<잇(IT)터뷰 전체 영상 보기>
잇(IT)터뷰 전체 내용은 ▼아래 영상▼에서 확인해 주세요!
◼ 게스트 : 이진원 상무 / F5 (ga.park@f5.com)
◼ 진행자 : 고우성 PD / 토크아이티 (talkit@talkit.tv, https://talkit.tv/)
<잇(IT)터뷰 – 핵심 내용 파악하기>
‘잇(IT)터뷰 – 핵심 내용 파악하기’는 영상의 핵심 내용을 정리한 글입니다.
|
AI 에이전트는 이제 질문에 답하는 것을 넘어 사람을 대신해 직접 업무를 수행하기 시작했다.
문서를 찾고 데이터를 가져오는 것뿐 아니라 다른 시스템과 API를 연결하고, 필요한 후속 작업까지 스스로 수행한다.
문제는 기존 기업 보안 체계 대부분이 ‘사람이 웹이나 애플리케이션에 접속한다’는 전제를 기반으로 만들어졌다는 점이다. 여러 시스템을 넘나들며 스스로 행동하는 AI 에이전트가 늘어나면서 보안 역시 개별 요청을 검사하는 방식에서 AI의 전체 행동을 추적하고 실시간으로 통제하는 방식으로 확장될 필요가 있다.
1. AI 에이전트는 여러 시스템을 넘나들기 때문에 기존 웹 보안과 다르다
기존 웹 애플리케이션에서는 일반적으로 사용자가 요청을 보내면 서버가 응답하는 비교적 명확한 흐름이 만들어진다.
하지만 AI 에이전트의 행동은 훨씬 복잡하다. 하나의 업무를 수행하기 위해 파일을 읽고, 필요한 데이터를 검색한 뒤 이메일 서버나 외부 API에 접속하고, 그 결과를 이용해 또 다른 작업을 수행할 수 있다. MCP 서버 등을 통해 외부 시스템과 연결되면 행동 범위는 더욱 넓어진다. 보안 관점에서 중요한 것은 각각의 접속을 따로 확인하는 것만으로는 부족하다는 점이다.
파일 접근부터 외부 시스템 호출, 후속 작업까지 서로 다른 시스템에서 발생한 행동이 하나의 AI 에이전트가 수행한 연속된 작업이라는 사실을 연결해서 파악할 수 있어야 한다.
결국 에이전틱 AI 시대에는 특정 웹 요청이나 애플리케이션 하나만 모니터링하는 것이 아니라, 여러 시스템에 걸쳐 이어지는 긴 실행 흐름 전체에 대한 가시성이 중요해진다.
2. AI 에이전트 보안은 ‘무엇을 했는지’를 끝까지 추적할 수 있어야 한다
AI 에이전트가 실제 업무를 수행하기 시작하면 단순한 접근 허용 여부만으로는 안전성을 판단하기 어렵다. 정상적인 권한을 가진 에이전트라도 실행 과정에서 예상하지 못한 시스템에 접근하거나 비정상적인 트래픽을 발생시킬 수 있기 때문이다.
따라서 에이전트가 어떤 파일과 데이터에 접근했고, 어떤 API를 호출했으며, 그 결과 어떤 후속 행동을 했는지를 연속적으로 관찰할 수 있어야 한다. 이러한 런타임 가시성과 통제를 구현하는 사례로 NVIDIA와 F5의 협업 구조를 소개한다.
NVIDIA DPU에서 네트워크와 시스템의 상태를 별도로 모니터링하고, F5의 BIG-IP Next for Kubernetes(BNK)가 Kubernetes 환경의 인바운드·아웃바운드 트래픽에 보안 정책을 적용하는 방식이다.
외부에서 서비스 Pod로 들어오는 트래픽뿐 아니라 내부 Pod에서 외부로 나가는 트래픽까지 함께 확인함으로써 AI 워크로드의 행동을 보다 폭넓게 관찰하고 통제할 수 있다.
