거의 20년 동안 다크웹의 운영 보안 (OPSEC)은 인간의 기술이었습니다. 일회용 계정, 정해진 일정에 따라 교체되는 PGP 키, 천천히 구축되어 수작업으로 유지되는 페르소나 등이 그것이었습니다. 실수를 저질렀을 때 그것이 오류로 드러나기까지는 몇 달이 걸렸습니다. 제대로 해내는 데에는 규율이 필요했습니다.

그 시대는 끝났습니다.

범죄 운영자들은 이제 자신들의 운영 보안 (OPSEC)을 실시간으로 지속적으로 관리하는 AI 시스템을 운영합니다. 반대편에서는 사이버 위협 인텔리전스 (CTI) 팀과 법 집행 기관이 이러한 합성 정체성 (synthetic identities)을 해체하기 위해 구축된 AI attribution engine (귀속 엔진)을 운영합니다. 어느 쪽도 승리하고 있지 않습니다. 대신 나타난 것은 안정적이고 비용이 많이 드는 대치 상태이며, 이것이 왜 안정적인지를 이해하는 것이 그렇지 않기를 바라는 것보다 더 유용합니다.

OPSEC은 규율에서 시스템이 되었다
가장 먼저 변한 것은 템포입니다. 숙련된 운영자가 위장 신분을 만드는 데 몇 시간을 소비했던 반면, 이제는 머신러닝 (machine learning) 모델이 이를 지속적으로 처리하며 어떤 인간보다 빠르게 적응합니다.

현재 관찰되는 네 가지 역량이 두드러집니다:

적응형 키 교체 (Adaptive key rotation). 암호화 키를 고정된 일정에 따라 교체하는 대신, 강화학습 (reinforcement-learning) 시스템이 비정상적인 연결 패턴이나 포럼 중재 활동의 변화를 감시하며, 위험이 나타나는 즉시 교체 주기를 몇 시간에서 몇 분 단위로 압축합니다. 성공적으로 가로채진 키라 할지라도 해독될 때쯤에는 이미 쓸모가 없는 경우가 많습니다.

대규모 합성 트래픽 (Synthetic traffic at scale). 명령 및 제어 (C2) 트래픽은 운영자 자신의 과거 기준 타이밍, User-Agent 문자열, 세션 길이에 맞춰 조정된 GAN (Generative Adversarial Network) 생성 브라우징 노이즈 속에 파묻힙니다. 초기 버전은 통계적으로 탐지 가능했습니다. 현재 세대는 이를 포착하기 위해 설계된 통계 테스트를 무력화하도록 특별히 구축되었으며, 이로 인해 C2 탐지는 신호 처리 (signal-processing) 문제에서 적대적 머신러닝 (adversarial machine learning) 문제로 변모했습니다.

완전한 합성 페르소나 (Full synthetic personas). 이것들은 일회용 계정 (burner accounts)이 아닙니다. 특정 페르소나의 어휘, 문장 복잡도, 심지어 타이핑 리듬 (typing cadence)에 맞춰 미세 조정 (fine-tuned)된 언어 모델 (language models)에 의해 생성된, 수개월 또는 수년에 걸쳐 일관된 배경 이야기, 글쓰기 스타일, 소셜 그래프 (social graphs)를 유지하는 관리된 정체성입니다.

예측 방어 (Predictive defense). 가장 진보된 시스템들은 이제 수사 기관의 전술과 알려진 사건 타임라인에 관한 공개 정보를 읽고, 조사가 시작되기 전에 이를 예측하려고 시도하며, 선제적으로 인프라를 교체하거나 우선순위가 낮은 페르소나를 철수시킵니다.

귀속 엔진 (Attribution engines)도 기능별로 이에 대응하고 있습니다.
방어 측면에서, 여기서 “방어적 (defensive)”이라는 말은 범죄자의 정체를 밝히려는 사람들을 의미하며, 귀속 (attribution) 기술 또한 그에 상응하여 더욱 정교해졌습니다.

