[Techmeme 요약] Hugging Face, AI 에이전트 공격으로 데이터 유출 사고 발생…자체 AI로 탐지 및 대응
9
설명
AI 모델 공유 플랫폼인 허깅 페이스(Hugging Face)가 지난 7월, 자체 데이터 파이프라인에 대한 AI 기반 공격을 받았다고 밝혔습니다. 이 공격은 자율적인 AI 에이전트 시스템에 의해 전면적으로 수행되었으며, 허깅 페이스는 자체 AI 시스템을 활용해 이를 탐지하고 대응했습니다. 이번 사건은 AI 기술의 발전이 가져올 새로운 보안 위협을 시사합니다.
### 배경 설명
허깅 페이스는 AI 모델, 데이터셋, 코드 등을 공유하고 협업하는 플랫폼으로, 전 세계 수많은 개발자와 연구자들이 이용하고 있습니다. 이번 사건은 2026년 7월 16일에 공개되었으며, 공격은 AI 플랫폼의 핵심인 데이터 처리 파이프라인을 노렸습니다. 공격자는 악성 데이터셋을 이용해 코드 실행 경로를 악용했으며, 이를 통해 내부 시스템 접근 권한을 탈취하고 여러 내부 클러스터로 침투했습니다. 특히 이번 공격은 인간의 개입 없이 AI 에이전트 시스템이 수천 개의 개별 행동을 자동화하여 실행했다는 점에서 주목받고 있습니다. 이는 업계에서 예측해 온 '자율 AI 공격자' 시나리오가 현실화되었음을 보여줍니다.
허깅 페이스는 이번 공격으로 인해 일부 내부 데이터셋과 서비스에 사용되는 여러 자격 증명(credentials)이 노출되었다고 밝혔습니다. 현재 파트너 또는 고객 데이터 유출 여부를 평가 중이며, 해당 사실이 확인될 경우 즉시 관련 당사자에게 통지할 예정입니다. 다행히 공개된 사용자 대상 모델, 데이터셋, 스페이스(Spaces)에는 변조 흔적이 발견되지 않았으며, 소프트웨어 공급망 역시 안전한 것으로 확인되었습니다.
### 공격 방식 및 대응 과정
공격은 데이터 처리 파이프라인의 취약점을 이용해 시작되었습니다. 공격자는 데이터셋 로더와 템플릿 주입 기능을 악용하여 처리 워커에서 코드를 실행시켰습니다. 이후 시스템 권한을 높여 클라우드 및 클러스터 자격 증명을 탈취하고, 주말 동안 여러 내부 클러스터로 확산되었습니다. 이 과정에서 공격은 수천 개의 단기 샌드박스(sandbox)를 활용하며, 자체적으로 명령 및 제어(command-and-control) 기능을 공용 서비스에 배치하는 방식으로 진행되었습니다.
허깅 페이스는 즉각적인 대응에 나섰습니다. 최초 침입 경로였던 데이터셋 코드 실행 취약점을 수정했으며, 공격자가 침투했던 클러스터들을 정리하고 손상된 노드를 재구축했습니다. 또한, 노출된 자격 증명을 모두 무효화하고 재발급했으며, 전반적인 보안 비밀(secrets)에 대한 예방적 교체 작업을 진행했습니다. 클러스터에 대한 추가적인 보안 장벽과 엄격한 접근 통제도 배포되었습니다. 탐지 및 경고 시스템도 개선하여 고위험 신호 발생 시 몇 분 안에 담당자가 대응할 수 있도록 했습니다. 현재 외부 사이버 보안 전문가와 협력하여 사건을 조사하고 있으며, 법 집행 기관에도 신고했습니다.
### AI 기반 탐지 및 분석의 중요성
이번 침입은 AI 기반 탐지 시스템을 통해 처음 감지되었습니다. 허깅 페이스의 이상 탐지 파이프라인은 대규모 언어 모델(LLM)을 활용하여 보안 데이터를 분석하고 실제 위협 신호를 잡음에서 분리합니다. 공격자의 수만 가지 자동화된 행동을 이해하기 위해, 17,000개 이상의 이벤트로 구성된 공격자 행동 로그를 LLM 기반 분석 에이전트로 처리했습니다. 이를 통해 공격 시간대 재구성, 침해 지표 추출, 자격 증명 추적, 실제 피해와 위장 활동 분리 등이 가능했습니다. 이러한 AI 기반 분석 덕분에 평소 며칠이 걸릴 작업을 몇 시간 만에 완료하고 공격자의 속도에 맞춰 대응할 수 있었습니다.
