KISA AI 보안 위협 대응 매뉴얼 요약:
21개 위협 중 우리 회사 해당 항목 고르기 [2026]

「AI 보안 위협 대응 매뉴얼」은 과학기술정보통신부와 한국인터넷진흥원(KISA)이 2026년 7월 발간한 문서로, LLM과 LLM을 붙인 서비스에서 생기는 보안 위협 21개를 분류하고 항목마다 진단 기준과 대응 방안을 제시하는 실무 안내서다.

PDF로 231쪽이라 처음 펼치면 어디부터 읽을지 막막하다. 이 글은 매뉴얼을 처음 보는 보안·개발 담당자가 10분 안에 '우리 회사에 해당하는 항목'을 고를 수 있도록 적용 범위, 위협 코드, 운영 형태별 출발점, 업종별 시나리오 위치, OWASP LLM Top 10과의 대응, 대응 방안 읽는 법을 차례로 정리했다. OWASP 항목별 점검은 OWASP LLM Top 10 한국 기업 자가점검에서, 실제 프롬프트 인젝션 사고는 프롬프트 인젝션 사례 6가지에서 다뤘으므로 반복하지 않는다. 본문의 쪽 번호는 매뉴얼에 인쇄된 번호이고, PDF 뷰어의 쪽수보다 1 작다.

결론부터 말하면, 모델을 직접 만들지 않고 외부 LLM API만 쓰는 회사도 시스템 프롬프트 유출(M03), 환각(M05), 탈옥(M06), 부적절한 출력 처리(M07), 모델 DoS(M08)는 그대로 해당한다. 에이전트에 도구를 붙였다면 에이전트 위협 4개(A01~A04)와 통제 상실(H02)이 더해진다. LLM을 도입하지 않은 회사도 체크리스트 H01의 '기존 시스템 운영자' 문항 5개는 그대로 쓸 수 있다.

왜 지금 봐야 하나

• 점검 단위가 모델에서 시스템으로 넓어졌다. 매뉴얼은 2025년 후반 도구 호출과 다단계 자율 판단을 결합한 에이전트화가 본격화되고, 2026년 상반기 MCP(Model Context Protocol) 기반 도구·플러그인 생태계가 급팽창하면서 분석 단위를 단독 모델에서 LLM 시스템으로 넓혀야 함이 명확해졌다고 설명한다(8쪽). 챗봇 답변만 시험하는 점검으로는 도구, 메모리, 확장요소에서 생기는 위협이 빠진다.
• 공격자의 능력 상한이 올라갔다. 매뉴얼은 2026년 4월 고성능 모델이 등장하면서 위협 행위자의 능력 상한이 한 단계 올라갔다고 적었다(6쪽). 제3장에서는 금융망, 의료기기 펌웨어, 행정·학사 시스템, 산업 제어 시스템, 통신 인프라, 법령·규정 체계, 중요 소프트웨어를 대상으로 고성능 모델이 취약점, 논리적 허점, 공격 경로를 자율 탐색하는 위협을 8개 산업 시나리오에 모두 반영했다(54쪽). 공격자의 AI 사용이 1차 자료로 확인된 사고는 AI 해킹 사고 사례 10건에 정리했다.
• 규범 환경이 바뀌었다. 매뉴얼은 AI 기본법(2026년 1월 22일 시행) 발효로 고영향 AI에 대한 사람의 관리·감독 의무가 본격화된 점을 발간 배경으로 든다(6쪽). 다만 특정 AI 시스템이 고영향 AI에 해당하는지는 판단하지 않는다고 밝혔다(52쪽).
• 경영진과 실무자를 함께 겨냥했다. 과기정통부는 보도자료에서 경영진에게는 AI 보안 위협의 유형과 사례를, 실무자에게는 진단·대응 기준과 방안을 제시한다고 설명했다. 보호나라 게시글 조회수는 10월 13일 기준 3만 5천 회를 넘었다.

