엔터프라이즈 보안(Enterprise security)은 인간의 속도에 맞춘 보안에서 고주파수의 AI 매개 방어(AI-mediated defense)로 전환되고 있습니다. 이 새로운 모델은 Beyond Zero라고 불리며, 이 기사에서는 새로운 아키텍처를 위한 근본적인 개념들을 설명합니다. Beyond Zero는 문맥 기반의 위험 기반(risk-based) 리소스 수준 권한 부여 모델이 기계 속도로 실행될 수 있도록 하여, 사용자에게 과도한 부담을 주지 않으면서 인간과 에이전트(agents)를 모두 보호합니다.

Beyond Zero 모델은 다음과 같은 주요 특징을 가집니다:

리소스/액션 기반 보안 (Resource/action-based security). 권한 부여 결정은 도구, 애플리케이션 또는 애플리케이션 내의 기능에 대한 액세스 권한을 부여하는 방식이 아니라, 개별 리소스에 대한 개별 액션(individual actions) 단계에서 이루어집니다. 이는 해당 리소스가 어디를 통해 접근 가능한지(예: 프론트엔드 도구, API, MCP 또는 기타 액세스 방식)와 관계없이 적용됩니다.

혼합된 정적 및 동적 보안 (Blended static and dynamic security). 리소스 액세스에 세밀한 정적 정책(static policies)이 적용됨과 동시에, 위험하거나 복잡한 시나리오에서 더욱 강력한 보안을 적용하는 완전한 동적 제어(dynamic controls)가 병행됩니다. 이를 통해 정적으로 검증하기 어려운 완전한 동적 보안 모델로 전환하지 않고도 동적 제어를 적용할 수 있습니다.

자동으로 보강된 문맥 (Automatically enriched context). 결정 시스템은 사용자에 대한 문맥, 사용자가 작업해야 하는 내용, 사용자가 상호작용하려는 데이터, 사용자가 해당 데이터로 수행하려는 작업, 그리고 사용 가능한 잠재적 위험 완화 조치에 대한 문맥을 활용할 수 있습니다. 이러한 사실들은 의사 결정 인프라에서 항상 사용할 수 있습니다.

자동화된 심층 조사 (Automated in-depth investigation). 위험 신호(risk signals)에 의해 조사가 자율적으로 실행되도록 트리거될 수 있으며, 결과적으로 사용자의 액세스 스트림에 즉시 적용되는 챌린지(challenges) 또는 격리(containments)를 활성화할 수 있습니다.

챌린지 및 격리 (Challenges and containments). 챌린지와 격리는 보안 정책에서 직접 트리거될 수 있으며, 이를 통해 액세스 권한을 가진 주체(accessors)가 요구 시 추가적인 위험 정보를 제공할 수 있도록 합니다.

Beyond Zero는 Google이 2014년에 도입한 BeyondCorp 모델을 기반으로 하며, 제로 트러스트 (zero-trust) 개념을 인증 (authentication) 및 인가 (authorization) 계층으로 확장합니다. BeyondCorp를 뒷받침하던 가정들—즉, 액세서 (accessors)는 인간이며, 동작은 인간의 속도로 발생하고, 애플리케이션이 신뢰를 위한 올바른 경계라는 가정—은 더 이상 충분하지 않습니다. 이제 AI 에이전트 (AI agents)가 인간보다 10배 빠른 속도로 데이터에 접근하고, 종종 방대한 비정형 데이터셋 (unstructured datasets) 전반에 걸쳐 정보에 대해 추론하는 시대에 진입함에 따라, 데이터를 보호하기 위한 새로운 모델이 필요합니다. 이 글에서 *에이전트 (agents)*를 언급할 때는 인간의 행동을 모방하는 AI 에이전트를 구체적으로 지칭한다는 점에 유의하십시오.

BeyondCorp 백서의 발행 [IMG:1]은 Google이 BeyondCorp 모델을 채택하기 위해 걸어온 여정의 이정표인 동시에, 업계의 나머지 부분들이 어떻게 동일한 모델을 채택하고 다른 이들이 유사한 지속적 인가 (continuous authorization) 모델을 채택할 수 있도록 돕는 인프라를 구축할 수 있는지에 대한 비전을 제시했습니다. 이 글은 Google이 Beyond Zero 모델로 전환하려는 자체적인 노력의 이정표이자, 이러한 전환을 가속화하기 위해 업계가 나아가야 할 방향에 대한 비전을 나타냅니다.

