새로운 경고(alert)가 발생했을 때, 가장 먼저 알고 싶은 것은 취약점이 무엇인지가 아닙니다. 여러분이 이 문제에 신경을 써야 하는지 여부입니다.

이전에 본 적이 있는 문제인가요? 반복적으로 발생하나요? 영향을 받는 시스템이 인터넷에 노출되어 있나요? 민감한 데이터를 보유하고 있나요? 이것이 운영(production) 환경인가요, 아니면 개발자 샌드박스(developer sandbox)인가요?

이러한 컨텍스트(context) 질문들은 과거에는 수동 조사가 필요했습니다. 다양한 뷰(view)를 불러오고, 데이터를 상관 분석(correlating data)하며, 경고가 실제로 무엇을 의미하는지 그림을 그려내야 했습니다. 이제 우리는 AI를 사용하여 이러한 데이터 보강(enrichment)을 자동으로 수행합니다.

MCP 서버 접근 방식

Orca와 같은 현대적인 CSPM(Cloud Security Posture Management) 플랫폼들은 AI와 LLM(Large Language Models)을 여러분의 분류(triage) 워크플로우에 연결할 수 있는 MCP(Model Context Protocol) 서버를 추가하고 있습니다. 이는 단순한 챗봇의 기교가 아닌, 분석을 가속화하는 실질적인 자동화입니다.

우리가 Orca의 MCP 서버를 사용하기 시작했을 때, 사용할 수 있는 도구는 3~4개였습니다. 현재는 27개에 달합니다. 이러한 확장은 매우 중요한데, 도구가 많아질수록 프로그래밍 방식으로 답변할 수 있는 질문이 많아지기 때문입니다.

설정 방식은 다음과 같습니다: 경고가 MCP 서버를 통해 자동으로 처리되고, 여러 소스의 데이터로 보강된 후, 수동 조사로 조립해야 했을 컨텍스트를 갖춘 상태로 결과가 도출됩니다.

AI 보강(Enrichment)이 제공하는 것

모든 경고에 대해, 우리는 SOC(Security Operations Center) 분석가의 표준 질문에 대한 답을 원합니다:

이것이 새로운 것인가, 아니면 알려진 것인가? 이전에 본 적 없는 것인가, 지속적인 문제인가, 일시적인(ephemeral) 것인가, 아니면 새로운 자산에서 재발하는 것인가? 분류(Classification)에 따라 긴급도와 대응 방식이 달라집니다.

이것이 다른 곳에서도 나타나는가? 다른 시스템에서도 동일한 문제가 발생하나요? 패턴의 일부인가요? 고립된 사건인가요?

노출 정도는 어떠한가? 인터넷에 노출되어 있나요? 네트워크 제어 뒤에 있나요? 공격 경로(attack path)는 취약점 자체만큼이나 중요합니다.

어떤 데이터가 위험에 처해 있는가? PII(개인정보)로 태그되어 있나요? 핵심 자산(crown jewel)으로 표시되어 있나요? 고객 데이터인가요, 아니면 내부 전용인가요? 비즈니스 컨텍스트(business context)가 비즈니스 영향(business impact)을 결정합니다.

환경은 무엇인가? 운영(production), 스테이징(staging), 개발(development) 환경인가요? 답변에 따라 우리가 얼마나 빠르게 움직여야 하는지가 달라집니다.

역사가 어떻게 되나요? 이 경고(alert)가 존재한 지 얼마나 되었습니까? 위험 점수(risk score)가 시간이 지남에 따라 변했습니까? 진화 과정에 대한 컨텍스트(context)는 우선순위를 정하는 데 도움이 됩니다.

이 모든 정보는 자동으로 조립됩니다. 처음부터 조사하는 대신, 다음에 무엇을 해야 하는지 알려주는 간결한 분류(triage) 요약을 받게 됩니다.

