화에 중대한 영향을 미치기 때문에 중요합니다. 본 논문에서는 블랙박스 접근 권한만을 가지며 가드레일이나 AI 시스템에 대한 사전 지식이 전혀 없다는 가정하에, HTTP, 어휘적 (lexical), 그리고 타이밍 신호 (timing signals)의 행동 모니터링을 통해 대상 AI 시스템 내 가드레일의 존재를 탐지하는 최초의 블랙박스 가드레일 정찰 (guardrail reconnaissance) 방법론을 제안합니다. 실험 결과, 우리의 접근 방식은 가드레일의 존재를 100% 정확도로 탐지하였으며, 선량한 상호작용과 악의적인 상호작용 사이에서 통계적으로 유의미한 행동적 분리 (q < 0.001)를 보여주었습니다. 또한, 우리의 접근 방식은 가드레일이 차단하도록 설계된 콘텐츠 카테고리를 식별하며, 학습되지 않은 프롬프트에 대해 가드레일 차단과 LLM 거부를 평균 F1 스코어 98%로 구분해냅니다.