주권적 아키텍트: 심층 기술적 면역으로 AI 래퍼 경제의 붕괴를 헤쳐나가기

2025년은 엔터프라이즈 인공지능의 진화에서 결정적 변곡점을 찍으며, "래퍼 시대(Wrapper Era)"라 부를 수 있는 시기의 확정적 종말을 의미한다. 직전 24개월 동안 전 세계 시장은 범용 기반 모델 위에 얇은 추상화로 기능하는 경량 애플리케이션의 범람으로 포화되었다. 이들 "래퍼"는 신속한 전환이라는 매혹적 약속을 제시했으나, 고위험 산업·금융·법률 환경에 요구되는 구조적 무결성이 결여되어 있었다. 조직이 이들 도구를 실험적 샌드박스에서 핵심 프로덕션 워크플로로 이전하자, 순수 확률적 아키텍처의 고유한 취약성이 엔터프라이즈 보안과 결정론적 신뢰성이라는 타협 없는 요건과 충돌했다. 일련의 세간의 이목을 끈 시스템적 침해로 특징지어지는 그 여파는 중대한 진실을 드러냈다. 인공지능이 관리자 권한을 가진 감시되지 않는 에이전트로 배포될 때, 그 실패는 인프라 속도로 전파된다.¹

Veriprajna는 이 아키텍처 위기에 대한 직접적 대응으로 설립되었다. 우리는 "래퍼" 경제 안에서 운영하지 않는다. 우리는 설계상 결정론적이고, 요건상 감사 가능하며, 인프라상 주권적인 시스템을 공학하는 딥 AI 솔루션 제공자다.² 이름 자체—"Veri"(라틴어로 진실)와 "Prajna"(산스크리트어로 지혜)에서 유래—는 언어적으로 그럴듯할 뿐 아니라 검증 가능하게 정확하고 헌법적으로 안전한 출력에 대한 우리의 의지를 반영한다.² 본 백서는 2025년의 파국적 보안 실패를 진단 렌즈로 삼아, 새로운 아키텍처 패러다임의 필요성을 검토한다: 뉴로-심볼릭 인지 엔터프라이즈.

2025년 침해 사이클의 해부: 진단적 검토

현대의 위협 지형은 더 이상 방화벽을 우회하려는 외부 행위자만으로 정의되지 않는다. 그것은 점점 더 AI 도구 자체에 내재한 "에이전틱" 위험에 의해 정의된다. 2025년의 세 가지 주요 사건—GitHub Copilot 원격 코드 실행(RCE) 취약점, Microsoft Bing을 통한 "좀비 데이터" 노출, Amazon Q의 공급망 침해—는 현대 엔터프라이즈가 직면한 새로운 위험에 대한 포괄적 분류를 제공한다.

GitHub Copilot RCE (CVE-2025-53773): 권한 분리의 실패

2025년 8월, 보안 연구자들은 GitHub Copilot과 Visual Studio 2022의 치명적 원격 코드 실행 취약점을 공개했으며, CVE-2025-53773로 추적된다.⁴ 이 사건은 순수히 언어적인 상호작용—프롬프트—이 개발자 워크스테이션의 전면적 시스템 침해로 어떻게 승격될 수 있는지를 보여주었기 때문에 이정표가 되는 사건이었다.

취약점의 기술적 핵심은 명시적 휴먼인더루프(HITL) 승인 없이 워크스페이스 구성 파일을 수정할 수 있는 Copilot 에이전트의 능력에 있었다.⁶ 공격자는 프로젝트와 연관된 README 파일, 소스 코드 주석, 또는 GitHub 이슈에 심어진 "교차 프롬프트 인젝션"을 통해 악성 페이로드를 전달할 수 있었다.⁵ 개발자가 AI에게 "코드를 검토하라" 또는 "프로젝트를 설명하라"고 요청하면, 숨겨진 지시가 에이전트를 트리거하여 .vscode/settings.json 파일을 수정하고 "chat.tools.autoApprove": true 줄을 추가하게 했다.⁵

이 수정은 구어적으로 "YOLO 모드"로 알려진 실험적 상태를 활성화했으며, 이 상태에서 AI 어시스턴트는 사용자로부터의 추가 확인 없이 셸 명령을 실행하고, 웹을 탐색하며, 로컬 파일 시스템과 상호작용할 권한을 부여받았다.⁵ 이 상태에 들어가면, 에이전트는 멀웨어를 다운로드하고, 자격 증명을 유출하거나, 워크스테이션을 "ZombAI" 봇넷의 노드로 변환하라는 지시를 받을 수 있었다.⁵ 다음 표는 이 취약점과 관련된 심각도 지표를 상세히 제시한다:

지표	값	기술적 맥락
CVSS 기본 점수	7.8 (높음)	기밀성, 무결성, 가용성에 대한 높은 영향을 반영한다.4
공격 벡터	로컬	익스플로잇은 AI 컨텍스트에 의해 촉발된 로컬 파일 상호작용을 통해 발생한다.4
CWE ID	CWE-77	명령에 사용되는 특수 요소의 부적절한 무력화.5
취약점 분류	Prompt-to-RCE	언어적 지시의 바이너리 실행으로의 승격.6
영향받는 버전	VS 2022 v17.14.0 - 17.14.11	2025년 8월 12일 릴리스된 v17.14.12에서 패치됨.4

⁴

Copilot 사건에서 얻은 2차 통찰은 전통적 접근 통제가 에이전틱 AI에는 불충분하다는 점이다. AI가 사용자를 "대리하여" 동작하기 때문에, 종종 사용자의 전체 권한을 상속한다. 언어적 프롬프트와 독립적으로 결정론적 논리를 강제하는 아키텍처 계층이 없으면, AI는 권한 상승을 위한 고속 벡터로 남는다. Veriprajna는 시스템의 런타임 아키텍처에 내장된 "헌법적 가드레일"을 구현함으로써 이에 대응하며, 프롬프트가 아무리 설득력 있어도 특정 구성 파일이나 시스템 호출이 신경망 엔진에 물리적으로 접근 불가능하도록 보장한다.²

"좀비 데이터" 위기: Bing 캐시의 영구적 책임

2025년의 두 번째 주요 사건은 2월에 표면화되었으며, Lasso Security의 연구자들이 16,000곳 이상의 조직에 영향을 미치는 대규모 데이터 노출을 확인했다.⁸ 이 침해는 업계에 "좀비 데이터"라는 개념을 소개했다—원본에서 삭제되거나 비공개로 전환된 한참 뒤에도 AI 검색 캐시에 잔존하는 정보이다.⁹

문제의 뿌리는 Microsoft Copilot과 Bing 검색 엔진의 인덱싱 메커니즘 사이의 통합에 있었다. Bing은 인덱싱 당시 공개되어 있던 수천 개의 GitHub 저장소를 크롤링하고 캐시했다. 이후 그 저장소가 비공개로 전환되거나 삭제되었을 때—종종 민감한 시크릿이 포함된 것으로 발견되었기 때문에—캐시된 데이터는 Bing의 검색 증강 생성(RAG) 시스템에 계속 남아 있었다.⁸ 그 결과, Copilot을 사용하는 누구나 실수로(또는 악의적으로) 비공개 엔터프라이즈 아카이브여야 했던 곳에서 코드 스니펫, 내부 패키지, 또는 자격 증명을 AI에 질의할 수 있었다.⁸

노출의 범위에는 전 세계적으로 가장 저명한 기술 기업 일부가 포함되었다:

조직	영향받은 자산	보안 함의
IBM, Google, Tencent, PayPal	비공개 GitHub 저장소	독점 IP 및 내부 문서의 노출.8
일반 엔터프라이즈	20,000+ 추출된 저장소	조직 코드베이스의 광범위한 노출.8
개발자 시크릿	300+ 비공개 토큰/키	GCP, OpenAI, Hugging Face, AWS 환경에 대한 접근.8
공급망	100+ 내부 패키지	의존성 혼동 공격에 대한 취약성.8

⁸

Lasso 연구는 AI 배포의 "래퍼" 모델에 있는 근본적 결함을 부각한다: 편의성을 위해 데이터 주권이 희생된다. 엔터프라이즈가 컨텍스트를 위해 공개 검색 엔진에 의존하는 제3자 AI 제공자를 사용할 때, 사실상 자체 데이터 수명주기에 대한 통제를 잃는다.⁸ Veriprajna는 "주권 인프라"를 통해 이를 완화한다. AI 모델이 외부 검색 캐시나 제3자 API에 대한 의존이 전무한 채 전적으로 고객 자체 환경 안에 배포된다.² "폐쇄 루프" 검색 시스템을 유지함으로써, "좀비" 노출이 기술적으로 불가능하도록 보장한다.