우리가 구축한 경고 인프라 (Alert Infrastructure)

우리의 경고 시스템은 다음을 알려줍니다:

• 분류 (Classification): 신규(new), 재발(reoccurring), 지속적(persistent), 일시적(ephemeral) 또는 종료(closed)
• 한 줄 요약 (One-liner summary): 어떤 역할(role), 어떤 계정(account), 처음 발견된 시점, 지속 시간
• CSPM과의 상관관계 분석을 위한 경고 ID (Alert ID)
• 자산 상세 정보 (Asset details): 마지막 사용 시점, 현재 상태, 인터넷 노출 여부
• 환경 유형 (Environment type): 운영(production), 개발자(developer), 테스트(test)
• 패턴 분석 (Pattern analysis): 여러 계정에 걸쳐 유사한 문제가 있는가?
• 과거 사례 (Historical precedence): 이전에 이를 다룬 적이 있는가?
• 권장 조치 (Recommended action): 즉시 에스컬레이션(escalate), 검토를 위해 일괄 처리(batch), 무시(ignore)
• 경고 진화 타임라인 (Timeline of alert evolution)
• 직접 링크가 포함된 현재 상태

또한 운영 비용에 대한 투명성을 위해 AI 분석 비용과 각 강화(enrichment)에 사용된 토큰(tokens)을 추적합니다.

실질적인 결과

어떤 경고는 즉시 고객에게 에스컬레이션(escalated)됩니다. 강화(enrichment)를 통해 충분한 위험 신호(risk signals)가 드러나므로, 지금 즉시 주의를 기울여야 함을 알 수 있습니다.

어떤 경고는 정기적인 검토 주기(review cadences)를 기다립니다. 컨텍스트(context)를 통해 해당 문제가 이미 알려져 있고, 추적 중이며, 몇 주 내에 조치(remediation)가 예정되어 있음을 알 수 있습니다.

어떤 경고는 재발하는 패턴으로 인식됩니다. 범위가 확장되고 있을 수도 있지만(동일한 설정 오류가 있는 다른 서버 등), 팀이 이미 문제를 이해하고 계획을 가지고 있는 경우입니다.

목표는 중요한 곳에 인간의 주의력을 집중하는 것입니다. 모든 경고를 처음부터 조사하지도 않고, 소음 속에 파묻혀 중요한 문제를 놓치지도 않는 것입니다. 자동화된 강화(automated enrichment)가 일상적인 분석을 처리하고, 인간은 판단(judgment calls)을 내립니다.

속도의 이점

전통적으로 경고 분류(alert triage)에는 두 가지 모드가 있습니다.

철저하지만 느림 (Thorough but slow): 영향을 받은 자산(asset)을 불러오고, 노출 상태를 확인하며, 데이터 민감도 태그를 검토하고, 경고 이력을 살펴보고, 컨텍스트(context)를 파악합니다. 경고 하나당 상당한 시간이 소요됩니다. 확장성(scale)이 없습니다.

빠르지만 얕음 (Fast but shallow): 심각도(severity)를 훑어보고 제한된 정보에 기반하여 빠르게 판단을 내립니다. 확장성은 있지만 미묘한 차이(nuance)를 놓칩니다. 중요한 이슈는 우선순위에서 밀리고, 사소한 이슈는 에스컬레이션(escalation)됩니다.

AI 인리치먼트(enrichment)는 철저함과 빠름을 동시에 제공합니다. 인간 분석가가 몇 분 동안 수행해야 할 조사가 자동으로 이루어지며, 의사결정에 즉시 활용할 수 있는 상태로 전달됩니다.

이를 통해 시간 비용 없이 더 많은 경고를 더 깊이 있게 살펴볼 수 있습니다. 여러 환경에 걸쳐 하루에도 수십 개의 경고를 검토해야 하는 상황에서는 이러한 가속화가 매우 중요합니다.

기술적 고려 사항 (Technical Considerations)

MCP 서버에는 제약 사항이 있습니다. 반환되는 레코드 수의 제한, 응답 길이 제한, 쿼리 복잡도 경계 등이 있습니다.

