Your browser does not support JavaScript!

AI 도입과 금융권 보안 위험: 확장된 공격 표면과 신종 위협 분석

일반 리포트 2025년 04월 25일
goover

목차

  1. 요약
  2. AI 도입 확대로 증가하는 금융권 보안 위험 요인
  3. 공격 표면 확대와 AI 에이전트의 보안 취약점
  4. AI 기반 해킹 및 딥페이크 공격의 신종 위협
  5. 보안 전문가의 부담과 역량 문제
  6. 대응 전략: 제로트러스트·API 보안·보안 프레임워크
  7. 결론

1. 요약

  • 2025년 4월 25일 현재, 금융권은 인공지능(AI) 도입이 가속화됨에 따라 무기력한 보안 환경을 마주하고 있습니다. AI의 효율성은 긍정적인 측면을 가지고 있지만, 동시에 보안 위험도 급증하고 있는 상황입니다. 특히, AI 시스템의 확산으로 공격 표면이 확대되었고, 데이터 조작 및 소셜 엔지니어링에 대한 새로운 공격 기법들이 등장했습니다. 이러한 변화는 금융 기관 내부의 보안 대책과 프로세스를 재검토할 필요성을 더욱 명확히 하고 있습니다.

  • 행동 패턴 분석을 통한 새로운 형태의 공격이 급증하고 있으며, 특히 딥페이크 기술의 악용 사례가 증가하면서 공격자가 타깃이 되는 사건들이 빈번해지고 있습니다. 예를 들어, AI 기반의 톤을 조작해 고위 경영자의 신원으로 사기성 거래를 시도하는 사례는 이러한 신종 공격의 단면을 보여줍니다. 이에 따라 보안팀은 AI 에이전트와 관련된 추가 교육과 효과적인 모니터링 시스템 구축이 시급한 상황입니다.

  • 또한, AI와 관련된 윤리 및 규제 문제도 무시할 수 없는 과제로 떠오르고 있습니다. AI의 활용이 편향이나 차별을 발생시키고 법적 책임이 따를 수 있는 만큼, 금융 기관은 규정 준수를 위한 체계적인 관리 체계를 마련해야 합니다. '디지털 운영 탄력성법(DORA)' 등의 법안에 대한 준수는 단순한 법적 요건을 넘어서, 고객과의 신뢰를 구축하는 중요한 요소가 되고 있습니다.

  • 결론적으로, AI 도입의 편리함을 최대한 활용하기 위해서 금융 부문은 보안 위협에 대한 식별과 대응 전략을 강화해야 하며, 지속적인 교육과 규정 준수를 통해 장기적으로 신뢰받는 서비스 환경을 구축해야 합니다.

2. AI 도입 확대로 증가하는 금융권 보안 위험 요인

  • 2-1. 공격 표면 확장과 복잡성 증가

  • 인공지능(AI)의 도입이 금융권에서 가속화됨에 따라 보안 위험 또한 심각하게 증가하고 있습니다. AI 기술은 기존의 금융 거래 및 데이터 처리 방식을 효율적으로 혁신하는 데 기여하지만, 동시에 새로운 유형의 공격을 가능하게 하여 공격 표면을 확장하고 있습니다. AI 시스템이 처리하는 데이터가 다량으로 증가하면서 사이버 범죄자들은 더욱 정교한 사기 수법을 구사할 수 있게 되었습니다. 이는 그동안 검증된 보안 시스템의 허점을 노리는 새로운 공격 형태의 출현을 촉진하고 있습니다. 예를 들어, AI를 활용하여 고객의 거래 패턴을 분석하는 시스템을 대상으로 한 공격이 증가하고 있으며, 이는 해당 시스템의 보안 취약점을 악용한 '데이터 조작' 공격 방식으로 나타나고 있습니다.

