Tamnoon, Amazon Bedrock 기반 AI 클라우드 보안 해결 플랫폼 'Tami' 구축

AI 기반 클라우드 보안 해결 도입

Tamnoon은 Amazon Bedrock을 활용하여 AI 기반 클라우드 보안 해결 오케스트레이터 'Tami'를 구축했다. Tami는 클라우드 네이티브 애플리케이션 보호 플랫폼(CNAPP) 및 클라우드 네이티브 소스에서 수집된 보안 취약점을 자율적으로 조사하고, 해결책의 안전성을 평가한다. 이후 가드레일과 거버넌스를 적용하여 수정 사항을 생성하고 오케스트레이션한다.

이러한 접근 방식은 90일 만에 심각한 클라우드 노출을 90% 이상 줄였으며, 운영 문제가 발생하지 않았다. Tamnoon은 AI 기반 클라우드 보안 해결 플랫폼으로, Tami는 AWS, Azure, Google Cloud 등 다양한 클라우드 환경에서 잘못된 구성 및 문제를 조사, 우선순위 지정, 안전하게 해결하도록 지원한다.

클라우드 보안 해결의 주요 과제

클라우드 보안 엔지니어는 단일 취약점을 조사하는 데 몇 시간을 소비할 수 있으며, 이는 종종 수십 개의 다른 경고와 동일한 근본 원인으로 이어진다. CNAPP 및 스캐너는 수천 개의 취약점을 생성하지만, 팀은 이를 모두 처리할 수 없어 심각한 노출이 해결되지 않은 채 몇 달 동안 위험이 누적된다.

각 취약점은 리소스 소유자, 종속성, 수정의 안전성 등에 대한 컨텍스트 수집을 요구하며, 이는 숙련된 엔지니어의 시간을 반복적으로 소모한다. 또한, 운영 중단 위험 때문에 팀은 해결 자동화를 주저하며, 수정이 안전하다는 확신 없이는 아무것도 진행되지 않는다. 관련 취약점을 클러스터링하거나 해결 신뢰도를 평가하는 방법이 없어 팀은 근본 원인을 해결하기보다 경고를 선형적으로 처리한다.

Tami의 에이전트 기반 아키텍처

Tamnoon 플랫폼은 취약점 수집부터 검증된 수정 실행까지 전체 파이프라인을 처리한다. CNAPP, 클라우드 보안 상태 관리(CSPM) 제공업체 및 기타 보안 도구에서 취약점을 수집하고 통합 스키마로 정규화한다. 이후 자산 및 노출 컨텍스트로 보강하고 우선순위를 지정한다.

플랫폼은 네 가지 전문 에이전트에 작업을 위임하며, 각 에이전트는 해결 파이프라인의 고유한 단계를 담당한다. 조사 에이전트는 수백만 개의 실제 고객 클라우드 환경 학습을 바탕으로 컨텍스트를 파악하고, 대규모 언어 모델(LLM) 기반 검증 계층을 통해 필터링한다. 이는 읽기 전용 조사 단계와 완전한 조사 계획을 생성한다.

안전 점수 에이전트는 자산별 증거 체인을 구축하고, 자동 검증 결과와 분석가 결과를 결합하여 각 취약점의 해결책을 SAFE, RISKY, AWAITING DATA로 분류한다. 해결 에이전트는 안전하다고 판단된 취약점에 대해서만 활성화되며, 순서, 종속성, 조건을 고려하여 백업, 해결, 검증 구조를 따르고 롤백 지침을 포함하는 해결 계획을 생성한다.

코드 생성 에이전트는 계획 단계를 실행 가능한 해결 코드로 변환한다. 이 과정에서 입력 가드레일이 관련성 및 프롬프트 주입을 검사하며, 모든 아티팩트는 별도의 검토 에이전트가 출력을 승인하는 자동 생성 및 검토 루프를 통과한다.

Amazon Bedrock 활용 및 통합

Tamnoon 팀이 Tami를 구축할 때, 파운데이션 모델(FM) 플랫폼 선택은 핵심적인 요소였다. Tamnoon의 해결 에이전트들은 다양한 유형의 작업을 수행하므로, 각 작업에 가장 적합한 모델을 단일 API를 통해 호출할 수 있는 Amazon Bedrock이 적합했다. 이를 통해 가장 강력한 모델은 복잡한 추론을, 효율적인 모델은 반복적이고 처리량이 많은 작업을, 검토 중심 모델은 출력 품질과 비용 균형을 최적화한다.

