공격 자동화는 새로운 전술이 아닙니다. 공격자들은 오랫동안 이를 활용해 노출된 자산을 스캔하고 새로 공개된 취약점을 추적해 왔습니다. 이들은 원래 테스트, 디버깅, 사용성 분석을 위해 구축된 프레임워크를 가져와 자동화 기능을 추가함으로써, 이를 반복 가능하고 대규모로 확장할 수 있는 프로세스로 전환합니다. 한 번에 하나의 앱, 서버 또는 취약점을 수동으로 탐색하던 방식은 이제 산업화된 악용 방식으로 변모했습니다.
AI는 침입 공격의 작동 방식을 바꾸지는 않습니다. 다만 그 활동의 속도, 적응성, 그리고 순수한 규모를 증가시킬 뿐입니다.
대규모 언어 모델은 정찰 수행, 코드 해석, 대상 행동에 대한 추론, 도구 생성, 오류 디버깅, 공격 진행 중 시퀀스 조정 등에 필요한 노력을 줄여줍니다. 이로 인한 누적 효과는 시도 횟수 증가, 더 빠른 반복, 운영자의 부담 감소, 그리고 캠페인이 시작되기 전에 완전히 정립된 가설이 덜 필요해지는 것입니다.
모든 디지털 시스템이 이러한 영향을 받습니다. 하지만 모바일의 경우 그 중요성이 더 큽니다. 방어자는 단순히 백엔드 서비스를 보호하는 데 그치지 않기 때문입니다. 그들은 누구나 다운로드하고, 검사하고, 조작할 수 있는 클라이언트 환경으로 실행 가능한 로직을 배포하고 있습니다. 이것이 바로 핵심적인 아키텍처적 차이점입니다.
웹 보안은 대부분 서버 보호에서 출발합니다. 반면 모바일 보안은 클라이언트가 검사, 수정, 재실행 및 자동화될 수 있다는 전제에서 시작해야 합니다.
GenAI, SLM, 에지 추론 워크로드가 기기로 점점 더 많이 이동함에 따라, 웹 시대의 제어 방식과 모바일 현실 간의 격차는 더욱 벌어질 것입니다.
가장 간단히 말해, AI는 공격 라이프사이클을 압축합니다.
공격자들은 이미 공격 표면을 열거하고, 입력값에 퍼징을 수행하며, 요청을 재전송하고, 잘못된 구성을 악용하며, 취약한 신뢰 경계를 무기로 삼는 방법을 알고 있습니다. 변화된 점은 이제 LLM이 거의 모든 단계에서 이를 지원할 수 있게 되었다는 것입니다. 예를 들어, LLM은 스택 트레이스를 해석하고, 익숙하지 않은 코드 경로를 설명하며, 가능성이 높은 취약점을 제안하고, 스크립트를 생성하고, 언어 간 툴을 이식하며, 우회 시도가 실패한 원인을 파악할 수 있습니다.
모든 공격자가 엘리트 수준의 기술을 필요로 하는 것은 아닙니다. LLM은 기술 격차와 마찰을 줄이는 데 기여할 수 있습니다. 이는 실험, 관찰, 적응 사이의 간격을 단축시킵니다. 운영자가 모든 기술적 불확실성을 수동으로 해결하지 않고도 반복 작업을 수행할 수 있기 때문에 공격 캠페인은 더 쉽게 적응할 수 있습니다.
공격자의 관점에서 볼 때, AI는 침입의 기본 메커니즘을 바꾸지 않았습니다. AI가 한 일은 기존의 공격 기법을 실행하는 데 필요한 시간, 기술, 노력을 줄인 것입니다. 악의적인 행위자들은 시스템 내부 구조에 대한 사전 이해 없이도 방어 장치를 우회하고 LLM에 ‘침입 경로 찾기’를 지시할 수 있습니다. 이로 인해 자동화 과정이 더욱 적응력을 갖추게 되며, 방어자가 활동을 탐지하거나 차단하기 전에 공격자가 테스트할 수 있는 실행 가능한 공격 경로의 수가 증가합니다.
