법률 구조를 위한 사이버 보안: 실무적 위협 모델

법률 구조 클리닉(Legal aid clinics)은 특권(privilege), 변호사-의뢰인 비밀 유지(attorney-client confidentiality) 및 특정 규제 체계의 적용을 받는 민감한 의뢰인 데이터를 취급합니다. 이 기사는 AI를 도입하는 법률 구조 클리닉을 위한 실무적 위협 모델(threat model)을 살펴봅니다.

위협 모델 구성 요소

실무적 위협 모델은 다음을 식별합니다:

1. 위협 행위자 (Threat actors, 공격할 동기가 있는 주체)
2. 공격 표면 (Attack surfaces, 공격이 시작되는 지점)
3. 취약점 (Vulnerabilities, 방어 체계의 약점)
4. 위협 (Threats, 구체적인 공격 시나리오)
5. 영향 (Impact, 시나리오별 심각도)
6. 가능성 (Likelihood, 확률)
7. 완화 조치 (Mitigations, 가능성이나 영향을 줄이는 통제 수단)

위협 행위자

법률 구조 클리닉의 경우:

• 국가 지원 행위자 (Nation-state actors): 드문 대상이지만, 정교한 의뢰인 사안이 관심을 끌 수 있습니다.
• 조직 범죄 (Organized crime): 퇴거 / 소비자 / 가사 사건에서의 금융 및 신원 데이터.
• 내부자 리스크 (Insider risk): 전직 직원, 느슨한 권한 관리.
• 핵티비스트 (Hacktivists): 정치적 성격이 강한 사건(이민, 형사 변호)은 관심을 끌 수 있습니다.
• 상대 당사자 (Opposing parties): 민사 사건; 소환장(subpoenas) 및 증거 개시(discovery).
• 소환장 / 법원 명령 (Subpoena / court order): 데이터 제출이 강제될 수 있습니다.

공격 표면

• 대외용 AI 포털
• 내부 변호사 포털 접속
• LLM API 엔드포인트
• 데이터베이스 백업
• 감사 로그 (Audit logs)
• 벤더 접속 (제3자 LLM 제공업체)
• 내부 사용자 기기

일반적인 취약점

관찰된 법률 구조 클리닉 보안 감사(2024년) 결과:

• 내부 도구의 기본 자격 증명 (Default credentials)
• 포털 관리자 계정의 MFA(다요소 인증) 부족
• 암호화되지 않은 백업
• 소스 코드에 저장된 벤더 도구 API 키
• 비식별화 처리되지 않은 로그 내의 개인정보(PII)
• 감사 로그 누락 (또는 저장 비용 절감을 위해 삭제됨)
• AI 에이전트 내 패치되지 않은 종속성 (Unpatched dependencies)

위협 및 완화 조치

T1: 포털에 대한 크리덴셜 스터핑 (Credential stuffing)

가능성: 높음.

완화 조치:

• MFA 필수 적용.
• 5회 로그인 실패 시 계정 잠금.
• 인증 엔드포인트에 대한 속도 제한 (Rate limiting).
• 봇 탐지 (turnstile, reCAPTCHA).

T2: 사용자 입력을 통한 LLM 프롬프트 인젝션 (Prompt injection)

가능성: 높음.

완화 조치:

• 사용자 입력값 정제 (Sanitize).
• 시스템 프롬프트 (System prompt)를 사용하여 LLM 동작을 제한.
• 적대적 입력 탐지 (Adversarial input detection) 적용.
• 검토를 위해 의심스러운 입력을 로그 (Log)에 기록.

T3: 모델로부터의 LLM 데이터 유출 (Data exfiltration)

가능성: 중간.

완화 조치:

• 민감한 워크로드의 경우 프라이빗 인프라에 오픈 소스 모델을 자체 호스팅 (Self-hosted).
• 자체 호스팅이 불가능한 경우 BAA (Business Associate Agreement)를 체결한 클라우드 엔드포인트 사용.
• 민감한 데이터에 대해 소비자용 (Consumer-tier) AI 엔드포인트 사용을 지양.
• 내부 모델 아티팩트 (Artifacts)에 대한 엄격한 액세스 제어.

T4: 감사 로그 내 개인정보 (PII)

가능성: 높음.

완화 조치:

• 로그 기록 전 PII (개인정보) 제거.
• 해시된 식별자 (Hashed identifiers) 사용.
• 로그 저장 시 저장 데이터 암호화 (Encryption at rest).
• 감사 로그 보존 정책 (Retention policy) 수립.

T5: 벤더 침해 (Vendor compromise)

가능성: 중간-낮음 (벤더에 따라 다름).

완화 조치:

• 다중 벤더 사용 (단일 벤더 종속/Lock-in 방지).
• 벤더 보안 권고 사항 (Security advisories) 지속적 모니터링.
• 연례 SOC 2 Type II 벤더 컴플라이언스 검토.
• 핵심 워크로드에 대한 자체 호스팅 대안 마련.

T6: 백업 노출 (Backup exposure)

가능성: 중간.

완화 조치:

• 저장 데이터 암호화 (Encryption at rest).
• 백업 자격 증명 (Credentials)에 대한 액세스 제한.
• 복구를 위한 백업 테스트 수행.
• 백업 라이프사이클: 암호화 및 전송 제한 (Transit-restricted).

권장 보안 스택 (Recommended security stack)

중소 규모 법률 구조 기관을 위한 구성:

• 프론트엔드 (Frontend): Next.js, TypeScript, OWASP 준수 보안 헤더
• 백엔드 (Backend): Node.js 또는 Python (OWASP Top 10 완화 조치 적용)
• AI: pgvector를 사용하는 자체 호스팅 Llama 3.3 70B
• 데이터베이스 (Database): 암호화된 백업을 포함한 PostgreSQL
• 인증 (Auth): MFA를 포함한 Okta 또는 Authentik
• 감사 (Audit): 일일 오프사이트 백업을 포함한 추가 전용 로그 (Append-only log)
• 모니터링 (Monitoring): Snyk + Datadog

컴플라이언스 매핑 (Compliance mapping)

• NIST 800-53 Rev 5 (연방 기준선)
• HIPAA 개인정보 보호 규칙 (건강 데이터가 포함된 경우)
• 비밀 유지에 관한 주 변호사 협회 의견 (State bar opinions)
• 사이버 보험 요구 사항 (종종 연례 감사가 요구됨)

감사의 글 (Acknowledgments)

이 기사는 2026년 초 기준의 공개된 자료들을 요약한 것입니다. 구체적인 배포 방식은 클리닉 (clinic)의 범위에 따라 다를 수 있습니다.

Dillon Deutsch는 보안 감사 (security audits)와 관련하여 법률 구조 클리닉 (legal aid clinics)들과 협력해 왔습니다. https://courtgpt.ai