LLM이 악성코드 분류 워크플로에서 정적 증거를 요약하고 분석가용 판정을 내리는 추론 구성요소로 쓰이면서, 이 추론 능력 자체가 새로운 공격 표면이 된다는 사실이 이 논문에서 드러난다. 저자들은 컴파일된 바이너리에 실행되지 않는 읽기 전용 섹션을 추가해, 이를 정상 보안 제품의 그럴듯한 서사로 위장하는 공격 ALIBI를 제시한다. 모델에 직접 지시를 내리는 대신 의심스러운 증거를 '정상 엔드포인트 보안 도구의 예상된 동작'으로 재구성하는 방식이다. 악성 샘플 50개 중 35개 기준 Gemini 2.5 Pro에서는 30개가 양성으로 뒤집혔고, GPT-5.5 Pro와 Claude Opus 4.7은 판정 라벨은 유지하면서도 심각도와 신뢰도가 크게 낮아졌다. ELF 바이너리로도 공격이 전이돼 Gemini는 40개 중 16개가 뒤집혔으며, 검증 유도형 방어 프롬프트로도 42.9%는 여전히 양성으로 판정됐다.
- •실행되지 않는 읽기 전용 섬션에 위조 서사를 심어 LLM 악성코드 판정을 속이는 ALIBI 공격 제시
- •Gemini 2.5 Pro에서 악성 샘플 35개 중 30개가 양성으로 뒤집힘
- •GPT-5.5 Pro·Claude Opus 4.7은 라벨 유지하나 심각도·신뢰도가 크게 저하
- •검증 유도형 방어 프롬프트 적용에도 42.9%는 여전히 양성 판정 유지
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.
ALIBI: Adversarial Legitimacy Injection in Binary Input against LLM Malware Analyzers
- 1.프론티어 LLM 기반 악성코드 분석기를 겨냥한 '의미론적 커버스토리 공격' ALIBI 제시
- 2.실행되지 않는 읽기전용 섹션에 그럴듯한 보안제품 서사를 삽입해, import·실행 동작 변경 없이 모델 판단만 조작
- 3.Gemini 2.5 Pro는 악성 PE 35개 중 30개를 양성 오판, GPT-5.5·Claude Opus 4.7도 심각도·신뢰도 크게 낮춤
- 4.ELF 바이너리로도 공격 전이(Gemini 40개 중 16개 전환), 검증유도 방어 프롬프트도 42.9%가 여전히 양성 판정 통과
왜 중요한가?
LLM을 악성코드 트리아지에 도입하면서 생긴 새로운 공격표면을 실증한 결과로, 서술적 맥락을 신뢰하는 방식이 아니라 사실 검증된 출처만 신뢰하는 프로비넌스 검증 체계가 필요함을 구체적 수치로 보여준다.
본문 미리보기
arXiv:2609.19722v1 Announce Type: new Abstract: Large language models are being integrated into malware triage workflows as reasoning components that summarize static evidence and produce analyst-facing verdicts. This paper shows that the same reasoning capability introduces a new attack surface. We present ALIBI, a semantic cover story attack against frontier LLM-based malware analyzers. ALIBI adds a small, non-executed read-only section to a compiled binary, containing a coherent but false se
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안

![[10월12일] AI가 암을 치료해도 원리를 알아야 할까…수학자 타오의 질문에 쏟아진 반론](https://cdn.aitimes.com/news/photo/202610/216150_220160_1157.jpg)