누가 냈고, 어떻게 짜여 있나

과기정통부 정보보호기획과와 KISA 위협대응단 AI탐지대응팀이 발행했고, KISA 보호나라에 7월 8일 게시됐다. 영문 제목은 'AI Security Threat Mitigation Manual'이다. 매뉴얼은 2025년 12월 나온 「인공지능(AI) 보안 안내서」의 후속이다(6쪽). 안내서가 개발자·서비스 제공자의 생애주기 단계별 보안 요구사항과 이용자 보안 수칙 등 총 113개 항목을 정리했다면, 매뉴얼은 탈옥, 간접 프롬프트 인젝션, 에이전트 도구 오용, 모델 공급망 손상처럼 LLM 시스템에 특유한 위협을 따로 떼어 진단·대응 차원에서 다룬다. KISA가 꾸린 AI 보안 레드팀 실무협의체의 자문을 세 차례 거쳤고(8쪽), 같은 날 레드팀 운영 기준서인 「AI 보안 레드티밍 가이드」도 나왔다. 과기정통부는 이 가이드를 AI 레드티밍 국제표준안(ISO/IEC 42119-7) 기반으로 구성했다고 밝혔다.

• 제1장 개요(5쪽~): 목적, 적용 범위, 구성과 'LLM 보안 위협 자가 진단 체크리스트'(18~21쪽). 기술 난이도 1
• 제2장 AI 보안 위협 분류 및 진단(23쪽~): 21개 위협의 정의, 발생 원인, 영향. 난이도 5
• 제3장 산업별 위협 시나리오(51쪽~): 8개 산업 32개 시나리오의 공격 전개, 취약 지점, 영향. 난이도 2
• 제4장 AI 보안 위협별 대응 방안(123쪽~): 계층별 보안 요구사항, 위협별 대응 매핑표, 대응 방안 상세. 난이도 4
• 부록: 별첨1 LLM 보안 위협 및 국제 프레임워크 매핑표(156쪽), 별첨2 LLM 위협 진단·대응 방안(159쪽, 위협별 카드), 별첨3 용어집(217쪽)

난이도는 매뉴얼의 '챕터별 권장 독자' 표(9쪽)에 별 1~5개로 표시된 기술적 난이도다. 권장 독자는 보안팀, CISO·CSO, SOC 분석가, 취약점 진단 담당자를 기본으로 AI·ML 개발자, IT 운영자, 의사결정자, 산업 도메인 보안 담당자, 데이터 엔지니어까지 넓다. 경영진이라면 제1장 체크리스트와 제3장의 자기 업종 절부터 보면 된다. 실무자는 체크리스트에서 해당 코드를 고른 뒤 별첨2 카드, 제4장 대응 방안 순으로 읽으면 가장 어려운 제2장을 처음부터 다 읽지 않아도 된다.

적용 범위: LLM 시스템, 안전과 보안을 함께

분석 대상은 AI 전체가 아니라 LLM과 이를 포함하는 LLM 시스템이다(7쪽). LLM 애플리케이션은 LLM을 핵심 두뇌로 두고 도구·에이전트·외부 데이터와 결합한 단일 서비스이고, LLM 시스템은 여기에 모델 공급망, 운영 인프라, 외부 데이터, 사용자·운영자 경계까지 더한 운영 환경이다(8쪽). LLM이 아닌 머신러닝 모델만 운영한다면 이 매뉴얼의 직접 대상은 아니다.

범위는 안전(Safety)과 보안(Security)을 모두 포괄한다(10쪽). 공격자가 없어도 생기는 내재적 위협(학습 데이터 편향, 환각, 정렬 실패, 확률적 비결정성)과 외부 행위자에게서 비롯되는 외재적 위협(탈옥, 모델 추출, 공급망·인프라 대상, 고성능 모델)을 먼저 구분하고(12~15쪽), 제2장에서는 대응을 정하기 쉽도록 구성 요소와 발생 지점 기준으로 다시 나눴다.

21개 위협, 매뉴얼에 적힌 이름 그대로

• 데이터 위협(D): D01 불균형 데이터, D02 부정확한 데이터, D03 개인정보 비식별화 미흡
• 모델 위협(M): M01 학습 데이터 유출, M02 벡터 DB·임베딩 유출, M03 시스템 프롬프트 유출, M04 모델 유출, M05 환각, M06 탈옥, M07 부적절한 출력 처리, M08 모델 DoS
• 에이전트 위협(A): A01 부적절한 도구 설계, A02 에이전트 하이재킹, A03 에이전트 DoS, A04 에이전트 메모리 오염
• 공급망 위협(S): S01 데이터 포이즈닝, S02 모델 포이즈닝, S03 취약한 버전의 추론 엔진 사용, S04 취약한 버전의 에이전트 확장요소 사용
• 고성능 모델 위협(H): H01 고도화된 사이버 공격 지원 위협, H02 자율성으로 인한 통제 상실 위협