확장 시 운영 오버헤드도 중요한 고려 사항이었다. Amazon Bedrock의 교차 리전 추론(Cross-Region inference)은 요청을 최적의 AWS 리전으로 자동 라우팅하여 처리량을 유지하며, Tamnoon이 자체 라우팅 코드를 구축하고 유지할 필요가 없도록 한다. 또한, 보안은 클라우드 보안 회사에게 필수적인 요소로, Bedrock은 Tamnoon 자체 AWS 환경 내에서 AWS Identity and Access Management(IAM) 범위 권한으로 추론을 실행하여 민감한 고객 데이터가 신뢰 경계를 벗어나지 않도록 보장한다.

운영 안전성 및 데이터 보안 전략

Tamnoon은 깊이 있는 방어(defense-in-depth) 안전 아키텍처 내에서 자율성을 구현하여 운영 문제 제로를 달성한다. 해결책이 초안되기 전에 독립적인 안전성 평가를 통해 변경의 안전성을 확인하며, 읽기(조사)와 쓰기(해결) 작업을 엄격히 분리한다. 모든 변경 사항에는 백업, 검증, 롤백 단계가 포함된다.

지속적인 자체 비판을 통해 각 생성 단계는 출력을 확인하고 비판을 재생성 과정에 피드백하는 반성 단계와 짝을 이룬다. 에이전트 출력은 자동화 결과, 사용자 피드백, 실제 해결된 경고 데이터와 비교하여 검증되며, 모델이 정확한 결과를 도출하지 못할 경우 인간이 개입한다. AI는 클라우드 자격 증명을 직접 보유하지 않으며, 실행은 고객이 제어하는 단기, 테넌트 범위 자격 증명을 통해 이루어진다. 모든 해결 과정은 승인 워크플로우와 완전한 감사 추적을 거친다.

Tami는 민감한 고객 데이터를 처리하므로, 데이터는 AWS 신뢰 경계 내에 유지되고 최소 권한으로 실행되며 감사 가능하다. 모든 Tami 워크로드는 타사 LLM 엔드포인트를 호출하는 대신 Amazon Bedrock의 Anthropic Claude를 호출하여 전체 AI 공급망을 AWS 네이티브 서비스 내에 둔다. Bedrock은 프롬프트나 완성된 내용을 보존하거나 학습하지 않으므로 고객 데이터가 외부 공급업체에 도달하지 않는다.

Amazon Bedrock Guardrails는 모든 요청 및 응답에 적용되어 PII 및 비밀 유사 콘텐츠를 마스킹하고, 프롬프트 주입을 방지하며, 모델의 출력을 보안 해결에만 국한시킨다. 모든 개입은 AWS CloudTrail에 기록되어 거버넌스 증거를 제공한다. 플랫폼 전반의 액세스는 서비스별 IAM 실행 역할을 통해 최소 권한 원칙을 따른다. 다중 테넌트 격리는 OAuth2 클라이언트 자격 증명과 SQS 메시지별 테넌트 컨텍스트를 통해 보장되며, IAM 정책, 네트워크 배치, 모델 ID, 알람 등 플랫폼 전체가 버전 관리되는 AWS CloudFormation 및 SAM 템플릿으로 코드로 관리된다.

주요 성과 및 영향

Tami는 Tamnoon 고객 기반에서 1,400만 개 이상의 클라우드 경고를 분석했으며, 이는 실제 환경에서 학습된 패턴을 반영한다. 일반적인 고객의 경우, 90일 이내에 다음과 같은 빠른 결과를 보인다.

심각한 클라우드 노출은 경고가 인력을 초과하여 몇 달 동안 누적되던 것에서 90일 이내에 최대 90% 감소했다. 해결 효율성은 수천 개의 원시 경고와 불분명한 우선순위에서 근본 원인 클러스터링을 통해 최대 100배 향상되었다. 운영 문제는 위험 때문에 자동화를 피하던 것과 달리, 수백만 워크로드에서 운영 문제 제로를 달성했다. 엔지니어 시간은 취약점당 몇 시간씩 반복되던 것에서 고객 기반에서 주당 13,000시간 이상 절약되었다.