  • 이러한 공격 표면의 확장은 단순히 기술적 문제가 아니라, 금융 기관 내부의 복잡한 인프라와 관련된 구조적인 문제를 단적으로 드러내고 있습니다. 예를 들어, 여러 시스템 간의 통합과 데이터 전송 과정을 거치면서 보안의 사각지대가 형성되며, 이는 해커에게 좋은 기회를 제공합니다. 따라서 금융 기관은 단순히 기술적 조치를 넘어서 조직 문화와 내부 프로세스를 검토하고 강화해야 할 필요성이 커지고 있습니다.

  • 2-2. 고급 머신러닝 모델을 활용한 공격 가능성

  • 고급 머신러닝 모델이 도입됨으로써 사이버 범죄자들은 더욱 정교한 공격 방법을 사용할 수 있게 되었습니다. 특히, 생성적 적대 신경망(Generative Adversarial Networks, GANs) 같은 최신 AI 기술은 악의적인 의도로 활용될 경우, 가짜 정보를 생성하거나 시스템을 속이는 등의 공격을 심화시킬 수 있습니다. 이러한 모델들은 복잡한 데이터 분석을 통해 공격자가 원하는 특정 조건을 맞추는 데 도움을 줄 수 있습니다.

  • 최근에는 AI 기반의 사기 탐지 시스템을 회피하기 위해 음성 및 영상 합성을 활용한 세련된 신용 사기 사례가 증가하고 있습니다. 예를 들어, 딥페이크 기술을 사용하여 고위 경영자의 신분을 도용하여 실제로 발생할 수 있는 금융 거래를 시도하는 경우가 이러한 유형의 공격에 해당합니다. 이러한 공격 성공 여부는 오히려 해당 기업이 사용 중인 보안 시스템의 취약성에 직접 연결됩니다. 고객의 신뢰를 회복하기 위해 금융 기관은 AI 기반의 보안 시스템을 강화하고, 공격 패턴에 대한 지속적인 모니터링 체계를 구축해야 할 필요성이 높습니다.

  • 2-3. 윤리·규제 리스크 병행

  • AI 기술의 금융권 도입은 단순히 기술적인 문제를 넘어 윤리적, 규제적 리스크를 발생시키고 있습니다. 예를 들어, AI 알고리즘이 데이터 차별이나 편향을 발생시킬 가능성이 있으며, 이는 법적 문제를 야기할 수 있습니다. 규정 준수의 측면에서도, 다양한 국가 및 지역의 법률에 맞춰 AI 시스템을 설계해야 하는 부담이 증가하고 있습니다.

  • 또한, 데이터와 개인정보 보호에 대한 규제가 강화되고 있는 만큼, 금융 기관은 고객 데이터를 안전하게 취급하고 규제에 맞는 프로세스를 확보해야 합니다. 가장 최근에 통과된 '디지털 운영 탄력성법(DORA)'은 은행 및 금융 기관이 사이버 공격에 대비하는 방법을 더욱 엄격하게 규정하고 있습니다. 이에 따라 금융 기관은 기술적 대응 외에도 직원 교육 및 내부 관리 체계를 개선하여 지속가능한 보안 환경을 조성해야 합니다.

3. 공격 표면 확대와 AI 에이전트의 보안 취약점

  • 3-1. AI 에이전트·Non-Human Identity(NHI) 확산

  • AI 기술의 발전과 함께 금융권에서 AI 에이전트의 도입이 증가하고 있다. 이들 AI 에이전트는 비인간 아이디(Non-Human Identity, NHI)를 통해 다양한 업무를 처리하게 되며, 이는 시스템의 자동화 및 효율성을 높이는 데 기여하고 있다. 그러나 이와 동시에 공격 표면이 확장되면서 사이버 보안 취약점 또한 증가하고 있다. 특히, 고급 AI 에이전트가 팬데믹 이후 기업 생태계에 깊숙이 침투함에 따라, 이들 에이전트가 잠재적인 공격의 주요 타겟이 될 수 있다. 샌드박스AQ의 연구에 따르면, 향후 몇 년 내에 10억 개 이상의 자율적 AI 에이전트가 존재할 것으로 예상되며, 이는 공격자들에게 극도로 위험한 상황을 조성할 수 있다.