PDF에서 찾을 때 헷갈리기 쉬운 이름이 있다. 발간 목적(6쪽)이 꼽은 '간접 프롬프트 인젝션', '에이전트 도구 오용', '모델 공급망 손상'은 위협 코드 이름이 아니다. 간접 프롬프트 인젝션에 가장 가까운 코드는 A02 에이전트 하이재킹으로, 별첨1은 A02를 NIST의 간접 프롬프트 인젝션(NISTAML.015), MITRE ATLAS의 간접 프롬프트 인젝션(AML.T0051.001)과 대응시킨다. A02의 정의는 외부 데이터(웹 페이지, 문서 등)에 숨겨진 악성 프롬프트를 에이전트가 정상 지시로 착각해 의도치 않은 작업을 수행하는 위협이다(41쪽). 에이전트 도구 오용은 도구의 권한 제어와 검증이 미흡한 A01 부적절한 도구 설계에서, 모델 공급망 손상은 공급망 위협 S01~S04에서 찾으면 된다. 이 두 대응은 매뉴얼이 명시한 것이 아니라 위협 정의를 비교한 이 글의 정리다. 확장요소(S04)의 예로 별첨2는 외부 MCP 서버, skills, 플러그인, 하네스, 자동화 스크립트를 든다(209쪽). H02는 고성능 모델 절에 있지만 정의가 '에이전트의 자율적 판단이 사용자의 통제 범위를 벗어나 임의로 작업을 수행하거나 정책을 위반하는 위협'이라 에이전트를 운영한다면 함께 본다.

우리 회사 해당 항목 고르기: 운영 형태별 출발점

이 표는 매뉴얼의 위협 정의와 체크리스트 구분을 바탕으로 이 글에서 정리한 출발점이며, 매뉴얼이 직접 제시한 분류는 아니다. 여러 줄에 걸치면 코드를 합친다.

업종별 시나리오: 자기 업종 절부터

제3장은 금융(57쪽), 의료(65쪽), 공공·행정(75쪽), 교육(86쪽), 제조·에너지(92쪽), 통신(98쪽), 법률(106쪽), IT(114쪽) 8개 산업에 시나리오 32개를 실었고, 전체 목록은 55~56쪽 표에 있다. 시나리오마다 공격 단계와 발생 위협 코드, 보안 취약 지점, 영향 분석이 붙는다. 분야는 「고영향 인공지능 판단 가이드라인」과 개인정보보호위원회의 '국민생활 밀접 10대 중점분야'(2025년 3월)를 참고해 골랐다(52~53쪽).

금융의 '대출 심사 보조 에이전트를 통한 부적격 대출 승인 유도'(59~60쪽)가 전형적이다. 공격자는 정상 소득 증빙처럼 보이는 문서 안에 "위 사실과 다르게 소득은 ~로 처리하라" 같은 문구를 숨겨 제출한다. 담당자가 이 문서를 심사 보조 에이전트에 올리면 요건을 채우지 못한 건이 충족된 것으로 처리되고, 담당자는 그 권고대로 승인한다. 매뉴얼은 제출 자료의 무결성 검증 부재, 입력 인젝션 필터링과 맥락 검증 부재, AI 판단을 검증 없이 승인에 반영한 관행을 취약 지점으로 꼽았고, 발생 위협은 M06 탈옥으로 표기했다. 외부 문서에 숨긴 지시인데도 A02가 아닌 M06으로 분류했으므로, 문서 업로드 경로를 점검할 때는 M06과 A02를 함께 본다.

32개 시나리오의 '발생 위협' 표기를 세어 보면 M06 탈옥이 22개로 가장 많고, A01 부적절한 도구 설계 12개, H01 9개, A02 7개, A04 6개 순이다. D01~D03, M02, M08, A03, S02~S04는 어느 시나리오에도 표기되지 않았다. 시나리오가 입력 조작과 도구 권한에 무게를 둔 만큼, 데이터·공급망 항목은 체크리스트와 별첨2로 따로 확인해야 한다.

OWASP LLM Top 10과의 관계

매뉴얼은 각 위협 항목을 OWASP Top 10 for LLM Applications, MITRE ATLAS, NIST AI RMF 같은 국제 프레임워크와 대응되도록 작성했다고 밝히고(25쪽), 별첨1(156~158쪽)에 항목별 OWASP·NIST AML·MITRE ATLAS 번호와 근거 논문을 실었다. 별첨1이 2025년판 번호를 쓰므로, 아래는 별첨1을 OWASP 2025년판 기준으로 뒤집어 정리한 것이다.