자세히 알아보기: 공격의 자동화 확대
방어자 입장에서 이는 노출의 경제적 측면을 변화시킵니다. 취약한 무결성 검사, 불안정한 클라이언트 측 제어, 그리고 표면적인 원격 측정 데이터는 부하 테스트를 수행하기 쉬우며 우회하기도 더 용이합니다.
AI 기반 공격은 적응형 워크플로우로 이해하는 것이 가장 적절합니다.
공격자가 처음부터 모든 정보를 파악하고 시작하는 경우는 드뭅니다. 공격자는 백엔드 스택, 신뢰 모델, 클라이언트 텔레메트리 체계, 또는 어떤 제어 수단이 로컬에서 적용되고 어떤 것이 서버 측에서 적용되는지 알지 못할 수 있습니다. 이러한 불확실성은 과거에 공격자의 속도를 늦추는 요인이었습니다. 이는 더 많은 수동 정찰, 더 많은 시행착오, 그리고 실패 지점에서 더 많은 전문가의 노력을 요구했습니다.
AI는 이러한 마찰을 일부 해소합니다. AI는 잠재적인 취약점 유형을 추론하고, 테스트 케이스를 제안하며, 응답을 해석하고, 요청이 거부된 이유를 설명하며, 의사결정 트리의 다음 분기점을 제안할 수 있습니다. 정찰, 테스트, 조정, 악용은 더 이상 별개의 단계로 남아 있지 않습니다. 이 모든 과정이 훨씬 더 긴밀한 단일 루프로 통합됩니다.
실무적으로 이는 AI가 노출된 표면 매핑, 스크립트 생성, 페이로드 변형, 탐지 회피 조정, 그리고 첫 번째 경로가 작동하지 않을 때의 공격 시퀀스 정교화를 지원할 수 있음을 의미합니다. AI의 가치는 단순한 코드 생성보다 연속성에 더 큰 의미가 있습니다. 공격자는 중단이나 전문가와의 협업이 줄어들어 더 원활하게 진행할 수 있습니다.
AI를 단순한 콘텐츠 생성 도구로만 보는 것은 본질을 놓치는 것입니다. AI는 새로운 익스플로잇을 발명할 필요가 없습니다. 단지 공격자가 작동하는 익스플로잇을 더 빨리 찾아낼 수 있도록 돕는 것이면 충분합니다.
더 중요한 질문은 이 압축된 워크플로 모델이 어디에서 가장 큰 효과를 발휘하느냐는 것입니다. 모바일 환경에서는 공격자가 직접 정보를 탐지할 수 있는 클라이언트를 대상으로 작용합니다.
웹과 모바일 시스템은 서로 다른 공격 표면을 노출합니다. 유효한 보호 모델이라면 이 사실을 반영해야 합니다.
웹 보안은 일반적으로 브라우저-서버 아키텍처에서 시작됩니다. 브라우저는 세션을 제시하고, 서버는 비즈니스 로직을 적용하며, 요청을 검증하고, 인증을 수행하며, 지배적인 제어 평면 역할을 유지합니다. 이를 중심으로 방어자는 리버스 프록시, WAF, 브라우저 텔레메트리, 동적 자바스크립트 삽입 및 난독화 기술을 배포하여 클라이언트 측 신호를 수집하고 악용 비용을 높일 수 있습니다.
이 모델이 효과적인 이유는 브라우저가 제약된 실행 환경이며, 방어적 병목 지점이 서버에 가깝게 위치하기 때문입니다. 클라이언트가 완전히 신뢰할 수 없는 경우에도 이 아키텍처는 여전히 서버 측 적용과 브라우저를 매개로 한 관찰을 우선시합니다.
네이티브 모바일 앱은 이러한 모델에 부합하지 않습니다. 이들은 코드, 프로토콜 로직, 요청 구성, 기능 제한, 텔레메트리 루틴 및 신뢰 가정을 방어자가 제어하지 않는 기기로 가져오는 다운로드 가능한 클라이언트입니다. 이러한 클라이언트는 리버스 엔지니어링, 계측, 재패키징, 런타임 수정 및 의도된 상호작용 흐름 외부의 자동화가 가능합니다. 공격자는 앱을 단순히 ‘블랙박스’로 취급할 필요가 없습니다. 공격자는 앱을 연구 대상이 되는 기술적 산물로 다룰 수 있습니다.