Amazon Q 확장 침해: 제안 엔진의 중독

2025년 위기의 세 번째 축은 7월 Visual Studio Code용 Amazon Q Developer 확장의 침해였다.¹³ 이는 AI의 "유용성"이 그것이 돕도록 되어 있는 바로 그 개발자들을 향해 무기화될 수 있음을 보여준 전형적인 공급망 공격이었다.

공격은 aws-toolkit-vscode 저장소를 관리하는 데 사용된 CI/CD 서비스(CodeBuild)의 부적절하게 범위가 지정된 GitHub 토큰으로 가능해졌다.¹⁵ 이로써 공격자는 src/amazonq/prompts/cleaner.md라는 이름의 악성 파일을 소스 트리에 직접 커밋할 수 있었다.¹³ 이 파일은 "프롬프트 템플릿"—확장이 코드 생성을 안내하기 위해 Amazon Q AI에 자동으로 공급하는 일련의 지시—이었다.¹³

기만적으로 "cleaner"라 명명된 악성 프롬프트는 AI가 파괴적 시스템 클리너처럼 행동하도록 지시했다.¹³ 그것은 AI에게 사용자의 홈 디렉터리를 지우고 EC2 인스턴스를 종료하며 S3 버킷을 삭제하고 IAM 사용자를 제거하는 AWS CLI 호출을 실행할 Bash 명령을 제안하도록 촉구했다.¹³ 개발자가 종종 줄 단위 검증 없이 AI 생성 코드를 신뢰하기 때문에, 신뢰받는 공식 업데이트에 이러한 제안이 존재한다는 사실은 로컬 개발 환경과 프로덕션 클라우드 인프라 모두에 실존적 위험을 제기했다.¹³

사건 구성 요소	기술적 세부사항
진입점	CodeBuild의 잘못 구성된 GitHub 토큰.15
주입된 파일	cleaner.md (악성 프롬프트 템플릿).13
주요 벡터	로컬 rm -rf, 클라우드 aws ec2 terminate-instances.13
은닉 메커니즘	숨김 파일을 건너뛰라는 지시; /tmp/CLEANER.LOG에 로깅.13
배포	VS Code Marketplace의 버전 1.84.0 (950k+ 설치).13

¹³

Amazon Q 사건은 "프롬프트가 새로운 코드"임을 증명한다. 조직이 바이너리에 적용하는 것과 동일한 엄격함으로 프롬프트 템플릿을 보호하지 않으면, 소프트웨어 공급망에 커다란 구멍이 남는다.¹⁶ Veriprajna에서는 프롬프트 파일을 에이전틱 시스템의 행동에 영향을 미치도록 허용되기 전에 암호학적 서명과 엄격한 보안 검토를 거쳐야 하는 실행 가능한 아티팩트로 취급한다.¹⁰

Veriprajna 패러다임: 확률적 개연성에서 뉴로-심볼릭 진실로

Copilot, Bing, Amazon Q의 실패는 고립된 사건이 아니다. 순수 확률적 모델의 시스템적 실패이다. 전통적 대규모 언어 모델(LLM)은 본질적으로 통계적 패턴에 기반해 다음에 가장 가능성 높은 토큰을 예측하는 "확률적 엔진"이다.¹⁸ 자연어 유창성에서는 뛰어나지만, 인식론적 프레임워크가 결여되어 있다—그들은 "진실"이 아니라 "그럴듯함"만을 이해한다.²

Veriprajna는 AI의 두 가지 구별되는 문화를 융합하는 하이브리드 시스템을 설계함으로써 이에 대응한다:

1. 연결주의/신경망 시스템(시스템 1): 이것은 "목소리"의 역할을 한다. 자연어 지각, 패턴 인식, 창의적 직관을 처리한다. 개발자의 의도를 이해하는 인터페이스이다.¹⁸
2. 기호/논리 시스템(시스템 2): 이것은 "두뇌"의 역할을 한다. 결정론적 추론, 감사 가능한 계산, 도메인 특화 제약의 강제를 처리한다. AI의 행동이 논리적으로 일관되고 안전하도록 보장하는 엔진이다.¹⁸

"목소리"를 "두뇌"로부터 분리함으로써, 설득력 있는 프롬프트에 속아 안전하지 않은 행동을 취할 수 없도록 한다. 신경망 모델(시스템 1)이 기호 엔진(시스템 2)에 정의된 하드 논리 규칙—예를 들어 "프로덕션 VPC에서 데이터베이스를 절대 삭제하지 마라"—을 위반하는 명령을 제안하면, 그 행동은 실행되기 전에 거부된다.¹⁸