### 오픈 소스 모델 활용의 딜레마
사건 분석 과정에서 허깅 페이스는 예상치 못한 문제에 직면했습니다. 초기에는 상용 API 뒤에 있는 최신 모델들을 분석에 사용하려 했으나, 공격 명령, 익스플로잇 페이로드, C2 아티팩트 등 민감한 데이터를 전송하는 과정에서 해당 서비스들의 안전 가드레일(safety guardrails)에 의해 차단되었습니다. 이는 사고 대응자와 공격자를 구분하지 못하는 가드레일의 한계 때문이었습니다. 결국, 허깅 페이스는 자체 인프라에서 오픈 가중치(open-weight) 모델인 GLM 5.2를 사용하여 포렌식 분석을 수행했습니다. 이 방식은 공격자 데이터나 자격 증명이 외부로 유출되지 않는다는 추가적인 이점도 있었습니다. 이 경험은 방어자들이 공격에 대비하여 자체 인프라에서 실행 가능한 강력한 모델을 미리 준비해야 함을 시사합니다.
### 가치와 인사이트
이번 허깅 페이스의 사건은 AI 기반 공격이 더 이상 이론적인 위협이 아님을 명확히 보여줍니다. 자율 AI 에이전트는 공격 비용을 낮추고, 광범위하고 지능적인 캠페인을 기계 속도로 실행할 수 있습니다. 이에 따라 온라인 플랫폼 방어는 데이터와 모델 자체를 최우선 공격 표면으로 간주하고, 방어 역시 AI를 활용하여 속도를 맞춰야 하는 시대가 도래했음을 알립니다. 또한, 상용 AI 모델의 안전 가드레일이 때로는 보안 분석을 방해할 수 있으며, 자체적으로 통제 가능한 오픈 소스 모델의 중요성이 부각되었습니다.
### 기술·메타
- 공격 주체: 자율 AI 에이전트 시스템
- 탐지 및 분석 도구: 자체 AI 기반 탐지 파이프라인, 대규모 언어 모델(LLM) 기반 분석 에이전트
- 분석에 사용된 모델: GLM 5.2 (오픈 가중치 모델)
- 공격 경로: 데이터 처리 파이프라인 내 코드 실행 취약점
- 사고 발생 시점: 2026년 7월 초
- 공개 시점: 2026년 7월 16일
### 향후 전망
이번 사건은 향후 사이버 보안 환경에 큰 변화를 가져올 것입니다. 기업들은 AI 기반 공격에 대한 대비책을 시급히 마련해야 하며, 자체적인 AI 보안 솔루션 구축 또는 오픈 소스 모델을 활용한 방어 체계 강화가 중요해질 것입니다. 특히, 중소기업이나 자원이 부족한 조직의 경우, 자체적인 AI 분석 역량 확보가 어려울 수 있어 커뮤니티 기반의 AI 보안 데이터센터 구축 등 새로운 협력 모델이 필요할 수 있습니다. 또한, AI 모델 개발 시 보안 취약점 발생 가능성을 최소화하고, 공격에 악용될 수 있는 기능을 제한하는 방향으로 연구 개발이 진행될 것으로 예상됩니다. 규제 당국 역시 AI 기반 공격 및 방어 기술에 대한 새로운 가이드라인과 규제를 마련해야 할 필요성이 커질 것입니다.
📝 원문 및 참고
- Source: Techmeme
- Techmeme 리버: [techmeme.com](https://www.techmeme.com/260719/p12#a260719p12)
- 원문 기사: [링크 열기](https://huggingface.co/blog/security-incident-july-2026)
---
출처: Techmeme ([Original Article](https://huggingface.co/blog/security-incident-july-2026))
신고 · 불법·유해·아동 안전(CSAE) 관련 콘텐츠
댓글 0
아직 댓글이 없습니다. 첫 댓글을 남겨 보세요.