브라우저 기반 제어 방식은 이 부분에서 적용 범위를 잃게 됩니다. 클라이언트 측 신호를 수집하기 위해 자바스크립트를 삽입하고 난독화하는 리버스 프록시 아키텍처는 브라우저 기반 웹 환경에서는 작동합니다. 하지만 이는 네이티브 모바일 앱에 그대로 적용되지 않습니다.
네이티브 앱은 브라우저 런타임을 주 런타임으로 노출하지 않으므로, 방어 측이 제어하는 자바스크립트를 주입하여 광범위하고 지속적인 텔레메트리 데이터를 얻을 수 있는 이에 상응하는 지점이 존재하지 않습니다. SDK는 이러한 격차를 해소하는 데 도움이 되지만, SDK는 종종 직접 제어할 수 없고 리버스 엔지니어링 및 런타임 공격의 표적이 되는 타사 앱과 생태계 내에 존재합니다.
하이브리드 앱은 그 중간 위치를 차지합니다. 앱이 WebView를 사용하는 경우, 일부 브라우저 스타일의 보호 기능이 여전히 신호를 제공할 수 있습니다. 하지만 이러한 기능은 WebView 계층만을 관찰할 뿐입니다. 네이티브 런타임, 앱 무결성 상태, 기기 상태, 계측 활동, 또는 스푸핑, 변조, 우회 및 재생을 방어하는 데 중요한 내부 로직에 대한 심층적인 커버리지는 제공하지 않습니다.
모바일 보안은 다른 전제 조건에서 출발해야 합니다. 물론, 지속적인 텔레메트리 수집은 여전히 중요합니다. 스푸핑 저항성과 난독화도 여전히 중요합니다. 하지만 수집 및 적용 모델은 앱 아키텍처와 기기 컨텍스트의 더 깊은 수준에서 작동해야 합니다. 모바일 방어는 단순히 네트워크 트래픽을 검사하는 것에 그치지 않습니다. 그 임무는 앱 내 논리를 강화하고, 런타임 무결성을 유지하며, 실제 실행과 에뮬레이션되거나 변조된 실행을 구별하는 것입니다.
더 읽어보기: 2026년 1분기 앱 위협 보고서: AI에 대항하는 코드 난독화의 현황
모바일 보안에서 앱은 정찰 표면이기도 합니다.
네이티브 앱을리버스 엔지니어링하면 API 엔드포인트, 요청 스키마, 인증 흐름, 기능 토글, 텔레메트리 로직, 자동화 방지 방어 기능, 그리고 클라이언트를 통해 노출된 비즈니스 로직을 파악할 수 있습니다. 코드가 난독화되어 있더라도 애플리케이션은 여전히 실행되고 통신해야 합니다. 또한, 단호한 분석가가 핵심 워크플로우가 어떻게 결합되어 있는지 파악할 수 있도록 런타임에 충분한 구조를 드러내야 합니다.
AI는 이러한 분석 속도를 높여줍니다. AI는 디컴파일된 코드를 해석하고, 난독화가 해제된 로직을 추론하며, 익숙하지 않은 라이브러리를 설명하고, 후크를 생성하고, 계측 스크립트를 조정하며, 우회 시도 실패에서 성공적인 우회까지의 주기를 단축할 수 있습니다.
더 읽어보기: AI 난독화 해제 도구: AI가 (아직은) 해커들의 코드 난독화 해제에 도움이 되지 않는 이유
클라이언트 분석은 종종 백엔드 악용으로 이어집니다. 공격자가 요청이 어떻게 구성되는지, 어떤 필드가 텔레메트리 데이터를 포함하는지, 오류가 어떻게 처리되는지, 그리고 실제 제약 조건이 어디에 있는지 이해하게 되면, 신뢰 모델에 대한 실질적인 지도를 얻게 됩니다. 이를 통해 공격자는 API를 직접 호출하고, 신뢰할 수 있는 흐름을 재현하며, 예상되는 신호를 모방하고, 취약한 클라이언트 측 검사를 우회하며, 대규모로 사기나 악용을 자동화할 수 있습니다.