아키텍처 가드레일 대 언어적 가드레일

업계의 현재 AI 안전 접근법은 AI에게 "도움이 되고 무해하라"고 말하는 지시인 "언어적 가드레일"에 크게 의존한다. 그러나 2025년 침해가 보여주듯, 이들은 "탈옥(jailbreaking)"이나 간접 프롬프트 인젝션을 통해 쉽게 우회된다.¹⁹

Veriprajna는 시스템의 런타임에 내장된 "아키텍처 가드레일"을 구현한다. 우리는 KG-Trie 검증이라 불리는 메커니즘을 사용하며, 신경망 모델의 출력이 지식 그래프(KG)에 의해 제약된다. 모델이 검증된 KG 안에 존재하지 않는 사실, 인용, 또는 명령을 생성하려 하면, 시스템은 해당 토큰의 생성을 물리적으로 차단한다.²

코드형 인프라(IaC)의 맥락에서, 이는 워크플로의 특정 기호 상태가 허용하지 않는 한—프롬프트 템플릿에 무엇이 적혀 있든—우리 에이전트가 terraform destroy 명령을 생성하는 것이 물리적으로 불가능함을 의미한다.²

물리 정보 신경망과 엣지 네이티브 AI

우리의 "딥 AI" 접근은 언어 모델을 넘어 컴퓨터 비전과 산업 자동화의 영역으로 확장된다. 보험 및 제조 고객을 위해, 우리는 "물리 정보" 신경망 아키텍처를 구축한다.²¹ 보험 포렌식에서, 일반 비전 API로 차량 손상을 "추측"하는 대신, 우리 모델은 의미론적 분할과 단안 깊이 추정을 이용해 덴트의 실제 체적을 계산하고 정반사 분석을 통해 표면 연속성을 검증한다.²¹

산업 환경에서는 클라우드 의존 아키텍처에서 벗어나 "지연 위기"를 해결한다.²² 전통적 클라우드 기반 AI는 네트워크 지터로 고통받으며, 고속 기계의 결정론적 제어를 불가능하게 만든다.²² 우리는 양자화된 모델을 엣지 디바이스(예: NVIDIA Jetson)에 직접 배포하여, 추론 지연을 800ms에서 12ms로 줄인다.²² 음향 모니터링을 위해, 베어링 고장의 스펙트럼 서명을 감지하면 불과 5ms 만에 킬 스위치를 트리거할 수 있는 마이크로컨트롤러상의 TinyML 모델을 구현한다.²²

$$Latency_{Edge} \ll Latency_{Cloud} + Network\ Jitter$$

공장 현장에 결정론적 시간을 복원함으로써, Veriprajna는 AI가 확률적 위험의 원천이 아니라 제어를 위한 도구가 되도록 보장한다.

NIST AI RMF 2.0과 성숙으로의 길

조직이 이 복잡한 지형을 헤쳐나가도록 돕기 위해, Veriprajna는 진화하는 NIST AI 위험 관리 프레임워크(AI RMF)와 LLM 애플리케이션을 위한 2025 OWASP Top 10에 배포를 정렬한다.²³ "AI 성숙"을 달성하는 것은 개별 취약점을 패치하는 일이 아니다. 거버넌스, 측정, 관리의 연속적 수명주기를 수립하는 일이다.

LLM 애플리케이션을 위한 2025 OWASP Top 10

2025 OWASP 업데이트는 AI 위협의 성숙을 반영하며, "과도한 에이전시"와 "시스템 프롬프트 유출" 같은 우려를 우선순위 목록의 최상위로 끌어올린다.²⁴

순위	위험 ID	위협 범주	주요 완화
1	LLM01:2025	프롬프트 인젝션	입력 필터링 및 제약 디코딩.24
2	LLM02:2025	민감 정보 공개	응답 익명화 및 데이터 마스킹.24
3	LLM03:2025	공급망	AIBOM 및 유지관리자 이상 탐지.10
4	LLM04:2025	데이터 및 모델 포이즈닝	출처 검사 및 지속적 평가.24
6	LLM06:2025	과도한 에이전시	최소 권한 및 휴먼인더루프(HITL) 게이트.24

²⁴

Copilot RCE는 **과도한 에이전시(LLM06)**의 직접적 발현이었고, Amazon Q 확장은 공급망(LLM03) 보안의 실패였다.¹³ Veriprajna의 아키텍처는 이들 위험에 직접 매핑되도록 설계되어, 전통적 AppSec과 현대 AI 보안 사이의 간극을 잇는 통합 보호를 제공한다.