  • NHI는 기존의 사용자 계정 및 시스템 접근 방식과는 달리, AI가 운영하는 특정 역할이나 기능에 귀속되어 운영된다. 이는 공격자가 NHI를 통해 더욱 세밀한 공격을 감행할 수 있는 가능성을 내포하고 있으며, 기존의 방어 체계가 이를 탐지하거나 저지하기 어려워질 수 있다. 이러한 문제를 해결하기 위해, 사이버 보안 전문가들은 NHI 관리 및 취약점 탐지의 중요성을 강조하고 있으며, 정책 위반을 자동으로 수정하는 시스템을 도입함으로써 공격자로부터의 빠른 대응을 가능케 하려 하고 있다.

  • 3-2. 자동화된 에이전트 관리 및 모니터링의 어려움

  • AI 에이전트의 자동화는 분명히 운영 효율성을 크게 향상시킬 수 있지만, 이러한 기술의 확산과 함께 관리 및 모니터링의 어려움이 동반되고 있다. 특히, 대량의 AI 에이전트가 운영되는 환경에서는 각 에이전트의 동작과 상호작용을 실시간으로 모니터링하는 것이 매우 복잡해진다. 이로 인해 잠재적인 보안 위협을 발견하고 대응하는 데 소요되는 시간이 증가할 위험이 있다. 예를 들어, 많은 기업이 AI를 통해 자동화된 와이어 트랜젝션을 포함한 다양한 금융 거래를 관리하고 있으며, 이 과정에서 발생하는 모든 잠재적인 이상징후를 신속히 감지하고 대응하는 것은 필수적이다.

  • 또한, 현재 많은 사이버 보안 솔루션이 AI 에이전트와 통합되지 않아, 조직은 이러한 에이전트를 관리하기 위해 추가적인 도구를 도입해야 하는 부담을 겪고 있다. 샌드박스AQ의 AQ티브 가드 플랫폼은 이러한 문제를 해결하고자 고안된 솔루션으로, 다양한 NHI 및 암호화 자산에 대한 실시간 인벤토리 및 통제를 가능하게 하여 사이버 보안의 새로운 시대를 선도하고 있다. 이러한 통합 솔루션을 통해 기업은 AI 에이전트와 관련된 보안 취약점을 보다 효율적으로 관리하고 모니터링할 수 있게 된다. 따라서, 금융권에서는 자동화된 보안 관리 및 모니터링 시스템의 필요성이 더욱 강조되며, 이를 통해 적극적이고 사전적인 방어 체계를 구축할 수 있는 기반을 다져야 할 것이다.

4. AI 기반 해킹 및 딥페이크 공격의 신종 위협

  • 4-1. Prompt Injection 등 언어 모델 공격

  • Prompt Injection은 인공지능 언어 모델을 대상으로 하여 악의적인 내용을 주입함으로써, 모델의 출력을 조작하는 공격 기법입니다. 이 기법은 사용자나 공격자가 의도하지 않은 결과를 초래할 수 있으며, 특히 챗봇과 같은 자동화된 시스템에서 신뢰성 문제를 발생시킵니다. 예를 들어, 악의적인 사용자가 금융 관련 언어 모델에 특정한 질문을 입력함으로써, 금융 데이터나의 비즈니스 정보에 대한 잘못된 답변을 생성하도록 유도할 수 있습니다. 이러한 공격은 오류를 유발할 뿐만 아니라, 고의적으로 잘못된 정보를 확산시킬 수 있어 심각한 결과를 초래할 수 있습니다.

