Chai: 암호화 오용 취약점의 에이전트 기반 탐색
Chai: Agentic Discovery of Cryptographic Misuse Vulnerabilities
한국어 초록
AI 보조 취약점 탐색은 계측(instrumentation)이 메모리 위반을 확인하고 거짓 양성을 효율적으로 걸러내는 메모리 안전성 같은 버그 클래스에 효과적임이 입증되었다. 그러나 암호화 오용과 같은 많은 위험한 취약점 클래스에는 이에 필적하는 계측이 전혀 없다. 본 연구에서는 자연적으로 발생하는 신호를 통해 암호화 오용 취약점을 발견하고 검증하는 AI 기반 시스템인 Chai를 제안한다. 이를 위해 Chai는 AI를 활용해 차등 테스트(differential testing)의 고전적 기법을 재고한다: 1) 라이브러리에서 실제 보안 문제를 탐지하는 정밀도를 향상하고, 2) 흔히 간과되는 불일치를 하류 애플리케이션의 실질적 취약점으로 이어지는 단서로 전용한다. 이 과정에서 Chai는 AI 취약점 탐색의 주류 패러다임을 뒤집는다. 하나의 코드베이스에서 여러 결함을 감사(auditing)하는 대신, 라이브러리 수준에서 결함을 카탈로그화하고 암호화 의존성 그래프(cryptographic dependency graph) 전반에 전파하여 복합적인 효율 이득을 달성한다. X.509, JWT, SAML 라이브러리 전반에 걸쳐 Chai를 평가한다. Chai는 수십억 대의 기기를 구동하는 SSL 라이브러리에서 이전에 알려지지 않은 치명적 취약점을 발견했으며, 주요 웹 브라우저 뒤의 한 라이브러리와 주요 Linux 배포판의 또 다른 라이브러리에서 보안 버그도 발견했다. 총합하면, 이러한 기법들은 100개 이상의 취약점을 드러냈다.
원문 초록
AI-assisted vulnerability discovery has proven effective for bug classes like memory safety, where instrumentation confirms memory violations and efficiently filters false positives. Many dangerous vulnerability classes, such as cryptographic misuse, however, lack any comparable instrumentation. In this work, we present Chai, an AI-based system that discovers and validates cryptographic misuse vulnerabilities through naturally occurring signals. To achieve this, Chai rethinks the classical technique of differential testing by leveraging AI to 1) improve precision for detecting real security issues in libraries, and 2) repurpose commonly overlooked discrepancies as leads for tangible vulnerabilities in downstream applications. In doing so, Chai inverts the prevailing paradigm of AI vulnerability discovery: instead of auditing one codebase for many flaws, it catalogs flaws at the library level and propagates them across a cryptographic dependency graph, delivering compounding efficiency gains. We evaluate Chai across X.509, JWT, and SAML libraries. Chai discovered a previously unknown critical vulnerability in an SSL library that powers billions of devices, along with security bugs in one library behind a major web browser and another in major Linux distributions. In total, these techniques surfaced over 100 vulnerabilities.