• OWASP 10개 항목은 모두 매뉴얼 항목 하나 이상과 연결된다.
• 반대 방향의 예외가 둘 있다. M04 모델 유출은 2023년판의 LLM10(Model Theft)에 대응되고, H01은 OWASP·NIST 대응 없이 MITRE ATLAS AML.T0048(External Harms)에만 연결된다.
• OWASP의 한 항목이 매뉴얼에서는 여러 코드로 나뉜다. LLM01은 조작된 입력으로 안전 필터를 우회하는 탈옥(M06), 외부 데이터에 숨긴 지시로 에이전트를 조종하는 하이재킹(A02), 메모리 오염(A04)으로 갈라져 있어 각각 다른 통제를 붙일 수 있다.
• OWASP 2025년판 기준 점검 결과가 있다면 별첨1로 매뉴얼 코드에 옮겨 적을 수 있다. 다만 대응 관계가 있다고 점검 문항까지 같은 것은 아니므로, 코드별 [양호]·[취약] 기준(별첨2)과 체크리스트 문항(18~21쪽)으로 다시 맞춰 보고, 2025년판 번호가 없는 M04와 H01은 따로 본다. OWASP 10개 항목 설명은 OWASP LLM Top 10 핵심 요약에 있다.

대응 방안: 계층별 23가지를 개발·배포·운영에 놓기

매뉴얼은 대응 방안을 개발·배포·운영 전 과정에서 위험을 예방하고 통제하도록 세워야 한다고 전제한다(124쪽). 실제 통제 목록은 데이터, 모델, LLM 애플리케이션, 에이전트, 공급망 5개 계층에 23가지로 묶였고(127~128쪽), 위협별로 어떤 통제를 쓰는지는 128~129쪽 매핑표에 있다. 고성능 모델은 모델·시스템·사회 수준 대응으로 따로 다룬다(151~153쪽). 아래는 같은 통제를 적용 시점으로 다시 묶은 것으로, 매뉴얼이 아니라 이 글에서 정리한 순서다. 생애주기 단계별 요구사항 목록 자체는 앞서 말한 「인공지능(AI) 보안 안내서」에 있다.

• 개발·도입 전: 데이터 품질 관리, 학습 파이프라인 초입의 개인정보 탐지·마스킹, 모델 정렬, 백도어·데이터 오염 탐지(전처리, 학습 중, 학습 후), 외부 모델·라이브러리·추론 엔진의 출처와 무결성 검증, 시스템 프롬프트 강화
• 배포: 모델·프롬프트 버전 관리(버전 ID, 승인 내역, 해시·서명 검증, 롤백), 입력·출력 가드레일, 안전한 모델 API 설계(모델을 API로 제공할 때 확률값 등 응답 정보 노출 최소화), RAG 사용자별 접근 권한, RAG 삽입 데이터 검증, 모델 출력 보안 처리, 최소 권한·역할 기반 접근 제어, Human-in-the-Loop, 에이전트 가드레일, 실행 권한 정보 분리
• 운영: 요청 트래픽 제어, 모델·에이전트 실시간 모니터링, 개인정보 감사 로깅, 에이전트 메모리 관리, 오픈소스 정기 보안 업데이트, 주기적인 레드팀 훈련

본문에서 바로 가져다 쓸 만한 권고는 다음과 같다.