  • AI를 이용한 해킹 공격은 시간이 지남에 따라 점점 정교해지고 있으며, 기존의 보안 체계로는 이를 방어하기 어려운 상황입니다. 특히, AI는 대량의 데이터를 바탕으로 스스로 학습하고, 공격 기술을 발전시킬 수 있기 때문에 이러한 위협에 대한 경각심이 필요합니다. 2025년에는 AI 기반 해킹 공격의 수가 급증하였고, 이에 따라 금융 및 기업 보안 규제도 강화되고 있습니다.

  • 4-2. 딥페이크를 활용한 사기·사회공학 기법

  • 딥페이크 기술은 영상과 음성을 합성하여 실제 인물의 모습과 행동을 모방하는 기술로, 최근 몇 년 사이에 급격한 발전을 이루었습니다. 특히, 이러한 기술을 악용한 금융 사기는 심각한 문제로 대두되고 있습니다. 2025년 첫 분기 동안에만 딥페이크를 활용한 사기로 인한 전 세계적 재정 손실이 2억 달러를 초과했습니다. 이는 전체 디지털 보안 환경에서 새로운 위협의 지평이 열리고 있음을 보여줍니다.

  • 특히 한 사례로, 싱가포르의 한 CFO가 딥페이크로 생성된 경영진과의 화상 통화에서 500, 000달러에 가까운 돈을 송금하도록 속았습니다. 이러한 타입의 공격은 단순한 피싱 사례에 비해 고도화된 기술을 요구하며, 기업들이 실시간으로 이러한 위협에 대응하기 위해 보안 훈련과 인식 제고에 더욱 힘을 기울여야 함을 시사합니다.

  • 결과적으로 딥페이크 기술에 의한 사회공학적 기법은 대규모 기업뿐만 아니라 소규모 사업자에게도 심각한 위협을 제공하고 있으며, 이는 사이버 보안 전략의 재설계를 필요로 합니다. 단기적으로는 기술적 대응책이 마련되어야 하며, 장기적으로는 이러한 사회공학적 기법에 휘둘리지 않도록 지속적인 교육과 인식 제고가 필요합니다.

5. 보안 전문가의 부담과 역량 문제

  • 5-1. 기존 업무와 AI 도입 병행의 과중한 업무량

  • 인공지능(AI)의 도입은 금융권 보안 팀의 전반적인 업무 구조에 큰 변화를 가져왔습니다. AI를 통해 효율성과 자동화를 기대했지만, 실제로는 기존의 보안 업무와 AI 도입을 병행해야 하는 부담이 오히려 증가하고 있습니다. 이는 많은 보안 전문가에게 '이중고'로 작용하고 있습니다. 보안팀은 AI 기술을 효과적으로 관리하고 통합하는 동시에, 기존 업무를 처리해야 하므로 과중한 업무량에 시달리고 있습니다.

  • 가트너의 조사에 따르면, 현재 98%의 조직이 생성형 AI를 포함한 다양한 형태의 AI를 도입했거나 도입할 계획을 세우고 있는 상황입니다. 하지만 이와 같은 도입 열기 속에서 보안 전문가들은 효과적인 교육 없이는 AI 툴을 제대로 활용하기 어렵고, 이는 업무 부담을 더욱 가중시키는 결과로 이어집니다. 기본적으로 AI 도구의 도입은 단순히 소프트웨어를 추가하는 것이 아닌, 효과적인 운영을 위해 필요한 기술적 역량과 자질을 갖추는 것을 요구합니다.

  • AI 도구는 복잡한 보안 문제를 해결하는 데 도움이 될 수 있으나, 실제로는 보안 팀이 새로운 기술을 습득하고 통찰력을 갖추도록 유도합니다. 이는 보안 팀 내에서 전문 지식의 차이를 더욱 부각시키며, 새로운 기술에 대한 교육과 적응이 필수적입니다. 전문가들은 AI 도구를 효과적으로 통합하기 위해 많은 시간과 노력을 들여야 하며, 이는 기존 업무에서의 압박감을 더욱 증대시키는 요인으로 작용하고 있습니다.