요약
Chai는 AI와 차등 테스트(differential testing)를 결합해 암호화 라이브러리에서 자연적으로 드러나는 불일치를 찾고, 암호화 의존성 그래프를 따라 하류 애플리케이션의 암호화 오용 취약점을 검증한다. X.509·JWT·SAML 라이브러리 평가에서 수십억 기기용 SSL 라이브러리의 미공개 치명적 취약점을 포함해 100개 이상의 보안 이슈를 발견했다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.26933v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
격렬한 기쁨은 격렬한 결말을 맞는가? 에이전틱 코드의 병합 후 운명 측정
Do These Violent Delights Have Violent Ends? Measuring the Post-Merge Fate of Agentic Code
에이전틱 코딩 도구는 실제 프로젝트에 대한 자율적인 저장소 수준의 변경을 수행하는 데 점점 더 많이 활용되고 있다. 선행 연구는 풀 리퀘스트(pull request) 수락 및 검토 노력과 같은 결과를 통해 이러한 기여를 주로 병합 전 단계에서 평가해 왔다. 그러나 에이전틱 코드가 병합 후 어떻게 되는지에 대해서는 알려진 바가 훨씬 적다. 병합 성공 여부만으로는 해당 기여가 안정적으로 유지될지, 아니면 하위 과정에서 버그 수정이나 기타 수정 유지보수가 필요할지를 알 수 없다. 우리는 182개의 저장소에서 에이전틱 기여와 인간 기여에 대한 종단적 실증 분석을 수행하여, 시간에 따른 병합 후 운명을 추적하고, 후속 수정의 의도를 분석하며, 이들이 도입하는 결함과 취약점을 조사했다. 전체 유지보수 비율은 유사하지만, 에이전틱 기여는 수정 유지보수 비율이 유의하게 높고 보안 취약점 및 의존성 취약점을 더 많이 도입하는 것으로 나타났다. 또한 에이전틱 유지보수 부담이 저장소 특성과 통계적으로 유의하게 연관된다는 증거를 발견했다. 특히, 프로젝트의 무검토 비율(no-review rate)이 10퍼센트포인트 증가할 때마다 평균적으로 에이전틱 유지보수 부담이 약 6% 증가하는 것과 관련된다. 코딩 에이전트가 소프트웨어 개발에 널리 보급됨에 따라, 우리의 연구 결과는 에이전틱 도구를 단순히 병합 가능한 변경사항을 생성하는 데 그치지 않고, 안전하고 유지보수 가능한 기여를 생성하도록 평가하고 설계해야 할 필요성을 강조한다.
Proxy OPD: On-Policy Distillation with Transferable Relative Proxy Update for Large Language Models
Code-Anchored Review Feedback Improves Correctness and Lowers Hosted Editing Cost on Large R Files
GameReplica: 비전-언어 에이전트를 위한 블랙박스 시각적 게임 복제 벤치마크
GameReplica: A Benchmark for Black-Box Visual Game Replication by Vision-Language Agents
PACE-dLLM: 확산 언어 모델을 위한 신뢰도 절벽 추정 기반 탄력적 블록 디코딩
PACE-dLLM: Elastic Block Decoding via Confidence Cliff Estimation for Diffusion Language Models
HierFlow: Hierarchical Coupled Dual-Space Search for Automatic Agentic Workflow Generation
구조화된 워크플로우는 대규모 언어 모델(LLM)이 복잡한 문제를 해결할 수 있게 해주지만, 이를 자동으로 생성하는 것은 방대한 조합적 탐색 공간으로 인해 심각하게 저해되며, 이는 종종 유연하지 않고 자원을 많이 소모하는 오프라인 학습 의존성을 초래한다. 이를 해결하기 위해, 우리는 워크플로우 생성을 상위 토폴로지 층이 하위 작업 경계를 규정하고 하위 수준의 실행 결과가 토폴로지 자체를 능동적으로 재형성하는, 토폴로지와 실행이 맞물린 탐색 패러다임으로 개념화한다. 이 기반 위에서, 우리는 피드백 기반 토폴로지 조정과 하위 워크플로우 최적화를 위한 빠른 MCTS(Monte Carlo Tree Search) 기반 트리 탐색을 결합하여 에이전트형 워크플로우 설계를 자동화하는, 학습 불필요·테스트 시점 계층적 탐색 아키텍처인 HierFlow를 제안한다. HierFlow는 맥락적 필요에 따라 실행 수준 탐색을 선택적으로 트리거하는 지능형 게이팅 모듈을 통해 효율성을 극대화하며, 우리는 작업 간 결합 정도가 계층적 분할의 효과에 미치는 영향을 상세히 분석함으로써 이 메커니즘을 추가로 뒷받침한다. 질의응답, 수학적 추론, 코드 생성 벤치마크에 걸친 종합적인 테스트는 HierFlow가 강력한 베이스라인을 지속적으로 능가하며, 추가 학습 부담 없이 고품질 결과와 계산 효율성의 최적 균형을 제공함을 확인한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.