MATE: 합성 주도 궤적 학습을 통한 모바일 에이전트의 정책 인지 보안 감사
MATE: Policy-Aware Security Auditing for Mobile Agents via Synthesis-Driven Trajectory Learning
파운데이션 모델로 구동되는 모바일 에이전트는 이제 실제 기기에서 복잡한 다단계 워크플로를 자동화하지만, 그 궤적(trajectory)은 앱별 보안 정책을 위반할 수 있다. 기존 궤적 수준 방어는 LLM 프롬프팅이나 경직된 규칙에 의존하므로, 앱과 태스크 전반에 일반화되는 세밀한 자연어 정책을 지원하지 못한다. 본 연구에서는 MATE를 제안한다. 이는 경량의 정책 조건부(policy-conditioned) 감사기로, 에이전트 궤적과 자연어 보안 정책을 모두 인코딩하여 궤적이 주어진 정책을 위반하는지와 그 이유를 판단한다. 정책을 고정된 모델 파라미터가 아닌 편집 가능한 텍스트로 다루면 MATE는 재학습 없이 사용자 정의 및 변화하는 요구사항을 처리할 수 있다. MATE 구축을 위해 전 세계 수백 개의 인기 모바일 앱에서 앱 설명, 워크플로, 정책을 추출해 지식 베이스를 만들고, 다단계 파이프라인으로 14만 개 이상의 의미적으로 현실적인 정책 조건 궤적을 합성한다. 또한 합성 서브셋 두 개와 수동 수집 실세계 궤적 서브셋 하나로 구성된 궤적 수준 감사 벤치마크 MATEBench를 공개한다. 합성 주도 궤적 학습으로 학습한 모델은 MATEBench에서 95% 이상 정확도를 달성하고, 외부 안전성(safety) 벤치마크에서도 강한 성능을 유지하며, 실제 기기에서 Zhipu의 AutoGLM과 Alibaba의 Mobile-Agent 궤적을 95% 이상 정확도로 감사해 기존 방법 대비 20% 이상 우수하다. MATE는 이종(heterogeneous) 모바일 에이전트를 위한 실용적이고 세밀한 보안 감사가 실현 가능하고 효과적임을 보여준다.