  • 5-2. 적절한 교육·인력 확보 난항

  • AI의 도입으로 인한 사이버보안 전문가의 부담은 교육 및 인력 확보의 난항으로 연결되고 있습니다. 보안 전문가들은 AI의 다양한 기술적 요소와 원리를 이해하려고 노력해야 하며, 이를 위해 체계적인 교육이 필수적입니다. 하지만 많은 조직이 AI 도구의 도입에만 집중한 나머지, 실제로 필요한 교육 강화에 있어 소홀히 하는 경향이 있습니다.

  • 연구에 따르면, AI 관련 역량에 대한 관심이 2023년부터 2024년까지 급증했으나, 실제 교육 프로그램의 수와 품질은 그에 미치지 못하고 있습니다. 예를 들어, '프롬프트 엔지니어링' 같은 전문 영역에서의 교육 부족은 이 분야에서 교수와 습득 자원 간의 격차를 더욱 벌어지게 합니다. 전문가들은 팀원들이 기술을 이해하고 활용하는 데 필요한 기초 교육을 받지 못할 경우, AI 도입의 효과가 큰 폭으로 제한될 것이라고 우려하고 있습니다.

  • 인력 확보의 측면에서도 많은 조직이 AI 도구를 관리하고 활용할 인재를 찾는 데 어려움을 겪고 있습니다. AI를 통해 보안 전문가들의 불필요한 부담을 줄이는 대신, 인력 부족 문제는 더욱 심각해지고 있습니다. CISO들은 이러한 문제를 해결하기 위해 전략적으로 접근하고, 부서 간 협력과 적절한 교육을 통해 팀의 역량을 향상시킬 필요가 있습니다. 이는 곧 금융권 전체의 사이버보안 성숙도와 직결되기 때문에 조직 내에서 AI 도구의 도입 및 적절한 교육이 병행되어야 하는 이유입니다.

6. 대응 전략: 제로트러스트·API 보안·보안 프레임워크

  • 6-1. 제로트러스트 보안 모델 적용 방안

  • 제로트러스트 보안 모델은 현대의 복잡한 사이버 공격 환경에서 점차 중요성이 증가하고 있습니다. 이 모델은 '신뢰하지 말고 항상 검증하라'는 원칙을 띄고 있으며, 내부와 외부의 모든 요청에 대해 항상 신원 확인을 요구합니다. 특히 금융권에서는 애플리케이션, 데이터, 사용자, 장비 등 모든 요소를 대상으로 세분화된 접근 통제를 적용해야 합니다. 이는 관리자는 시스템의 접근성을 최소화하면서도 각 요소가 요구하는 보안 기준을 충족할 수 있도록 돕습니다. 제한된 접근 권한을 통해 악성 공격자가 시스템 내부에 들어오는 것을 방지하고, 이를 통해 보다 안전한 환경을 구축할 수 있습니다. 제로트러스트 모델의 성공적인 도입을 위해서는 적절한 교육과 인식 제고가 필요하며, 보안 팀 내부에서 관련 정책을 정기적으로 검토하는 것이 필수적입니다. 이러한 방법으로 금융기관은 효율적으로 보안 태세를 강화할 수 있습니다.

  • 6-2. 금융권 API 보안 강화 전략

  • 최근 API는 금융 서비스의 핵심 요소로 자리잡고 있으며, 이에 따른 보안 위협도 끊임없이 진화하고 있습니다. API 공격에 대비하기 위해서는 먼저 API의 식별과 보안을 강화하는 것이 선행되어야 합니다. 예를 들어, API Gateway의 활용을 통해 각 API 호출을 중앙에서 관리하고, 사용자 인증과 접근 관리를 강화하는 것이 필요합니다. 또한, API에 대한 위협 탐지 시스템을 구축하여 자동으로 이상 징후를 발견하고 대응할 수 있는 체계를 마련해야 합니다. 예를 들어, 머신러닝 기반의 행동 분석 도구를 사용하여 정상과 비정상적인 API 활용 패턴을 구분할 수 있습니다. 이를 통해 API의 구조적 취약점으로 인한 위협을 사전에 방지할 수 있으며, 동적 보안 테스트와 코드 리뷰를 통해 취약점이 사전에 발생하지 않도록 지속적으로 관리해야 합니다.

