본 포스팅은 Amin Karbasi가 작성한 Introducing Antares: Highly Efficient Open Weight AI Models for Vulnerability Localization 포스팅을 번역한 글입니다.
공동 작업자: Supriti Vijay, Aman Priyanshu, Didier Chapoteau, Arthur Goldblatt, Kimia Majd, Fraser Burch, Jianliang He, Baturay Saglam, Takahiro Matsumoto, Zhuoran Yang
시스코는 보안 분야에서 가장 어렵고, 시간이 많이 소요되며, 비용이 많이 드는 문제 중 하나인 ‘코드베이스 내에서 알려진 취약점이 존재하는 위치를 정확히 찾아내는 것’을 위해 특별히 설계된 보안 소형 언어 모델(SLM) 제품군인 Antares(안타레스)를 소개합니다.
이 중 Antares-350M과 Antares-1B 두 가지 모델을 오픈웨이트 모델로 공개하며, 이제 Hugging Face를 통해 더 넓은 커뮤니티가 이용할 수 있습니다. 벤치마크 테스트 결과, 이 모델들은 이 중요한 보안 작업에서 많은 강력한 폐쇄형 및 오픈웨이트 모델보다 뛰어난 성능을 보여주면서도 비용은 훨씬 적게 듭니다. 또한 로컬에서 실행할 수 있을 만큼 크기가 작아, 민감한 코드베이스를 클라우드로 전송할 필요가 없습니다.
Antares의 오픈웨이트 모델, Foundry Security Spec의 공개 사양, CodeGuard의 보안 코딩 지침, 그리고 새로운 벤치마크를 결합함으로써, 우리는 사이버 보안 전문가들이 업무를 더 잘 수행할 수 있도록 돕는 실용적이고 신뢰할 수 있는 AI 도구의 유형을 정의하고, 기업 차원의 AI 보안 도구 도입을 촉진하기 위한 생태계와 표준을 조성하기 위해 노력하고 있습니다.
그림 1. 소형 언어 모델인 Antares 제품군은 새로운 ‘취약점 국소화 벤치마크(Vulnerability Localization Benchmark)’에서 테스트된 12개의 거대 모델보다 우수한 성능을 보입니다. (Antares-3B는 곧 출시될 예정입니다.)
비싸고 민감한 보안 워크플로우를 위한 소형 모델
소프트웨어 보안은 공개 데이터베이스, 보안 권고, CWE(공통 취약점 지표)와 같은 외부 취약점 지식을 내부 코드와 연결하는 데 달려 있습니다. 리포지토리가 방대하고, 보안 신호에 잡음이 많으며, 관련 증거가 한곳에 명확하게 모여 있는 경우가 드물기 때문에 이 작업은 어렵습니다. 분석가는 종종 익숙하지 않은 코드를 검색하고, 명명 규칙을 따르며, 호출 경로를 검토하고, 후보 파일을 비교하여 취약점이 실제로 존재하는지 판단해야 합니다.
또한 조직은 성능이 뛰어나면서도 배포가 실용적인 보안 도구가 필요합니다. 소형 모델은 추론 비용을 줄이고, 로컬 또는 온프레미스 운영을 지원하며, 팀이 민감한 소스 코드를 자체 환경 내에 보관할 수 있도록 돕습니다. Antares는 중요한 작업에 토큰 집약적인 AI 모델을 사용할 자원이 부족했을 수 있는 대학, 공공 부문 기관 및 소규모 보안 팀이 AI 지원 보안의 잠재력을 최대한 활용할 수 있도록 해줍니다.
Antares는 위 두 가지 문제를 모두 해결하기 위해 특별히 설계되었습니다.
“소프트웨어는 항상 취약점을 안고 출시되어 왔으며, 방대한 양의 레거시 코드에는 여전히 잠재적 결함이 존재합니다. 이제 AI는 이 문제를 양면에서 압박하고 있습니다. 에이전트가 더 많은 코드를 작성하는 한편, 이를 악용할 수 있는 능력도 점점 더 커지고 있습니다. 따라서 저비용의 지속적인 검증은 루프에 밀접하게 연동되어 코드가 배포되기 전에 점검해야 하는 필수적인 통제 수단이 되었습니다. 이 점에서 소형 모델은 특히 매력적입니다. 로컬에서 실행되므로 독점 코드가 기기를 벗어나지 않으며, 에이전트의 출력을 실시간으로 제어할 만큼 충분히 빠릅니다. Antares-1가 좋은 예시입니다. 이 모델은 제시된 코드의 취약점을 여러 취약점 유형과 프로그래밍 언어에 걸쳐 식별합니다. 제공되는 CLI는 모델의 기능을 실용적인 워크플로로 통합하여, 코드베이스 스캔, 결과 검토, 자동화 파이프라인 통합을 쉽게 만들어 줍니다. 제가 특히 인상 깊게 느낀 점은, 이토록 작은 모델이 코드베이스를 탐색하며, 더 큰 모델이나 더 많은 수동 분석이 필요했을 보안 문제를 식별해내는 모습을 확인한 것이었습니다.”