더 보기: 모바일 앱 침투 및 방어: AI 시대의 리버스 엔지니어링 방지
디컴파일은 시작에 불과합니다. 더 큰 위험은 앱이 그 이면에 있는 시스템에 대해 무엇을 드러내는지에 있습니다.
이 시점에서 웹 중심의 사고방식은 오히려 오해를 불러일으킬 수 있습니다. 보안 모델이 앱을 단순한 프리젠테이션 계층으로만 간주하고 실제 로직은 서버에 안전하게 존재한다고 가정한다면, 팀은 클라이언트가 백엔드 신뢰 모델에 대해 얼마나 많은 정보를 노출하는지 과소평가할 수 있습니다. 실제로, 앱 내 로직이 강화되고 런타임 무결성이 적극적으로 유지되지 않는 한, 클라이언트는 공격자가 정상적인 행동을 모방할 수 있을 만큼 충분한 정보를 노출하는 경우가 많습니다.
AI는 이러한 발견 과정의 속도를 높입니다. 바이너리 검사에서 활용 가능한 악용 경로로 전환하는 데 필요한 작업을 줄여주기 때문입니다. 바로 이 때문에 클라이언트 측의 가정이 취약할 때 계정 탈취, 프로모션 악용, 사기 조장, 워크플로 조작 등이 더 쉽게 대규모로 확산될 수 있습니다.
AI 로직 자체가 기기에 상주할 때 아키텍처적 구분이 더욱 뚜렷해집니다.
조직들이 GenAI 기능, 소형 언어 모델, 엣지 추론을 모바일 경험에 도입함에 따라, 더 많은 고가치 로직이 클라이언트와 백엔드 API와의 통신 채널로 이동합니다. 여기에는 프롬프트, 모델, 안전 장치, 의사 결정 로직 등이 포함될 수 있습니다.
이 모든 것이 새로운 악용 기회를 만들어 냅니다. 가치 있는 AI 기능이 앱 내에 존재한다면, 공격자는 해당 기능의 가치를 결정하는 지원 로직을 추출, 조작, 추론 변조, 출력 조작 또는 탈취하려고 시도할 수 있습니다. 구체적인 방식은 달라질 수 있지만, 핵심 문제는 동일합니다. 이제 로직은 공격자가 관찰할 수 있는 환경에서 실행되는 분산형 클라이언트 내부에서 작동합니다.
기기 내 AI는 새로운 보안 문제를 야기하는 것이 아닙니다. 기존 문제를 더욱 악화시킬 뿐입니다.
팀들은 종종 엣지 AI를 성능, 지연 시간, 개인정보 보호 또는 오프라인 복원력 측면에서 우선적으로 고려합니다. 이는 타당한 고려 사항입니다. 하지만 더 많은 지능을 기기로 옮기면, 공격 대상으로서의 가치도 기기로 더 많이 이동하게 됩니다. 한때 주로 통신 패턴만을 노출하던 클라이언트는 이제 사기 방지, 신뢰, 제품 차별화와 직접적으로 연결된 모델 행동, 추론 경로, 안전 장치, 의사 결정 로직까지 노출할 수 있게 되었습니다.
이러한 변화가 지속됨에 따라 앱 보안과 AI 보호 사이의 경계가 모호해집니다. 과거에는 단순한 앱 악용을 초래했던 오류가 이제는 모델 도용, 출력 결과 조작, 또는 엣지 환경에서의 AI 기반 악용을 야기할 수 있습니다.
효과적인 모바일 방어는 클라이언트가 이미 침해되었을 수 있다는 가정에서 시작됩니다.
그렇다고 해서 모든 기기가 루팅되었거나, 모든 앱이 재패키징되었거나, 모든 세션이 악의적이라는 뜻은 아닙니다. 하지만 이는 앱이 관찰, 조작, 재실행 및 자동화될 수 있는 상황에서도 보안 모델이 탄력성을 유지해야 함을 의미합니다.