문제점: 머신 속도에서의 데이터 보안

여러 주요한 변화로 인해 Beyond Zero 모델로의 전환이 필연적이 되었습니다. 특히 우리가 관찰한 주요 변화 중 일부는 다음과 같습니다:

액세스 볼륨의 기하급수적 성장을 주도하는 에이전트. 인간 중심의 인력에서 에이전트 중심의 인력으로의 전환은 액세스 요청의 빈도를 근본적으로 변화시켰습니다. 자율적으로 작동하든 인간 사용자를 위한 "코파일럿 (copilots)" 역할을 하든, AI 에이전트는 전통적인 인간의 활동보다 훨씬 더 높은 비율로 기업 리소스와 상호 작용합니다. 기존의 레거시 인프라 (legacy infrastructure)는 초당 수천만 개의 동시 머신 주도 동작을 인가해야 하는 필요성으로 인해 과부하 상태에 놓여 있습니다.

전례 없는 데이터 속도와 규모. 단순히 접근 빈도만 변한 것이 아니라, 소비되는 데이터의 양 또한 변했습니다. 에이전트 (agents)가 도입되기 전에도 이미 디지털 애플리케이션 내부에서 접근되는 데이터의 양과 민감도 모두 기하급수적으로 성장하고 있었습니다. 여기에 에이전트 기반 워크플로 (agentic workflows)가 더해지면서, 방대한 비정형 데이터 세트 (unstructured datasets) 전반에 걸친 집계 및 추론이 증가하고 있으며, 이는 데이터 규모의 더욱 큰 성장을 초래하고 있습니다. 시스템에 가해지는 이러한 "기하학적 충격 (geometric shock)"은 그 어느 때보다 더 민감한 지적 재산 (intellectual property)과 사용자 데이터가 접근 및 실행 가능한 상태로 노출되어 있음을 의미합니다. AI는 이러한 데이터를 더 빠르게 처리하고 실행할 수 있게 해주지만, 모든 처리는 수동 감독 및 사후 보안 운영 (SecOps) 검토의 속도를 앞지르는 속도로 발생할 것입니다.

위협 환경의 정교화. 현재의 환경에서는 가장 숙련도가 낮은 공격자조차도 자신들의 수법 (tradecraft)을 가속화하기 위해 AI를 무기화했습니다. 이러한 적대 세력들은 대규모 언어 모델 (LLMs)을 사용하여 요구에 따라 악성 코드를 재작성하며, 이로 인해 정적 탐지 방법론 (static detection methodologies)의 효과가 떨어지고 있습니다. 공격자들은 이제 자동화된 에이전트 방식 (agentic methods)을 사용하여 이전에는 가치가 낮다고 간주되었던 표면 (surfaces)을 테스트하며 인내심을 가질 여유까지 갖게 되었습니다. 나아가, 에이전트 기반 인프라 (agentic infrastructure)의 부상은 에이전트가 인간 사용자의 전체 권한, 즉 종종 과도하게 부여된 권한을 그대로 부여받는 주변 권한 (ambient authority) 악용과 같은 새로운 공격 벡터 (attack vectors)를 도입합니다. 이러한 기계 속도의 공격과 비결정론적 에이전트 행동 (nondeterministic agent behavior)의 결합은 동적이고 의도 기반의 방어 (intent-based defense)로의 전환을 요구하는 위험 프로필을 생성합니다.

해결책: Beyond Zero 모델의 도입

Beyond Zero는 신뢰 경계(trust boundary)를 애플리케이션에서 데이터에 대해 실시간으로 수행되는 동작으로, 그리고 사후 조사(after-the-fact investigation)에서 실시간 평가 및 격리(containment)로 전환합니다. 이는 BeyondCorp의 기초적인 신뢰 기반인 ID(identity)에 특정 요청의 맥락(context)과 의도(intent)를 실시간으로 추론할 수 있는 "두뇌"를 더해 강화합니다.