— Reza Shokri, 싱가포르 국립대학교(NUS) 컴퓨터 과학 부교수
“보안은 사치품이 되어서는 안 되지만, 첨단 AI 기반 탐지 기술은 그동안 주로 막대한 예산을 가진 조직들만의 전유물이었습니다. Antares의 성과는 이러한 상황을 바꿔놓았습니다. 보안 코드 추론 분야에서 최상위 수준의 정확도를 훨씬 저렴한 비용으로 제공하며, 모든 커밋마다 실행할 수 있을 만큼 빠릅니다. 공격자들이 이미 AI를 활용하고 있는 지금, 이러한 효율성은 단순히 ‘있으면 좋은’ 것이 아니라, 모든 팀이 상시 보안 스캔을 수행할 수 있게 해주는 핵심 요소입니다.”
— Amin Saberi, 스탠퍼드 대학교 경영과학 및 공학 교수 겸 언어·데이터·추론 연구소 소장
Antares의 차별성
기존의 정적 분석 도구는 유용하지만, 규칙에 지나치게 의존하는 경우가 많아 결과를 검토하고 분류하는 데 상당한 시간이 소요될 수 있습니다. 범용 코딩 모델은 코드를 분석할 수 있지만, 보안 조사, 터미널 탐색 또는 구조화된 취약점 위치 파악에 최적화되어 있지 않을 수 있습니다.
Antares는 바로 그 중간 지점을 위해 설계되었습니다. Antares는 시스코 재단 AI 팀의 선구적인 연구에서 영감을 받았는데, 이 연구는 소형 모델도 검색하고, 반성하며, 전략을 수정하고, 경로가 비생산적일 때 되돌아가는 법을 학습할 수 있음을 보여주었습니다. 즉, 유용한 검색 행동은 모델의 규모뿐만 아니라 학습된 검색 전략에서도 비롯될 수 있습니다. 다음 질문은 동일한 아이디어가 시급한 실제 보안 문제인 취약점 코드 위치 파악에 도움이 될 수 있는지 여부였습니다.
Antares는 인간 조사관이 리포지토리를 검토하는 방식과 유사한 반복적 검색 패턴을 따릅니다. 각 모델은 취약점 설명에서 출발하여 관련 코드 패턴을 검색하고, 후보 파일을 분석하며, 새로운 증거를 반영하고, 경로가 도움이 되지 않을 때 방향을 전환하며, 가장 관련성이 높은 파일로 범위를 좁혀 나갑니다. 목표는 전문가의 판단을 대체하는 것이 아니라, 소스 코드 취약점 선별의 초기 단계를 더 빠르고, 재현 가능하며, 검토하기 쉽게 만드는 데 도움을 주는 것입니다.
실제로 Antares는 다음과 같은 워크플로를 지원할 수 있습니다:
- 리포지토리 스냅샷에서 CWE 범주와 관련된 파일 식별
- 보안 권고안 기반 보안 조사 선별
- 모델 기반 리포지토리 탐색을 통한 정적 분석 보완
- 취약점이 의심되는 파일에 대한 조기 검토가 필요한 CI/CD 선별 워크플로 지원
- 엄격한 개인정보 보호 또는 규정 준수 요구 사항이 있는 환경에서 로컬 보안 분석 지원
Antares는 관련 취약점을 포함할 가능성이 높은 소스 파일의 순위 목록과, 해당 결과로 이어진 터미널 탐색 추적을 함께 출력합니다. 보안팀은 이 출력 결과를 활용하여 자문 평가, 집중적인 CWE 조사 또는 CI/CD 보안 점검 과정에서 분석가의 검토 우선순위를 정할 수 있습니다.
Antares는 광범위한 애플리케이션 보안 툴체인을 대체하기 위한 것이 아닙니다. 보안팀은 여전히 종속성 및 소프트웨어 구성 분석, 비밀 정보 스캔, 동적 테스트, 인프라 및 컨테이너 점검, 위협 모델링, 수정 워크플로우, 전문가 검토 등을 수행 해야 합니다.