교차 페르소나 언어 분석 (Cross-persona linguistic analysis)은 이제 단순한 키워드 매칭 (keyword matching)을 훨씬 넘어, 구문 습관 (syntactic habits), 문장 부호의 특이점 (punctuation quirks), 레지스터 변화 (register shifts)를 조사하여 수년의 간격을 두고 활동했을 수도 있는 정체성들을 연결합니다. 5개 이상의 페르소나를 운영하는 운영자들에 대해 보고된 진양성률 (true-positive rates)은 85%를 초과합니다. 이는 의미 있는 숫자이지만, 그 이면에 실제적인 위음성 (false-negative) 및 위양성 (false-positive) 꼬리 (tail)가 존재함을 조용히 암시하는 숫자이기도 합니다.

소셜 그래프 재구성 (Social graph reconstruction)은 그래프 신경망 (graph neural networks)을 사용하여 운영자가 완전히 지울 수 없는 간접적인 지문 (fingerprints)을 찾아냅니다: 즉, 결코 동시에 활동하지 않는 페르소나들, 공유된 브라우저 핑거프린트 (browser fingerprint)의 특이점, 중복되는 제3자 연락처 등이 그것입니다. 합성 콘텐츠 탐지 (Synthetic content detection)는 “이것이 AI가 작성했는가” (점점 더 답하기 어려워지는 질문)에서 행동적 단서 (behavioral tells)로 전환되었습니다. AI가 관리하는 페르소나는 인간보다 부자연스럽게 규칙적인 간격으로 게시물을 올리는 경향이 있으며, 실제 인간보다 시간적 변동성 (temporal variability)이 적게 나타나는데, 이러한 패턴은 장기 분석 (long-horizon analysis)을 통해서만 드러납니다.

충분히 논의되지 않는 부분: 마켓플레이스 자체의 자동화
이 부분은 제가 가장 과소평가된 변화라고 지적하고 싶은 지점입니다. 단순히 작전 보안 (OPSEC) 대 추적 (attribution)의 대결이 아니라, 그 사이에 위치한 마켓플레이스와 포럼들 또한 조용히 자동화되었습니다.

포럼 보안 AI는 이제 등록 과정과 게시물을 실시간으로 스캔하여, 법 집행 기관 (law-enforcement) 특유의 문체나 조사 목적의 탐색 행위 (investigative probing behavior)를 식별합니다. 티켓 해결 시스템 (Ticket resolution systems)은 판매자 및 구매자 지원 업무의 70~80%를 인간의 개입 없이 처리하며, 분석가들이 가로챌 수 있는 인간 대 인간의 통신 범위를 축소시키고 있습니다.

그리고 다크웹 상거래의 실질적인 기반인 판매자 평판 (vendor reputation) 또한 이제 양측 모두에서 상당 부분 합성된 (synthetic) 것입니다. AI 시스템은 판매자의 신뢰도를 구축하기 위해 포럼 콘텐츠를 생성하고, 적절히 조절된 우려를 표하며 불만 사항에 대응하며, 어떤 경우에는 긍정적인 리뷰 자체를 직접 생성하기도 합니다. 비판과 그에 대한 반박이 모두 기계에 의해 생성될 수 있게 되면, 구매자들이 지난 10년 동안 의존해 온 신뢰 신호 (trust signal)는 과거와 같은 의미를 갖지 못하게 됩니다.

양측 모두가 실제로 승리할 수 없는 이유
이 상황이 어느 한 쪽의 승리가 아닌 교착 상태 (stalemate)로 이어지는 이유는 구조적인 사실 때문입니다. 양측 모두 점점 더 동일한 기반 기술 위에 구축되고 있다는 점입니다. 대규모 언어 모델 (Large Language Models, LLM)과 트랜스포머 아키텍처 (transformer architectures)의 발전은 합성 콘텐츠 생성 능력과 이를 탐지하는 능력을 동시에 향상시킵니다. 한 영역에서의 돌파구는 지속적인 우위를 제공하지 못할 뿐만 아니라, 종종 동일한 릴리스 주기 내에서 상대방에게도 동등한 업그레이드를 제공하게 됩니다.

여기에 단순한 비용 문제까지 더해집니다. 최첨단 OPSEC 또는 추적 능력을 유지하는 데 드는 비용은 2년 전보다 약 300~500% 더 높을 것으로 추정됩니다. 이는 더 많은 자금 투입으로 해결되는 교착 상태가 아니라, 양쪽 생태계의 최상위 계층에 능력을 집중시키고 나머지 모두를 밀어내는 교착 상태입니다.