• RAG 권한은 저장 단계에서 나눈다. 매뉴얼은 사용자 그룹별로 별도의 벡터 DB를 운영해 접근을 원천 차단하는 방식을 권고하며, 질의 때 권한 필터를 거는 사후 통제와 구분한다(139쪽). 별첨2는 클라이언트가 보낸 필터 조건을 믿지 말고 서버가 세션 기준으로 tenant_id·user_id 조건을 강제로 넣으며, 조건 없는 질의는 기본 거절하라고 한다(172~174쪽). 검색층 권한 설계는 사내 AI 챗봇 RAG 정보유출 자가점검에서 이어 볼 수 있다.
• 비밀값을 모델 맥락에 두지 않는다. API 키와 인증 토큰은 LLM이 파라미터로 직접 다루지 않게 하고, 미들웨어가 도구 호출 시점에 필요한 최소 권한만 주입하거나 JIT 방식으로 임시 권한을 발급한 뒤 회수하는 구조를 예로 든다(145~146쪽). 시스템 프롬프트에도 API 키, 내부 URL, 계정을 넣지 말라고 한다(177쪽).
• 에이전트 권한은 요청자보다 넓지 않게 한다. 에이전트는 요청자의 권한과 같거나 더 좁은 범위에서만 자원에 접근해야 하고(143쪽), 사람 승인은 모든 결정이 아니라 민감 정보 접근이나 설정 변경 같은 고위험 조치에 거는 위험 기반 방식을 제시한다(144쪽). 에이전트 가드레일의 구현 방안은 행동 사전 검증, 행동 범위 제한, 도구 응답을 신뢰할 수 없는 입력으로 보는 행동 결과 검증의 세 가지다(144~145쪽). 도구 권한 남용 시나리오는 AI 에이전트 보안에서 다뤘다.
• 모델 출력은 그대로 실행하거나 렌더링하지 않는다. 원시 출력은 검증·파싱·정규화를 거치고, 삽입 위치(HTML, SQL, 셸, CSV, 템플릿 등)에 맞춰 인코딩·이스케이프한다. 웹에는 CSP, DB에는 파라미터화된 쿼리를 쓴다(139~140쪽, 187~189쪽).
• 요청량에 상한을 둔다. 사용자·세션별 쿼터, 토큰 버킷, 동시 추론 제한과 큐 초과 시 429 응답, 작업 시간·반복 횟수 제한, 외부 호출 타임아웃을 예로 든다(140~141쪽).
• 모델 파일과 확장요소는 들이기 전에 열어 본다. pickle 계열 모델 파일은 로드 시점에 임의 코드가 실행될 수 있어 picklescan, fickling, modelscan 같은 도구와 격리 환경 로딩으로 점검하고 해시를 원본과 대조한다(204~206쪽). 추론 엔진은 pip-audit 등으로 의존성 취약점을 확인하고 SBOM으로 구성 요소를 관리한다(207~208쪽). MCP 서버·skills·플러그인은 지시문과 코드에서 외부 전송, 환경변수·API 키 읽기, 명령 실행 로직을 찾고 출처·해시·변경 이력을 검증한다(209~211쪽).

별첨2: [양호]·[취약] 기준이 붙은 진단 카드

별첨2는 21개 항목마다 설명, 영향, 근거(OWASP·NIST·MITRE 번호), 평가 기준, 진단 방법, 대응 방안을 한 카드로 묶었고, D01·D02·S01·H02를 뺀 17개 카드에는 사례도 붙였다. 평가 기준이 [양호]와 [취약]으로 나뉘어 있어 체크리스트에서 '아니오'가 나온 항목의 판정 근거로 쓰기 좋다. 진단 방법에는 탈옥 자동 점검용 Garak·LLM Guard(185쪽), 고성능 모델의 사이버 역량 평가용 Cybench·BountyBench(212쪽) 같은 공개 도구도 나온다.

읽을 때 두 가지를 유의한다. A03 에이전트 DoS 카드는 보편적이고 정량화된 산업 표준이 아직 없다며, 조직이 서비스 특성과 위험 허용 수준에 맞춰 판단 기준을 직접 정하라고 한다(196쪽). S04 카드의 '대응 방안'과 '사례' 칸에는 S03과 같은 내용(추론 엔진 패치, PyTorch 취약점)이 실려 있으므로(211쪽), 확장요소 점검은 같은 카드의 '진단 방법'(구성요소 점검, 출처·무결성 검증)을 기준으로 삼는 편이 맞다. 레드팀 훈련의 상세는 제4장이 「AI 보안 레드티밍 가이드」로 넘긴다(148쪽). 공격자 관점의 시험 방식은 AI 레드팀 관점 프롬프트 인젝션 시나리오에도 정리했다.

자가점검: 체크리스트에서 먼저 볼 12문항

매뉴얼 체크리스트(18~21쪽)는 21개 항목에 문항 65개다. 아래 12문항은 외부 LLM API, RAG, 에이전트를 쓰는 조직이 먼저 볼 문항을 골라 옮긴 것이며, 여러 문항은 매뉴얼 문항 두세 개를 한 문장으로 묶었다. 예/아니오로 답하고, 괄호 속 코드로 매뉴얼을 찾아간다.

