사이버 보안 역량에서 오픈소스와 폐쇄형 AI 모델 간의 격차 계속 좁혀져: Vals AI 벤치마크 결과 분석

AI 보안 평가 기관 Vals AI가 최근 공개한 사이버 공격 벤치마크 테스트 결과, 오픈소스 모델이 비용 대비 성능 면에서 폐쇄형 대형 모델과의 격차를 크게 줄이고 있음을 확인했습니다

AI 보안 평가 기관 Vals AI가 최근 공개한 사이버 공격 벤치마크 테스트 결과, 오픈소스 모델이 비용 대비 성능 면에서 폐쇄형 대형 모델과의 격차를 크게 줄이고 있음을 확인했습니다. 테스트는 모의 기업 네트워크 환경에서 다양한 공격 목표를 설정하고, 각 모델이 목표를 달성한 비율과 구동 비용을 동시에 측정하는 방식으로 진행되었습니다. 주요 결과는 OpenAI의 GPT‑6 Sol Daybreak 모델이 80.8%의 공격 목표 달성률을 기록한 반면, 오픈웨이트 모델인 DeepSeek V4.1 Flash는 72.8%의 달성률을 보이며 비용은 폐쇄형 모델 대비 10분의 1 미만에 머물렀습니다. 이러한 수치는 오픈소스 AI가 실제 보안 위협 시나리오에서 실질적인 경쟁력을 갖추고 있음을 의미합니다.

1. 벤치마크 결과 — 주요 수치

Vals AI가 제공한 공식 벤치마크 페이지에 따르면, 테스트는 100개의 공격 시나리오를 기반으로 구성되었습니다. 각 시나리오는 네트워크 탐색, 취약점 악용, 권한 상승, 데이터 탈취 등 네 단계로 구분되었습니다. 모델별 목표 달성률과 비용 비율을 정리한 표는 다음과 같습니다.

항목

값

GPT‑6 Sol Daybreak (폐쇄형)

공격 목표 달성률 80.8% / 구동 비용 기준 100%

DeepSeek V4.1 Flash (오픈웨이트)

공격 목표 달성률 72.8% / 구동 비용 9% 이하

위 표는 비용 대비 성능 효율에서 오픈소스 모델이 여전히 약간 뒤처지지만, 비용 차이가 현저히 낮다는 점을 강조합니다. 자세한 원본 데이터는 Vals AI 사이버 오펜스 벤치마크에서 확인할 수 있습니다.

2. 오픈소스 모델의 비용 효율성 분석 — 실제 적용 사례

DeepSeek V4.1 Flash는 오픈웨이트 형태로 배포되어, 사용자는 모델 파일을 직접 다운로드하고 자체 인프라에서 실행할 수 있습니다. 비용 측정은 동일한 GPU 인스턴스(예: NVIDIA A100)에서 1시간 기준 실행 비용으로 산정되었습니다. 결과적으로 폐쇄형 모델이 동일한 하드웨어에서 1시간당 약 15 USD를 소모한다면, DeepSeek 모델은 1.3 USD 이하로 운영이 가능했습니다. 이러한 비용 차이는 중소기업이나 스타트업이 고성능 AI 기반 공격 시뮬레이션을 자체적으로 수행할 수 있는 문턱을 크게 낮춥니다. 모델 다운로드와 설치 방법은 공식 DeepSeek 페이지에서 제공되는 가이드를 그대로 따르면 됩니다.

3. 방어 시간 창 축소 — 분석가 의견

벤치마크 결과를 인용한 보안 분석가들은 오픈소스 모델의 접근성이 확대됨에 따라 방어 측이 위협을 탐지하고 대응할 수 있는 시간 창이 급격히 감소하고 있다고 경고했습니다. 기존에는 폐쇄형 모델을 활용한 공격이 비용과 인프라 제약으로 인해 제한적이었으나, 이제는 저비용 오픈소스 모델이 동일한 수준의 공격을 수행할 수 있기 때문에 실시간 탐지와 자동화된 방어 체계가 필수적입니다. 특히 제로 트러스트(Zero Trust) 아키텍처와 AI 기반 행동 분석 솔루션을 결합하면 비정상적인 AI 트래픽을 조기에 차단할 수 있습니다. 이러한 방어 전략은 Vals AI가 제시한 "시간 창 감소" 지표와 직접 연관됩니다.

4. 기업이 취해야 할 전략적 조치 — 단계별 가이드

오픈소스 AI 모델의 위협을 효과적으로 관리하기 위해 기업이 즉시 적용할 수 있는 단계는 다음과 같습니다.

  1. 모델 자산 파악 – 사내 네트워크에서 사용 중인 모든 AI 모델의 종류, 버전, 배포 경로를 목록화합니다. 특히 오픈웨이트 모델은 외부 저장소에서 직접 다운로드되는 경우가 많으므로, 다운로드 로그와 파일 해시를 검증합니다.
  2. 위협 시뮬레이션 실행 – Vals AI 벤치마크와 동일한 시나리오를 활용해 자체 환경에서 모델별 공격 성공률을 재현합니다. 이를 통해 현재 보안 장비가 어느 정도 방어 가능한지 객관적으로 평가합니다.
  3. AI 기반 탐지 규칙 업데이트 – 기존 시그니처 기반 방화벽에 AI 행동 패턴을 추가합니다. 예를 들어, 비정상적인 대량 API 호출, 비정규 포트 스캔, 빠른 권한 상승 시도 등을 실시간 알림으로 전환합니다.
  4. 제로 트러스트 적용 – 모든 내부 트래픽에 대해 최소 권한 원칙을 적용하고, AI 모델이 접근할 수 있는 데이터와 시스템을 명시적으로 제한합니다.

위 단계는 Vals AI가 제공한 벤치마크 절차와 일치하도록 설계되었습니다. 실제 적용 예시는 The Decoder 원문 기사에서도 확인할 수 있습니다.

5. 향후 전망과 검토 과제 — 전문가 의견

현재 발표된 수치에 따르면 오픈소스 모델이 비용 면에서 큰 장점을 가지고 있음에도 불구하고, 완전한 성능 격차는 아직 존재합니다. 전문가들은 향후 모델 학습 데이터와 파라미터 규모가 확대될 경우, 오픈소스와 폐쇄형 모델 간의 차이가 더욱 축소될 가능성을 제시하고 있습니다. 다만, 이러한 추세가 실제 보안 현장에 미치는 영향을 정확히 파악하려면 지속적인 벤치마크 업데이트와 실시간 위협 인텔리전스 수집이 필요합니다. 따라서 기업은 정기적인 모델 성능 검증과 함께, 최신 보안 솔루션 도입 여부를 주기적으로 재검토해야 합니다.

참고 자료

마무리 — 핵심 정리

  1. 사내에 배포된 오픈소스 AI 모델의 종류와 버전을 전면 점검합니다.
  2. Vals AI 벤치마크와 동일한 시나리오로 자체 보안 환경에서 모델별 공격 성공률을 재현하여 방어 능력을 평가합니다.
  3. 제로 트러스트 원칙과 AI 기반 실시간 탐지 규칙을 도입해 비정상적인 AI 트래픽을 즉시 차단하는 모니터링 체계를 구축합니다.