Kubernetes는 컨테이너화된 워크로드를 오케스트레이션하며 클라우드 네이티브 생태계의 중심 역할을 합니다. 최근 연구에 따르면 대규모 언어 모델 (LLMs)이 Kubernetes 보안 포스처 관리 (KSPM) 탐지 결과로부터 인간의 작성 없이 구성 패치를 생성함으로써 클러스터 보안 복구 (remediation)를 자동화할 수 있음을 시사합니다. 그러나 이러한 시스템들은 일반적인 보안 강화 (hardening) 지식만으로 충분하다고 가정하며, 각 탐지 결과를 실제 서비스 호출 그래프 (call graph)와 격리된 상태에서 모델에 프롬프트로 제공합니다. 이러한 가정은 패치가 모델에게 보이지 않는 런타임 서비스 의존성을 보존해야 할 때 무너집니다. 즉, 규정에는 부합하지만 파괴적인 기능적 폭발 반경 (blast radius)을 가져와 다운스트림 호출자를 충돌시키거나 클러스터 전반의 호출 엣지 (call edges)를 조용히 끊어버리는 수정이 발생할 수 있습니다. 실제 클러스터 컨텍스트가 다양한 의존성 클래스에 걸쳐 통제된 조건 하에서 패치 정확도를 개선하는지는 측정된 바 없습니다. 우리는 Istio 호출 엣지 (call edges), Trivy KSPM 탐지 결과, 그리고 워크로드가 읽는 서비스 계정 (service-account) 바인딩으로부터 실시간 클러스터 컨텍스트를 구축하고, 이를 바탕으로 LLM 패치 생성을 조건화하는 KuTIE (Kubernetes Topology Intelligence Engine)를 소개합니다. 이는 7개의 의존성 클래스에 걸쳐 31개의 주입 가능한 탐지 결과가 있는, 4개의 네임스페이스와 36개의 배포로 구성된 의료용 특수 클러스터인 VulnCare에서 평가되었으며, 각 결과는 클러스터 그라운드 트루스 (ground truth)에 대한 토폴로지 의존성에 따라 라벨링되었습니다. 248회의 실험 결과, 토폴로지 컨텍스트는 토폴로지 의존적 패치 정확도를 11.1%에서 78.0%로 향상시켰으며 ($Δ= 0.669$), 이 격차는 모든 모델과 7개 클래스 중 6개 클래스(자격 증명 및 네트워크 정책 ($Δ= 0.95$)부터 역할 기반 액세스 제어 (RBAC) ($Δ= 0.31$)까지)에서 유지되었습니다. 토폴로지 독립적인 대조군은 이러한 효과를 보이지 않았으며 ($Δ= 0.0$), 이를 통해 결과가 일반적인 프롬프트 강화 (prompt enrichment)로부터 분리됨을 입증했습니다. 따라서 실시간 서비스 호출 그래프와 그것이 노출하는 서비스 계정 바인딩을 제공하는 것은 스캐너 전용 컨텍스트를 훨씬 뛰어넘어 토폴로지 의존적 탐지 결과의 복구를 개선합니다.