방어적 관점에서 볼 때, 이는 백엔드 검증 이상의 조치가 필요합니다. 앱 및 기기 컨텍스트 내에서 수집된 내구성 있는 텔레메트리, 스푸핑에 대한 저항성, 그리고 앱 내 로직의 강화가 필요합니다. 또한 계측, 변조, 우회를 실행하기 어렵게 하고 탐지하기 쉽게 만드는 런타임 무결성 제어 기능이 필요합니다.
더 읽어보기: 기기 내 GenAI의 미래: 모바일 앱 보안이 런타임 시점에 보호해야 하는 이유
이 지점에서 웹, 하이브리드, 네이티브 앱 간의 차이는 이론적인 차원을 넘어 실질적인 운영 차원으로 나타납니다. 웹 환경에서는 리버스 프록시, 브라우저 텔레메트리, 주입된 자바스크립트가 유용한 역할을 할 수 있습니다. 하이브리드 앱의 경우, WebView 기반 제어 기능이 여전히 부분적인 가시성을 제공할 수 있습니다. 그러나 네이티브 모바일 앱은 앱 내부에서 더 심층적인 보호가 필요합니다. 공격자가 앱 내 보안 제어 기능을 우회하고 앱 사기를 저지르려는 시도가 바로 그 지점에서 이루어지기 때문입니다.
웹과 모바일 환경 모두에서 방어자는 강력한 텔레메트리 및 스푸핑 방지 기능이 필요합니다. 차이점은 이러한 신호의 출처, 변조 시 신호의 지속성, 그리고 적용 모델이 클라이언트가 설득력 있게 거짓말을 할 수 있다고 가정하는지 여부입니다.
AI는 공격자가 가정을 테스트하고, 우회 방법을 디버깅하며, 악용을 확대하는 속도를 높이기 때문에 모바일 전용 런타임 보호의 시급성을 더욱 부추깁니다. 과거에는 우회하기가 단순히 번거로웠던 제어 수단들도 이제는 압력 테스트와 에뮬레이션이 손쉽게 이루어질 수 있게 되었습니다. 네이티브 모바일 앱을 마치 웹사이트인 양 계속 방어하는 팀은 동일한 실패 패턴을 반복해서 마주하게 될 것입니다. 백엔드는 공격자가 이미 너무 잘 파악하고 있는 클라이언트를 신뢰하고 있기 때문입니다.
따라서 런타임에 대한 통제된 불신에서 출발해야 합니다. 그런 다음 그 현실을 바탕으로 텔레메트리, 무결성, 강제 적용 방안을 설계해야 합니다.
더 읽어보기: 프레임워크에서 실행으로: 모바일 앱 내 AI 보안을 위한 새로운 로드맵
AI는 공격 자동화를 더 빠르고, 더 저렴하며, 더 적응력 있게 만들고 있습니다. 이것이 바로 운영상의 변화입니다.
그러나 더 근본적인 문제는 여전히 아키텍처에 있습니다. 웹 보안과 모바일 보안은 노출되는 공격 표면이 다르기 때문에 동일한 전제에서 출발하지 않습니다. 그렇기 때문에 모바일 보안은 웹 보안이 시작하는 지점에서 시작할 수 없습니다. 모바일 보안은 클라이언트가 이미 공격자의 손에 넘어갔다고 가정해야 합니다.
이 차이는 이미 중요한 의미를 지닙니다. 공격자가 앱을 통해 백엔드를 악용할 수 있기 때문입니다. 더 많은 AI 기능이 기기로 이전되고, 더 많은 고가치 로직이 클라이언트 런타임에 상주하게 될수록 이 차이의 중요성은 더욱 커질 것입니다.
모바일 앱 내에 로직을 더 많이 배치할수록, 이를 마치 웹사이트인 양 방어하는 것은 점점 더 타당성을 잃게 됩니다. 아키텍처도 다르고, 위협 표면도 다르며, AI는 그 격차를 더욱 벌리고 있습니다.