  • 6-3. GenAI 보안 프레임워크 도입

  • 디지털 환경에서 Generative AI(GenAI)의 입지는 급격히 확대되고 있습니다. 이는 금융권의 비즈니스 모델에 많은 기회를 제공하지만 동시에 보안 위험을 초래합니다. 이러한 상황에 대응하기 위해 GenAI의 안전한 사용을 위한 통합 보안 프레임워크를 도입하는 것이 필수적입니다. 이를 위해서는 강력한 AI 거버넌스 체계를 수립하고, AI 시스템 내에서 데이터와 알고리즘의 무결성을 유지하기 위한 접근 통제를 철저히 해야 합니다. 또한, AI의 학습 데이터와 결과물에 대한 이용 사항을 명확히 하고, 정기적인 감사 및 사용자 교육을 통해 보안 인식을 높이는 것이 필요합니다. 이와 함께 안정한 보안 환경을 위해 AI 모델의 지속적인 모니터링과 조정을 통해 위협에 빠르게 대응하는 체계를 마련해야 합니다.

  • 6-4. 금융 부문 규제 및 거버넌스 동향

  • 금융 부문에서는 사용자의 데이터 보호와 시스템의 무결성을 보장하기 위한 다양한 규제와 정책이 지속적으로 변화하고 있습니다. 예를 들어, PCI-DSS 4.0과 같은 규제들은 결제 데이터 보호와 관련된 새로운 요구사항을 포함하고 있으며, 이는 금융기관에 힘든 도전이 될 수 있습니다. 이러한 규제에 적절히 대비하여 체계적인 거버넌스 모델을 수립하는 것이 중요합니다. 또한, 각국의 규제 기관은 금융 시스템 내 AI의 윤리적 사용과 보안을 보장하기 위해 조치를 취하고 있습니다. 이는 AI 시스템의 투명성, 공정성, 책임성을 강조하며, 금융기관들이 이러한 기준을 준수하는 것이 결국 신뢰를 구축하고 경쟁력을 강화하는 길이 될 것입니다. 금융기관은 정기적인 리스크 평가와 가이드라인 준수를 통해 이러한 규제를 효과적으로 이행해야 하며, 내부 감사를 통해 지속적으로 시스템의 안전성을 검토해야 합니다.

결론

  • 2025년 4월 25일 현재, AI 도입은 금융권의 업무 효율성을 획기적으로 개선하는 동시에 보안 위협의 다각화와 고도화를 초래하고 있습니다. 공격 표면의 확대와 AI 에이전트 관리의 어려움, 그리고 Prompt Injection 및 딥페이크 등의 신종 공격기법은 기존 방어 체계를 무력화 시킬 수 있는 위험 요소로 자리잡고 있습니다. 이러한 상황에서 금융 기관은 보안 전문 인력의 과부하에 대한 해결책으로 교육 및 채용 강화를 필수적으로 고려해야 합니다.

  • 제로트러스트 보안 모델은 복잡한 사이버 공격 환경에서 각광받고 있으며, 이를 빠르게 도입함으로써 시스템의 안전성을 높일 수 있습니다. 또한, API 보안 강화와 GenAI 보안 프레임워크를 구축하여 통합적이고 광범위한 대응 체계를 마련하는 것이 필요합니다. 이러한 운동은 단순히 기술적 대응으로 한정될 것이 아니라, 조직 내의 교육과 인식 제고 활동과 맞물려 강화되어야 합니다.