이것이 바로 주목할 만한 비대칭성입니다. 최상위 위협 행위자(Top-tier threat actors)들은 이러한 비용을 감당할 수 있으며 사실상 무적의 상태를 유지할 수 있습니다. 추적 도구(Attribution tools)는 AI 기반 페르소나(AI-managed personas)나 적응형 암호화(Adaptive encryption)를 감당할 여력이 없는 중간 및 하위 계층 운영자들을 상대로 진정으로 개선된 성과를 보여주었습니다. 하지만 그 격차는 일시적입니다. 범용화된 '서비스형 보안 운영(OPSEC-as-a-service)'이 이미 지하 시장에 등장하고 있으며, 이것이 확산됨에 따라 소규모 운영자들에 대해 현재 누리고 있는 추적 우위 또한 점차 약화될 가능성이 높습니다.

이것이 향후 실제로 의미하는 바
심사숙고해 볼 만한 몇 가지 판단 사항은 다음과 같습니다:

• 이 교착 상태는 일시적인 단계가 아니라, 최소 향후 18~24개월 동안 유지될 가능성이 높은 구조적 평형 상태입니다. 재귀적 AI 역학(Recursive AI dynamic)에는 명확한 탈출구가 없기 때문입니다.
• 다크웹 플랫폼 전반(중재, 지원, 평판 관리)에 걸친 AI 통합은 약 1년 반 안에 차별화 요소가 아닌, 기본 요건(Table stakes)이 되는 방향으로 나아가고 있습니다.
• 현재 중간 계층 행위자들에 대한 추적 노력을 보호하고 있는 자원 비대칭성은 지속적인 우위가 아닌 일시적인 상태입니다.
• 인간의 판단은 여전히 결정적입니다. AI는 단서를 생성하고 범위를 효율적으로 좁혀주지만, 맞지 않는 패턴을 포착하고 이를 바탕으로 조사 가설을 세우는 분석가를 대체하지는 못합니다.
• 시장 평판에 기반한 신뢰 모델은 구조적으로 취약합니다. 합성된 평판 조작(Synthetic reputation manipulation)에 대한 실질적인 대응책을 구축하지 않는 플랫폼은 신뢰가 무너질 것이며, 그와 함께 생존 가능성도 상실하게 될 것입니다.

이 중 어느 것도 공포를 조장하기 위한 근거가 아닙니다. 다만, '더 나은 AI 탐지'나 '더 나은 범죄적 OPSEC' 중 어느 하나가 이 싸움을 조만간 종결시킬 것이라고 가정하는 것을 멈춰야 한다는 근거입니다. 그렇게 되지 않을 것입니다. 이 분야에서 일하는 누구에게나 더 유용한 질문은 '누가 이기고 있는가'가 아니라, '교착 상태가 자신에게 유리하게 깨지지 않더라도 의존하지 않을 접근 방식을 어떻게 구축할 것인가'입니다.

이 글은 다크웹 운영 보안 (Operational Security)의 진화에 관한 지속적인 분석의 제2부입니다. 제1부에서는 수동 방식에서 자동화된 기술 (Tradecraft)로의 근본적인 변화를 다루었습니다.

면책 조항: 본 분석은 연구 목적으로 수행된 공개적으로 접근 가능한 다크웹 포럼 및 마켓플레이스에 대한 오픈 소스 인텔리전스 (OSINT) 및 직접 관찰을 기반으로 합니다. 본 보고서를 작성하는 과정에서 어떠한 불법적인 접속, 거래 또는 범죄 활동 참여도 이루어지지 않았습니다. 본 콘텐츠는 위협 인텔리전스 (Threat Intelligence) 및 인식 제고 목적으로만 제공되며, 법률적, 조사적 또는 운영적 지침을 구성하지 않습니다. 일부 수치와 트렌드는 가용한 OSINT에 기반한 중간 신뢰도 (Moderate-confidence) 평가를 나타내며, 검증된 사실보다는 정보에 기반한 분석으로 취급되어야 합니다. TLP:CLEAR — 이 보고서는 제한 없이 공유될 수 있습니다.