1. AI를 악용한 고도화 공격(취약점 탐색, 피싱 자동화 등)을 조직의 주요 보안 위험으로 식별했는가?(H01)
2. 주요 시스템의 자산 목록·버전 정보와 취약점을 최신 상태로 관리하고, 신규 취약점 발견부터 긴급 패치까지의 리드타임을 줄이는 자동화 절차를 갖췄는가?(H01)
3. 시스템 프롬프트 공개 요청에 응답을 제한하고, 모델 출력에 시스템 프롬프트가 노출되지 않게 통제하는가?(M03)
4. 보안 정책 우회나 역할 변경을 유도하는 요청을 탐지·차단하고, 정책 위반 응답을 사용자에게 전달하기 전에 막는가?(M06)
5. 모델 출력이 시스템 명령, 설정값, 코드, 쿼리, 화면에 검증 없이 직접 삽입되지 않게 통제하는가?(M07)
6. 벡터 DB·임베딩 저장소의 접근 권한을 통제하고, RAG 검색 결과의 민감정보가 출력에 노출되지 않게 관리하는가?(M02)
7. 입력 검증과 요청 빈도·사용량 제한에 더해 에이전트 작업 시간과 동시 실행 작업 수에 상한이 있는가?(M08, A03)
8. 사용자·역할·권한 수준에 따라 에이전트가 쓸 수 있는 도구와 실행 권한을 최소로 제한하고, 도구 호출 이력을 기록하는가?(A01)
9. 에이전트가 사전에 승인된 데이터 소스에만 접근하고, 수집한 데이터의 숨겨진 명령을 탐지·제거하는가?(A02)
10. 에이전트 장기 메모리(RAG DB, 파일 등)에 인증·권한 제어를 적용하고 저장 항목을 검증하는가?(A04)
11. 외부 모델·가중치 파일과 에이전트 확장요소의 악성 포함 여부와 알려진 취약점을 정기적으로 점검하는가?(S02, S04)
12. 데이터 삭제, 외부 송금처럼 파급력이 큰 작업 전에 관리자 승인을 강제하고, 비상 정지(Kill-Switch)와 롤백 수단을 갖췄는가?(H02)

'아니오'가 나온 코드는 별첨2 카드의 [취약] 기준을 확인하고 128~129쪽 매핑표의 대응 방안으로 넘어간다. 모델을 직접 학습한다면 D01~D03, M01, S01 문항을, 모델을 API로 제공한다면 M04 문항을 더한다. 외부에 노출된 자산을 찾는 순서는 공격표면 관리(ASM) 자가점검 5단계에 있다.

체크리스트 다음 단계: 실제로 뚫리는지 확인

체크리스트의 '예'는 통제가 있다는 뜻이지 그 통제가 공격을 막는다는 뜻은 아니다. 보안 전문 기업 SENTRIX의 AI 심화 취약점 진단 가운데 'LLM·AI 서비스 자체의 보안 검증'은 합의한 데이터·도구·테스트 계정 범위에서 프롬프트 입력, 검색 자료(RAG)의 접근 권한, AI 에이전트의 도구 실행·데이터 전달 범위를 확인한다. OWASP LLM Top 10 기준으로 프롬프트 인젝션, 민감정보 유출, RAG 데이터 오염, 에이전트 권한 오남용, 과도한 호출(비용 고갈)을 검증하며, AI 점검 도구로 후보를 모은 뒤 전문가가 재현 여부와 영향을 검토한다. 매뉴얼 별첨1의 매핑표를 쓰면 OWASP 기준 결과를 매뉴얼 코드와 맞춰 볼 수 있다. 학습 데이터 편향 평가나 모델 학습 과정 점검은 진단 항목에 없고, 모든 우회 탐지나 모델 안전 인증을 보장하는 서비스도 아니다. H01 운영자 문항의 외부 노출 자산 관리는 인터넷에서 보이는 도메인·서버·웹사이트·API를 목록으로 만들고 주기적으로 다시 확인하는 SENTRIX ASM(도입 상담 후 견적)으로 이어 갈 수 있다.

체크리스트에서 '아니오'가 나온 LLM·에이전트 항목이 실제 공격에 어디까지 열려 있는지 출시 전에 확인하세요. LLM·AI 보안 진단 문의하기

참고 자료

• KISA 보호나라, AI 보안위협 대응 매뉴얼(2026-07-08, 첨부 PDF 「AI 보안 위협 대응 매뉴얼」 2026년 7월판)
• 과학기술정보통신부, 인공지능 보안 진단부터 대응까지, 공격자 관점으로 인공지능 보안 취약점을 잡는다(2026-07-08)
• KISA 보호나라, AI 보안 레드티밍 가이드(2026-07-08)
• 과학기술정보통신부, 과기정통부, 「인공지능(AI) 보안 안내서」 발표(2025-12-10)
• OWASP GenAI Security Project, LLM Top 10 for 2025(2025년판)