  • 마지막으로, AI 기술에 대한 윤리적이고 규제적인 기준을 금융권에 맞춰 구체화하고, 정기적인 모의 해킹 및 위협 모델링을 통해 리스크를 선제적으로 관리하는 것이 앞으로의 주요 과제가 될 것입니다. 이를 통해 금융 기관은 더욱 안전하고 신뢰성 있는 환경을 조성할 수 있을 것입니다.

용어집

  • AI 도입: 인공지능(AI)을 조직의 시스템이나 프로세스에 통합하는 과정을 의미하며, 이는 보안 위험의 증가와 함께 금융권의 효율성을 높이는 데 기여합니다.
  • 공격 표면: 정보 시스템이나 네트워크에서 공격자가 위협을 가할 수 있는 모든 지점을 총칭합니다. AI의 도입으로 이 공격 표면이 확대되어 여러 새로운 취약점이 생성되고 있습니다.
  • 딥페이크: AI 기술을 이용해 실제 인물의 이미지와 음성을 합성하여 가짜 영상을 생성하는 기법으로, 금융 사기에 악용될 위험이 증가하고 있습니다.
  • 제로트러스트: 신뢰하지 말고 항상 검증하라는 원칙을 바탕으로 하며, 시스템의 모든 요청에 대해 신원 확인을 요구하는 보안 모델입니다. 금융권에서 점차 필요성이 커지고 있습니다.
  • API 보안: 응용 프로그래밍 인터페이스(API)에 대한 보안 조치를 의미하며, 금융 서비스에서 API 공격에 대비한 체계적인 접근이 필수적입니다.
  • Prompt Injection: 인공지능 언어 모델에 악의적인 내용을 주입하여 출력을 조작하는 공격 기법으로, 챗봇과 같은 시스템에서 신뢰성 문제를 초래할 수 있습니다.
  • NHI(Non-Human Identity): AI가 운영하는 비인간적인 아이디로, 다양한 업무를 처리하게 하며 공격자가 이를 통해 더욱 정교한 공격을 감행할 수 있는 가능성을 내포하고 있습니다.
  • Generative Adversarial Networks(GANs): 생성적 적대 신경망으로, 고급 머신러닝 모델의 일종으로 가짜 정보를 생성하거나 시스템을 속이는 데 사용될 수 있습니다.
  • 사이버 보안: 정보 시스템과 이를 보호하기 위한 기술과 프로세스를 총칭하며, 금융권에서는 AI 도입으로 인해 새로운 위협과 도전에 직면하고 있습니다.
  • DORA(디지털 운영 탄력성법): 금융 기관이 사이버 공격에 대비하고 운영의 유연성을 높이기 위해 제정된 법률로, 규정 준수는 고객과의 신뢰 구축을 위해 중요합니다.
  • GenAI 보안 프레임워크: Generative AI의 안전한 사용을 보장하기 위해 설계된 통합 보안 체계로, AI의 지속적인 모니터링 및 규제 준수를 포함합니다.
  • 모의 해킹: 시스템의 보안 취약점을 발견하기 위해 사전 허가를 받은 전문가가 공격을 시뮬레이션하는 과정으로, 정기적인 진행은 리스크를 관리하는 데 중요합니다.
  • 사회공학: 인간의 심리적 요소를 이용하여 정보를 유출하거나 시스템을 공격하는 방법으로, 딥페이크 기술과 결합되어 더욱 정교한 공격이 가능해지고 있습니다.
  • 리스크 관리: 위험 요소를 사전에 식별하고 평가하여 이에 대응하는 전략을 마련하는 과정으로, 금융 기관의 보안 환경 강화에 필수적입니다.
  • 보안 프레임워크: 조직의 사이버 보안 관리를 위한 통합적인 구조와 정책을 정의하여 위험을 체계적으로 줄이는 데 기여하는 체계입니다.

출처 문서