포인트 클라우드 표현에 기반한 볼륨 비디오는 몰입형 가상·증강 현실 애플리케이션을 가능하게 하지만, 효율적이고 안전한 콘텐츠 전달을 위해 상당한 과제를 야기한다. 기존 연구는 포인트 클라우드에 대해 좌표의 일부만 암호화하여 계산 비용을 줄이면서 무단 콘텐츠를 시각적으로 저하시키는 선택적 좌표 암호화 프레임워크를 제안했다. 그러나 남은 비암호화 정보가 콘텐츠 재구성을 가능하게 하기에 충분한지는 여전히 불분명하다. 본 논문에서는 선택적 좌표 암호화가 머신러닝 기반 재구성 공격에 대해 얼마나 견고한지 평가한다. 선택적으로 암호화된 포인트 클라우드에 접근할 수 있는 공격자가, 비암호화 데이터에 존재하는 공간·기하학적 상관 관계를 이용해 복호화 없이 암호화된 좌표를 복구하려는 시나리오를 고려한다. 두 가지 암호화 세분화(granularity) 수준에서 PointNet 및 Random Forest 모델을 평가한다: 모든 $X$ 좌표가 암호화되는 \texttt{X}, 그리고 매 두 번째 $X$ 좌표가 암호화되는 \texttt{2X}. 결과에 따르면, 완전히 암호화된 $X$ 좌표의 재구성은 여전히 어렵지만, \texttt{2X} 방식은 인접 좌표를 통해 충분한 정보가 누출되어 정확한 재구성이 가능하다. 이러한 결과는 선택적 좌표 암호화의 보안이 암호화 세분화 수준에 크게 의존함을 보여준다.
사물 인터넷(IoT) 시스템은 제한된 하드웨어, 구식 펌웨어, 안전하지 않은 기본 설정으로 인해 본질적으로 취약하며, 이는 확장 가능하고 적응적인 보안 테스트 접근 방식의 필요성을 야기한다. 최근 대규모 언어 모델(LLM) 에이전트가 침투 테스트 및 Capture-the-Flag(CTF) 환경에서 가능성을 보여주고 있으나, IoT 특정 취약점에 대한 적용은 아직 탐구되지 않은 상태이다. 본 논문은 LLM 기반 추론 및 공격적 보안 도구를 활용하여 IoT 환경에서의 취약점 발견 및 활용을 위한 자율 다중 에이전트 프레임워크인 VEXAIoT(Vulnerability EXploitation using AI Agents)를 제시한다. 이 프레임워크는 취약점 탐지 에이전트와 공격 실행 에이전트를 결합하여 취약한 IoT 서비스에 대한 정찰 수행, 공격 시퀀스 계획 및 익스플로잇 실행을 수행한다. 본 시스템은 OWASP IoT 취약점에 매핑된 10개의 공격 시나리오에 걸쳐 IoTGoat 및 Metasploitable 환경에서 평가된다. 실험 결과, 대부분의 공격에서 낮은 토큰 오버헤드와 평균 2분 미만의 실행 시간으로 최대 100%의 공격 성공률을 보였다. 260회의 공격 실행에 걸쳐 VEXAIoT는 IoTGoat에서 94.5%, Metasploitable2에서 96.7%의 성공률을 포함하여 전체 95.0%의 성공률을 달성하였다. 이러한 결과는 통제된 환경에서 IoT 취약점 평가 및 공격적 보안 워크플로를 자동화하는 LLM 기반 에이전트의 가능성을 입증한다.