우리는 이러한 제한 사항을 고려하여 프롬프트(prompt)와 시스템을 설계합니다. 예외 케이스(구조를 재조정해야 하는 쿼리, 페이지네이션(pagination)이 필요한 결과 등)가 존재하지만, 표준적인 경고 인리치먼트 워크플로(workflow)에서는 도구들이 안정적으로 작동합니다.

우리는 내장된 AI 기능에만 의존하기보다 Bedrock에서 자체적인 LLM 인스턴스를 실행합니다. 이를 통해 프롬프트에 대해 더 많은 제어권을 갖고, 상관관계 분석(correlation) 시스템과 더 나은 통합을 이루며, 여러 데이터 소스를 하나의 통합된 뷰(view)로 연결할 수 있습니다.

경고 분류 그 이상 (Beyond Alert Triage)

동일한 MCP 인프라가 다른 워크플로도 지원합니다:

자산 조사 (Asset investigation): 특정 리소스에 대한 세부 정보를 쿼리하고, 관계를 이해하며, 액세스 경로(access paths)를 추적합니다.

컴플라이언스 분석 (Compliance analysis): 발견 사항을 프레임워크(framework)에 매핑하고, 격차(gap)를 식별하며, 컴플라이언스 중심의 뷰를 생성합니다.

트렌드 분석 (Trend analysis): 기간별로 데이터를 집계하여 패턴을 식별하고 이상 징후(anomaly)를 포착합니다.

보고 (Reporting): 다양한 대상에 맞춰 서로 다른 상세 수준의 요약본을 생성합니다.

MCP 서버는 본질적으로 CSPM의 기저 데이터에 접근하는 API입니다. AI는 해당 API를 대화형(conversational)이자 컨텍스트 중심(contextual)으로 만들어 줍니다. 쿼리를 직접 구축하는 대신, 질문을 던지고 답변을 얻으십시오.

운영자의 이점 (The Operator Advantage)

이러한 역량은 일반적인 CSPM 사용자가 활용하기에는 더 어렵습니다. 이를 위해서는 몇 가지 요소가 필요합니다.

• MCP 도구가 무엇을 할 수 있는지에 대한 깊은 숙련도
• 경보(alert)를 강화 워크플로(enrichment workflows)로 라우팅하는 시스템
• 일관되고 유용한 출력을 위해 조정된 프롬프트 (Prompts)
• 운영 프로세스와의 통합

여러 환경에 걸쳐 이를 실행하면서, 우리는 AI 강화(AI enrichment)를 이론적인 수준이 아닌 실무적인 수준으로 만들기 위한 인프라를 구축하고 전문 지식을 개발했습니다. 이는 우리가 매일 경보를 분류(triage)하는 방식입니다.

CSPM을 여러 책임 중 하나로 운영하는 팀에게 이러한 인프라를 구축하고 유지하는 것은 상당한 투자입니다. 하지만 우리에게 이것은 운영 방식의 핵심입니다.

요점 (The Takeaway)

클라우드 보안에서의 AI는 인간의 판단 자체를 대체하는 것이 아니라, 판단에 앞서 수행되는 일상적인 분석을 처리합니다.

모든 경보는 실행 가능한 상태(actionable)가 되기 전에 컨텍스트(context)가 필요합니다. AI는 수동 조사보다 더 빠르고 일관되게 그 컨텍스트를 자동으로 구성할 수 있습니다.

그 결과: 더 나은 분류(triage) 결정, 실제 문제에 대한 더 빠른 대응, 그리고 노이즈(noise)에 낭비되는 시간 감소를 얻을 수 있습니다.

만약 모든 경보를 수동으로 조사하고 있거나, 더 나쁘게는 시간이 없어서 아예 조사하지 않고 있다면, 당신은 가치를 놓치고 있는 것입니다. 우리가 구축한 AI 강화 인프라는 대부분의 팀이 직접 만들고 유지할 여력이 있는 것이 아닙니다. 하지만 직접 구축하지 않고도 그 혜택을 누릴 수 있습니다.

Jon Rose는 IOmergent를 운영하며, 엔지니어링 중심 기업들에게 보안 전략 및 관리형 클라우드 보안 운영에 대해 자문하고 있습니다.