이 논문은 디지털 포렌식에서 에이전트형 LLM이 문서화되지 않은 모바일 앱 데이터베이스의 관계 구조를 얼마나 정확히 추론하는지 평가하는 재현 가능한 벤치마크를 제시했다. 실행 성공 여부와 구조적 정확성을 별개 축으로 다루며, 식별자 전파가 안정적인 안드로이드 SMS 데이터베이스와 스키마가 불규칙하고 식별자가 일시적인 스냅챗 데이터베이스 두 가지에 전문가 검증 SQL 정답을 적용해 평가했다. 결과적으로 정규 스키마에서는 구조 추론이 신뢰할 만했지만, 스키마 모호성이 커질수록 실행은 성공해도 관계 해석이 전문가 정답과 어긋나는 '그럴듯하지만 틀린' 조인이 빈번하게 발생했다. 이는 스키마-비의존적 에이전트 추론을 법적 증거로 활용하기 전에 추가 검증이 필수적임을 보여준다.
- •문서화되지 않은 모바일 DB에 대한 에이전트 LLM의 관계 구조 추론 능력을 평가하는 재현 가능 벤치마크 제시
- •실행 성공과 구조적 정확성을 별개 평가축으로 분리, 안드로이드 SMS·스냅챗 DB 2종에 전문가 검증 SQL 정답 적용
- •정규 스키마에서는 신뢰도 높지만 스키마 모호성 증가 시 '실행은 성공하나 구조는 틀린' 조인이 빈번히 발생
- •포렌식 증거로 쓰기 전 에이전트 추론 결과에 대한 추가 검증이 필수적임을 시사
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.
Structural Inference in Undocumented Mobile Databases: A Reproducible Benchmark for Evaluating Agentic Reasoning in Digital Forensics
- 1.에이전트형 LLM이 문서화되지 않은 모바일 앱 SQLite DB의 테이블 관계를 얼마나 정확히 추론하는지 평가한 포렌식 벤치마크
- 2.안드로이드 SMS DB(안정적 식별자)와 스냅챗 DB(불규칙 스키마·일시적 식별자)를 대조 비교
- 3.실행 성공 여부와 관계 추론의 구조적 정확성을 별도 평가축으로 분리, 전문가 검증 SQL 정답과 대조
- 4.규칙적 스키마에서는 신뢰할 만하지만 모호성이 커질수록 '실행은 성공하나 관계는 틀린' 조인을 빈번히 생성
왜 중요한가?
포렌식 증거로 쓰이는 에이전트의 데이터베이스 관계 추론이 겉보기엔 그럴듯해도 실제로는 틀릴 수 있음을 구체 사례로 보여, 관계 추론 결과를 증거로 채택하기 전 추가 검증이 필수임을 시사한다.
본문 미리보기
arXiv:2608.21470v1 Announce Type: new Abstract: Agentic large language models are increasingly used in digital forensic analysis, yet their ability to infer relational structure inside undocumented mobile application databases remains poorly understood. In forensic contexts, structurally incorrect inferences can yield results that appear plausible while remaining evidentially unsound. This work evaluates agentic structural inference as an isolated capability, treating execution success and stru
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
![[AI리더의 서가] Agentic AI 구축 개발의 모든 것](https://cdn.aitimes.com/news/photo/202610/215958_219938_244.jpg)