모든 Beyond Zero 기능(표 1 참조)을 구현하면 기업은 회사 전체의 리소스를 자연스럽게 따라다니며 개별 집행 조치로 흘러 들어가는 상위 수준의 보안 정책을 표현할 수 있습니다. 또한 기업은 대량의 데이터를 수용하여 매우 세밀한(granular) 결정을 내리는 정적 및 동적 정책을 구축할 수 있으며, 이 과정에서 업무 중인 사용자에게 가해지는 방해를 최소화할 수 있습니다. 이를 통해 액세스 남용, 지적 재산 보호, 컴플라이언스(compliance)를 포함한 다양한 유스케이스(use cases)의 병목 현상을 해소할 수 있습니다. 액세서(accessors, 사람 및 에이전트)의 경우, 권한을 동적으로 제어하는 *액세스 버블(access bubble)*이 주어진 순간에 수행해야 할 작업에 따라 크기를 조절하며, 생산성에 영향을 주지 않으면서 과도한 권한 부여(overprovisioning)를 줄여줍니다.

Beyond Zero 아키텍처 (Beyond Zero Architecture)

Beyond Zero는 애플리케이션 전체가 아닌 개별 리소스에 정책 결정을 적용함으로써 작동합니다. 권한 부여(Authorization)는 도구나 애플리케이션이 아닌 특정 리소스에 대해 평가됩니다. 정책은 추론 결정과 액세스를 규정하는 불변의 원칙(immutable principles)으로부터 동적으로 도출됩니다. 데이터에 대한 동작이 수행될 때, 액세스를 승인하기 위해 액세서, 액세스 중인 데이터, 그리고 수행 중인 작업에 관한 다양한 정보를 고려하여 일련의 점검(checks)이 수행됩니다.

우리는 기본 보안과 컴플라이언스 (compliance)를 보장하기 위해 정적 정책 (static policies, 바닥)을 유지합니다. 그 위에 계층적으로 쌓인 것은 행동을 관찰하고, 작업이 설정된 규범에서 벗어나거나 높은 위험을 수반할 때 마찰 (friction, 챌린지)을 적용하는 동적 추론 엔진 (dynamic reasoning engine, 천장)입니다. 에이전트 (agent)가 특정 규칙 세트에서 벗어나지 않도록 보장하는 정적으로 강제된 베이스라인 (baseline)이 있으며, 더 높은 세분성 (granularity)으로 의사결정을 내릴 수 있게 하는 동적 구성 요소가 존재합니다.

Beyond Zero 아키텍처는 다음에 설명할, 지속적인 피드백 루프를 형성하는 네 가지 협력 구성 요소로 이루어져 있습니다. 이 구성 요소는 자율 거버넌스 (autonomous governance), 이벤트 인테이크 (event intake), 추론 엔진 (reasoning engine), 그리고 챌린지 인프라 (challenge infrastructure)입니다.

자율 거버넌스 (Autonomous Governance): 엔터프라이즈 월드 모델 구축

의사결정이 내려지기 전에 시스템은 지형을 이해해야 합니다. 자율 주행 자동차가 작동하는 세계의 물리 법칙과 제약 조건을 이해하기 위해 월드 모델 (world model)에 의존하는 것과 마찬가지로, 에이전트와 인간이 엔터프라이즈 전반의 리소스 (resources)에 대해 어떻게 작업을 수행할 수 있는지 결정하는 데 도움을 줄 정확한 엔터프라이즈 월드 모델이 필요합니다. 자율 거버넌스 구성 요소는 사내의 인간이 누구인지, 그리고 그들의 업무가 회사의 자산과 어떻게 연관되는지를 보여주는 기존 HR 및 프로젝트 관리 웨어하우스 (warehouses)와 기타 데이터 소스와의 통합을 통해, AI를 사용하여 다음과 같은 정보를 포함하는 라이브 엔터프라이즈 월드 모델을 생성하고 유지합니다.

누가 (Who)—액세서 (accessors, 인간 및 에이전트)에 관한 정보로, 직무 (job function), 역할 (role), 직급 (seniority), 관리 인간 (controlling human, 에이전트의 경우) 등을 포함합니다. 이 정보는 다양한 ID, HR 및 기타 시스템 레코드 (system-of-record) 데이터베이스에서 가져올 수 있습니다.

전처리 (Preprocessing)는 비정형 데이터 (unstructured data)가 권한 부여 (authorization)의 일부로 사용될 수 있는 정적 속성 (static attributes)으로 변환되도록 보장합니다. 예를 들어, 특정 팀에서 근무할 때 조직도 및 기타 HR 데이터로부터 해당 팀의 주제와 다른 팀과의 그래프 관계 (graph relationships)를 추출하여, 정적 및 동적 정책 (static and dynamic policies) 모두에서 보안 검사의 일부로 사용할 수 있는 속성 세트를 생성할 수 있습니다.