보안 AI 소프트웨어 개발 수명주기(SSDLC)의 구현

성숙한 AI 전략은 요구사항 수집부터 런타임 모니터링까지 개발 프로세스의 모든 단계에 보안을 내재화할 것을 요구한다.²⁶

1. 요구사항/설계: 우리는 에이전틱 능력에 특화된 위협 모델링을 수행하여, AI가 외부 API나 로컬 파일과 상호작용하는 "신뢰 경계"를 식별한다.²⁷
2. 개발: 우리는 보안 코딩 가이드라인을 강제하고 SAST(정적 애플리케이션 보안 테스트)를 이용해 훈련 데이터의 안전하지 않은 프롬프트 구조와 자격 증명 유출을 스캔한다.²⁷
3. 테스트/QA: 우리는 단순한 "합격/불합격" 단위 테스트를 넘어, 뮤테이션 테스팅과 퍼징을 사용해 에이전트가 적대적 조건이나 예상치 못한 엣지 케이스에서 어떻게 행동할 수 있는지를 드러낸다.²⁶
4. 배포: 모든 빌드 아티팩트는 서명되며, 그 해시는 검증 가능한 감사 추적에 기록된다. 우리는 코드형 인프라(IaC) 게이트를 이용해, 보안 정책 허용 목록을 충족하지 않으면 AI 주도 배포가 진행될 수 없도록 한다.²⁶
5. 모니터링: 우리는 모든 AI 에이전트에 대해 "기준 행동 프로파일"을 구축하여, API 호출 패턴, 데이터 접근량, 리소스 소비를 추적하고 실시간으로 이상을 탐지한다.²⁸

결론: 자율의 시대에 주권을 되찾다

2025년의 침해는 C-레벨에 확정적 경종을 울렸다. AI의 "래퍼" 모델은 더 이상 실행 가능한 엔터프라이즈 전략이 아니다. 원격 코드 실행, "좀비 데이터" 노출, 공급망 포이즈닝의 위험은 이론이 아니다. 거의 백만 명의 개발자와 16,000곳의 조직에 영향을 미친 실현된 사건이다.⁸

Veriprajna는 앞으로의 길을 제시한다. 확률적 블랙박스에서 벗어나 뉴로-심볼릭 주권 인프라로 나아감으로써, 엔터프라이즈가 데이터 해자와 운영 확실성을 되찾게 한다. 우리는 AI가 침해가 탐지되지 않고 추적 불가능해지는 "명령 맹목"의 원천이 되어서는 안 된다고 믿는다.¹⁰ 대신, 그것은 인간 지혜의 감사 가능하고 결정론적인 연장이어야 한다.

산업 등급 인공지능의 미래는 인터페이스가 아니라 아키텍처에 있다. 그것은 추론을 증명하고, 데이터를 보호하며, 물리적 정밀도로 수행하는 딥 AI 솔루션에 있다. Veriprajna는 그 미래의 아키텍트이다.²

