SkillBloat은 코딩 에이전트의 '에이전트 스킬' 기능을 악용해 토큰 소비량을 비정상적으로 늘리는 공격 프레임워크다. 다양한 증폭 메커니즘에 대한 공격 유형을 스크리닝한 뒤 LLM 기반 스킬 재작성으로 가장 강력한 후보를 정제하는 2단계 구조를 갖는다. 실제 스킬 벤치마크 평가에서 여러 코딩 에이전트 환경에 걸쳐 평균 5.42배~10.15배의 토큰 증폭을 달성했으며, 2단계 정제 루프가 1단계 스크리닝만 사용할 때보다 일관되게 성능을 개선했다. 이는 스킬 생태계가 기존의 보안 중심 스킬 오염(poisoning) 공격과는 별개로, 경제적 자원 남용이라는 새로운 공격 표면에 노출되어 있음을 보여준다.
- •SkillBloat: 악성 '에이전트 스킬'로 코딩 에이전트의 토큰 소비를 비정상적으로 증폭시키는 2단계 공격 프레임워크
- •1단계 다중 증폭 메커니즘 스크리닝 후 2단계 LLM 기반 스킬 재작성으로 최강 공격 후보 정제
- •실제 벤치마크에서 평균 5.42~10.15배 토큰 증폭 달성
- •기존 보안 중심 스킬 포이즈닝과는 별개인 경제적 자원남용 공격 표면을 최초로 규명
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
SkillBloat: Token Amplification Attacks via Skill Injection in LLM Coding Agents
- 1.코딩 에이전트의 '스킬' 기능을 악용해 불필요한 토큰 소비를 유도하는 토큰 증폭 공격 프레임워크 SkillBloat 공개
- 2.1단계에서 다양한 증폭 메커니즘별 공격유형을 스크리닝, 2단계에서 LLM 기반 스킬 문서 재작성으로 최강 후보 정제
- 3.실제 스킬 벤치마크 평가에서 여러 코딩 에이전트 설정에 걸쳐 평균 5.42배~10.15배 토큰 증폭 달성
- 4.반복 최적화(2단계 정제)가 1단계 공격유형 선별만 사용할 때보다 일관되게 증폭율을 개선함을 실험으로 확인
왜 중요한가?
스킬은 코딩 에이전트에 신뢰된 지시 채널을 열어주는데, 이를 악용하면 기존 보안 중심 스킬 오염과는 별개로 순수 토큰 남용만으로도 실질적 경제적 피해를 일으킬 수 있음을 보여준다.
언급 프로젝트
한국 기업들이 LLM 기반 코딩 에이전트를 도입하여 생산성을 높이는 추세 속에서, 이러한 AI 시스템의 보안은 새로운 도전 과제로 떠오르고 있습니다. 이 연구는 에이전트 스킬 주입을 통한 '토큰 증폭 공격'이라는 신규 취약점을 밝혀내어, 악의적인 스킬 주입이 자원 고갈 또는 비용 증가로 이어질 수 있음을 경고합니다. 국내 AI 서비스 개발자와 사용자들은 이러한 새로운 공격 벡터에 대비하여 보안 강화 및 에이전트 스킬 관리의 중요성을 인지해야 할 것입니다.
본문 미리보기
arXiv:2608.21929v1 Announce Type: new Abstract: Agent skills extend coding agents with task-specific instructions, scripts, and resources, but they also create a trusted instruction channel that can be abused beyond conventional security attacks. This paper studies token amplification through skill injection: an economic resource-abuse threat in which a malicious skill causes an agent to consume substantially more tokens than needed for normal task execution. We present SkillBloat, a two-
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안