무엇을 (What)—데이터 민감도 (confidentiality [예: 기밀, 공개, 핵심 자산(crown jewels) 등]) 및 데이터 유형 (data type [예: 사용자 데이터])에 대한 의미론적 이해 (semantic understanding)입니다. 이 정보는 AI에 의해 전처리되어, 리소스 이해 (resource understanding)를 이해 가능한 구조로 변환할 수 있게 합니다. 이는 의미론적 그래프 (semantic graph) 또는 리소스 모델 (resource model, 예: 엔터프라이즈 리소스 간의 관계 표시)의 형태를 취할 수 있습니다.

어떻게 (How)—과거 사용 및 공유 패턴, 그룹 멤버십, 팀 멤버십, 할당 사항 등을 기반으로, 접근자 (accessors)가 어떤 작업을 수행하도록 과업을 부여받았는지와 그들이 어떻게 업무를 수행하는지에 대한 정보입니다. 전처리는 업무 할당에 관한 정확한 데이터를 추출합니다 (예: 사용자가 현재 고객 A, B, C에게 속한 데이터에만 접근해야 하는 할당 사항을 수행 중임).

사용자 요청에 과도한 지연 시간 (latency)을 추가하지 않고 액세스 결정 (access decisions)을 내려야 한다는 필요성은, 액세스 결정에 필요한 정보의 상당 부분이 정확하게 사전 채워져(prepopulated) 있어야 하며 액세스 시점에 낮은 지연 시간으로 사용 가능해야 함을 의미합니다.

액세스 시점에 가용 가능한 엄격한 지연 시간 예산 (latency budgets) 때문에, 정확한 속성이 액세스 시점에 사용 가능하도록 추론 작업 (inference tasks)을 전방 배치 (front-loaded)해야 하므로 전처리가 매우 중요해집니다.

여기에서의 기본 원칙은 추론 결과 (reasoning outputs)를 가능한 한 많이 사전 계산 (precomputing)함으로써 개별 실시간 액세스 결정의 오버헤드를 최소화하는 것입니다. 이렇게 사전 계산된 지식은 기존의 액세스 제어 (access-control) 도구로는 도달할 수 없었던 정밀도를 바탕으로 높은 충실도 (high-fidelity)의 결정을 내릴 수 있게 해줍니다.

이벤트 인테이크 (Event Intake): 에이전트 및 사용자 활동과의 연결

리스크를 추론하기 위해서는 평가 대상이 되는 즉각적인 동작뿐만 아니라, 사용자 동작 및 엔터프라이즈 패턴의 더 넓은 맥락에 대한 높은 충실도 (high-fidelity)의 가시성이 필요합니다. 이를 달성하기 위해 Beyond Zero는 다음과 같은 다양한 기존의 전통적인 데이터 소스로부터 이벤트 스트림을 수집(ingest)할 수 있습니다.

서버 측 (Server side) (기업용 프록시 및 API의 액세스 로그, 엔터프라이즈 생산성 앱, 시스템 레벨의 서버 액세스 및 기타 서버 측 소스). 이러한 신호 중 일부는 이벤트 강화 (event enrichment) 없이 액세스 시점에 바로 사용할 수 있습니다. 다른 신호들은 액세스 시점에 사용될 속성을 구성하기 위해 전처리 (preprocessing)가 필요하거나, 액세스 후 조치에 대한 사후 액세스 분석 (post-access analysis) 용도로 사용될 수 있습니다.

클라이언트 측 (Client side) (브라우저 상태, 로컬 파일 액세스 또는 프로세스 활동을 나타내는 온디바이스 (on-device) 신호). 여기에는 표준 데이터 유출 방지 (DLP) 솔루션 및 엔드포인트에서 실행 중인 기존 클라이언트 보안 에이전트로부터 오는 신호와 원시 시스템 로그 (raw system logs)가 포함됩니다. 이러한 신호는 전처리 없이는 사용할 수 없으며, 일반적으로 제한된 유스케이스 (예: 사후 액세스) 외에는 유용하지 않습니다.

에이전트 활동 (Agent activity) (AI 에이전트에 의한 프롬프트 입력, 실행 계획, 도구 호출 등의 로그). 에이전트 기반 액세스 (agentic access) 시나리오의 경우, 이러한 추가 신호는 에이전트의 액세스가 사용자의 의도와 엔터프라이즈 정책 준수 (alignment)를 모두 반영하는지 판단하는 데 사용될 수 있습니다.