참고문헌

1. State of AI 2025: Year in Review & Analysis - Lumenova AI, 2026년 2월 9일 접속, https://www.lumenova.ai/blog/state-of-ai-2025/
2. About Us - Veriprajna, 2026년 2월 9일 접속, https://Veriprajna.com/about
3. Beyond the Visible: Hyperspectral Deep Learning in Agriculture - Veriprajna, 2026년 2월 9일 접속, https://Veriprajna.com/technical-whitepapers/agtech-hyperspectral-deep-learning
4. CVE-2025-53773 - Exploits & Severity - Feedly, 2026년 2월 9일 접속, https://feedly.com/cve/CVE-2025-53773
5. CVE-2025-53773 Impact, Exploitability, and Mitigation Steps | Wiz, 2026년 2월 9일 접속, https://www.wiz.io/vulnerability-database/cve/cve-2025-53773
6. GitHub Copilot: Remote Code Execution via Prompt Injection (CVE ..., 2026년 2월 9일 접속, https://embracethered.com/blog/posts/2025/github-copilot-remote-code-execution-via-prompt-injection/
7. CVE-2025-53773 Detail - NVD - NIST, 2026년 2월 9일 접속, https://nvd.nist.gov/vuln/detail/CVE-2025-53773
8. Lasso Finds Exposed GitHub Repos via Bing Copilot Cache, 2026년 2월 9일 접속, https://www.lasso.security/resources/lasso-uncovers-sensitive-private-github-repositories-exposed-in-microsoft-copilot
9. Microsoft's Copilot found exposing thousands of private GitHub repositories, 2026년 2월 9일 접속, https://www.nudgesecurity.com/post/microsofts-copilot-found-exposing-thousands-of-private-github-repositories
10. Supply Chain Vulnerabilities - Nocturnalknight's Lair, 2026년 2월 9일 접속, https://nocturnalknight.co/category/information-security/supply-chain-vulnerabilities/
11. Exposed GitHub Repositories: How Copilot's Cache Created a Security Risk - FrozenLight, 2026년 2월 9일 접속, https://www.frozenlight.ai/post/kobi/341/github-copilot-bing-leak/
12. Microsoft Copilot flaw exposes thousands of private GitHub repositories | Ctech, 2026년 2월 9일 접속, https://www.calcalistech.com/ctechnews/article/hjuo8f25kl
13. The Amazon Q VS Code Prompt Injection Explained: Impact and Learnings for DevOps, 2026년 2월 9일 접속, https://medium.com/@ismailkovvuru/the-amazon-q-vs-code-prompt-injection-explained-impact-and-learnings-for-devops-3a9d2f752dea
14. Hacker Injects Destructive Commands into Amazon Q AI Coding ..., 2026년 2월 9일 접속, https://oecd.ai/en/incidents/2025-07-23-581e
15. How AWS averted an AI coding supply chain disaster | ReversingLabs, 2026년 2월 9일 접속, https://www.reversinglabs.com/blog/aws-amazonq-ai-incident
16. When AI Assistants Turn Against You: The Amazon Q Security Wake-Up Call - DevOps.com, 2026년 2월 9일 접속, https://devops.com/when-ai-assistants-turn-against-you-the-amazon-q-security-wake-up-call/
17. Hacker inserts destructive code in Amazon Q tool as update goes live - CSO Online, 2026년 2월 9일 접속, https://www.csoonline.com/article/4027963/hacker-inserts-destructive-code-in-amazon-q-as-update-goes-live.html
18. The Cognitive Enterprise: Neuro-Symbolic Truth vs. Stochastic ..., 2026년 2월 9일 접속, https://Veriprajna.com/technical-whitepapers/cognitive-enterprise-neuro-symbolic-truth
19. Glossary of AI Terms in Security Solutions, 2026년 2월 9일 접속, https://www.securityindustry.org/report/glossary-of-ai-terms-in-security-solutions/
20. Safeguard your generative AI workloads from prompt injections | AWS Security Blog, 2026년 2월 9일 접속, https://aws.amazon.com/blogs/security/safeguard-your-generative-ai-workloads-from-prompt-injections/
21. The Forensic Imperative: Deterministic Computer Vision in Insurance - Veriprajna, 2026년 2월 9일 접속, https://Veriprajna.com/technical-whitepapers/insurance-ai-computer-vision-forensics
22. The Latency Kill-Switch: Industrial AI Beyond the Cloud - Veriprajna, 2026년 2월 9일 접속, https://Veriprajna.com/technical-whitepapers/industrial-ai-latency-edge-computing
23. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, 2026년 2월 9일 접속, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/
24. OWASP Top 10 for LLMs 2025: Key Risks and Mitigation Strategies - Invicti, 2026년 2월 9일 접속, https://www.invicti.com/blog/web-security/owasp-top-10-risks-llm-security-2025
25. OWASP Top 10 Risks for Large Language Models: 2025 updates - Barracuda Blog, 2026년 2월 9일 접속, https://blog.barracuda.com/2024/11/20/owasp-top-10-risks-large-language-models-2025-updates
26. What Is SDLC Security? - Palo Alto Networks, 2026년 2월 9일 접속, https://www.paloaltonetworks.com/cyberpedia/what-is-secure-software-development-lifecycle
27. Secure SDLC: A Comprehensive Guide | Secure Software Development Life Cycle - Snyk, 2026년 2월 9일 접속, https://snyk.io/articles/secure-sdlc/
28. Security for AI Agents: Protecting Intelligent Systems in 2025, 2026년 2월 9일 접속, https://www.obsidiansecurity.com/blog/security-for-ai-agents
29. Agentic AI Security: A Guide to Threats, Risks & Best Practices 2025 | Rippling, 2026년 2월 9일 접속, https://www.rippling.com/blog/agentic-ai-security