사이버 범죄로 인한 해킹, 데이터 탈취 등 위협이 점점 증가함에 따라 사이버 보안 분야가 더욱 많은 관심을 받고 있습니다. 이와 관련하여 다양한 보안 문제에 대한 지속적인 논의가 이루어지고 있습니다. 특히 본 논문에서는 시스템 보안과 관련된 두 가지 연구 주제인 하드웨어 취약점 탐지와 인공지능 학습에서의 학습 데이터 보호에 관해 논의합니다.
먼저, 시스템 보안을 달성하기 위해서는 하드웨어의 무결성이 필수적이므로, 본 논문에서 우선 하드웨어 취약점 탐지에 대한 연구를 소개합니다. 구체적으로, 우리는 두 가지, 취약점 탐지를 위한 프레임워크를 설계했습니다. 첫째로, CPU RTL에서 기능 버그를 찾는 DifuzzRTL(S&P 2021)과 둘째로, CPU에서 일시적 실행 취약점을 찾는 SpecDoctor(CCS 2022)입니다. DifuzzRTL은 CPU 버그를 찾기 위한 자동화된 효율적인 퍼징 프레임워크를 도입하였으며, 우리는 DifuzzRTL을 통해 오픈 소스 RISC-V CPU에서 새로운 버그를 발견하여 DifuzzRTL의 실용성을 입증했습니다. SpecDoctor는 CPU RTL을 기반으로 일시적 실행 취약점을 찾기 위한 첫 번째 퍼징 프레임워크로서, RISC-V CPU에서 새로운 유형의 일시적 실행 취약점을 발견하는 가능성을 보여주었습니다.
두 번째 주제로는 신뢰할 수 없는 인공지능 학습자에게 데이터를 공유할 때 학습 데이터 유출을 방지하는 방법에 대해 연구하였습니다. 위 연구는 특히, 현재 인공지능 산업에서 데이터가 가장 중요한 자산이라는 점에 착안하여 시작하였습니다. 이를 위해 FairLearning (S&P 2024에 제출함)이라는 딥러닝 학습 프레임워크를 설계했습니다. FairLearning은 딥러닝 모델 학습 중 데이터 유출의 현재 위험을 조명하고, 새로운 안전한 딥러닝 학습 구조를 제시합니다. 실제 데이터셋과 모델을 평가한 결과, FairLearning은 성능을 유지하면서 데이터 누출을 최소화하는 것을 보여주었습니다.