핵심은 AI 에이전트가 실행되는 동안 어떤 일이 벌어지고 있는지 런타임 단계에서 지속적으로 볼 수 있어야 한다는 것이다.
3. 이상 행동을 발견했다면 탐지에서 끝나지 않고 즉시 격리해야 한다
AI 보안에서 가시성만큼 중요한 것이 대응 속도다. 에이전트가 여러 시스템과 연결되어 빠르게 작업을 수행하는 상황에서는 이상 행동을 발견한 뒤 관리자가 직접 확인하고 대응할 때까지 기다리는 방식으로는 늦을 수 있다. NVIDIA DPU가 이상 징후를 탐지하면 관련 정보를 같은 환경의 F5 BNK로 전달한다.
이를 기반으로 문제가 발생한 AI 워크로드를 실제 서비스 트래픽에서 제외하거나 격리하는 등의 조치를 실시간으로 수행할 수 있다. 즉, 탐지 → 알림 → 사람의 판단 → 대응이라는 기존 흐름을 탐지 → 정책에 따른 즉각적인 통제로 단축하는 것이다.
또한 DPU 내부의 별도 자원을 이용해 보안 기능을 수행하기 때문에 AI 서버의 호스트 CPU에 보안 처리 부담을 집중시키지 않는다는 점도 강조된다. AI 워크로드가 커질수록 보안 기능 역시 많은 컴퓨팅 자원을 사용할 수 있기 때문에, 보안 처리와 AI 연산 자원을 분리하는 구조는 성능 측면에서도 의미가 있다.
결국 에이전틱 AI의 런타임 보안에서는 이상 행동을 얼마나 잘 발견하는가뿐 아니라 발견한 순간 얼마나 빠르게 실제 트래픽에서 통제할 수 있는가가 중요하다.
4. 위험한 AI를 찾는 것을 넘어 ‘어떤 에이전트를 허용할지’ 통제해야 한다
기업이 고려해야 할 AI 에이전트는 내부에서 운영하는 에이전트만이 아니다.
외부 AI 에이전트도 사람처럼 웹사이트와 애플리케이션에 접근해 정보를 수집하고 다양한 작업을 수행할 수 있다. 따라서 기업 입장에서는 “이 접속이 실제 사람인가, AI 에이전트인가?”를 구분해야 하는 새로운 문제가 생긴다.
특히, 외부에 공개되어 있더라도 중요도가 높은 애플리케이션이라면 모든 AI 에이전트의 접근을 허용하는 것이 적절하지 않을 수 있다. 이때 위험한 행동이 발생할 때마다 사후 탐지하는 것보다 어떤 AI 에이전트의 접근을 허용하고 차단할지 사전에 정책으로 정하는 것이 더 효과적일 수 있다. 이를 위한 방법으로 F5의 AI Agent Detection이 있다.
접속 주체가 실제 사람인지 AI 에이전트인지 식별하고, 기업의 정책에 따라 접근을 허용하거나 제한하는 방식이다.
결국 AI 에이전트 보안은 ‘들어온 뒤 위험한 행동을 하는지 감시하는 것’과 ‘처음부터 어떤 에이전트의 접근을 허용할지 결정하는 것’을 함께 고려해야 한다.
5. 3줄 요약
– AI 에이전트는 파일·API·이메일 등 여러 시스템을 넘나들며 업무를 수행하기 때문에 개별 웹 요청 중심의 기존 보안만으로 전체 행동을 파악하기 어렵다.
– 에이전트 보안에서는 실행 흐름 전체의 가시성을 확보하고 이상 행동이 발견되면 런타임에서 해당 AI 워크로드를 즉시 차단하거나 격리할 수 있어야 한다.
◼ 전체 잇(IT)터뷰 내용은 ▶영상으로 바로 가기(클릭)◀에서 확인하실 수 있습니다. |
◼ 콘텐츠 & 웨비나 문의 : marketing@talkit.tv, 02-565-0012
Copyright ⓒ 토크아이티 All rights reserved. 무단 전재 및 재배포 금지.