새로운 벤치마크가 필요한 이유
취약한 코드 위치를 파악하기 위한 모델을 구축하는 과정에서 즉각적인 측정 문제가 대두되었습니다. Antares는 일반적인 문제 해결, 패치 생성 또는 광범위한 코드 검색을 목표로 하지 않기 때문에, 일반적인 코딩 벤치마크에만 의존할 수는 없었습니다. 이 도구는 보안 특화 위치 파악 작업에 맞춰 설계되었습니다. 제한된 보안 컨텍스트를 바탕으로 취약점을 포함할 가능성이 가장 높은 소스 파일을 식별합니다.
가장 유사한 연구는 CodeScout로, SWE-Bench Verified, Pro, Lite와 같은 소프트웨어 엔지니어링 벤치마크에서 터미널 기반 코드 검색 에이전트를 평가합니다. CodeScout는 표준 유닉스 터미널을 사용하여 코드 위치 파악을 훈련하고 측정할 수 있음을 보여줍니다. 그러나 이러한 벤치마크는 일반적으로 에이전트가 소프트웨어 문제나 개발 작업과 관련된 코드를 찾을 수 있는지 여부를 측정할 뿐, CWE 스타일의 보안 설명, 보안 권고, 또는 취약점 분류에서 취약한 파일을 정확히 찾아낼 수 있는지는 측정하지 않습니다.
이러한 격차에서 영감을 받아 취약점 탐지 벤치마크가 탄생했습니다. 이 벤치마크는 500개의 과제로 구성되어 있으며, 모델이 익숙하지 않은 코드베이스를 효율적으로 탐색하는 동시에 특정 CWE 범주와 관련된 취약점 패턴을 인식하도록 요구합니다
왜 오픈웨이트인가
보안 커뮤니티가 실용적인 리포지토리 수준의 방어를 위해 더 접근하기 쉬운 구성 요소가 필요하기 때문에, 시스코는 Antares를 오픈웨이트로 공개합니다.
그림 2. 취약점 탐지 벤치마크에서 Antares 모델 군은 더 큰 규모의 비교 모델들보다 훨씬 낮은 추정 비용과 실행 시간으로 작업을 완료합니다.
취약점 분류 작업은 비용이 많이 듭니다. 전문 지식, 시간, 인프라, 그리고 민감한 코드에 대한 접근 권한이 필요합니다. 이러한 비용은 이미 제한된 보안 자원으로 운영되는 조직, 즉 중요한 소프트웨어를 유지 관리하고 있는 대학, 연구 기관, 비영리 단체 및 공공 부문 팀에서 가장 크게 체감됩니다.
집중적인 발전
Antares는 보안 조직이 AI를 책임감 있게, 측정 가능하게, 그리고 방어자의 이익을 위해 활용하도록 발전시키려는 시스코의 광범위한 노력의 일환입니다. Foundry Security Spec을 통해 시스코는 명확한 역할, 안전 장치, 검토 가능한 결과물을 갖춘 에이전트 기반 보안 평가 시스템을 구축하기 위한 모델에 구애받지 않는 청사진을 공유했습니다. CodeGuard를 통해 시스코는 AI 코딩 에이전트가 더 안전한 소프트웨어 개발을 수행할 수 있도록 안내하는 ‘기본적으로 안전한(secure-by-default)’ 규칙과 기술을 제공하는 데 기여했습니다. Antares를 통해 시스코는 컴팩트한 보안 모델과 저장소 수준의 취약점 위치 파악에 중점을 둔 벤치마크를 추가하고 있습니다.
시스코의 이러한 노력은 하나의 공통된 신념으로 연결됩니다. 바로 보안 분야의 AI는 인상적인 일회성 시연을 넘어, 실무자들이 평가하고, 관리하며, 개선할 수 있는 시스템으로 발전해야 한다는 것입니다. Foundry Security Spec은 에이전트 기반 보안 작업을 위한 틀을 정의하는 데 도움을 줍니다. CodeGuard는 재사용 가능한 규칙 모음에 안전한 코딩 관행을 담아 예방의 기준을 높이는 데 기여합니다. Antares는 비용이 많이 드는 위치 파악 단계를 지원하여, 취약점 정보를 인간 검토자가 검사할 수 있는 소스 파일로 좁혀줍니다.
이 모든 작업을 종합하면, 커뮤니티가 AI 지원 방어를 위한 보다 견고한 기반—개방형 사양, 재사용 가능한 보안 지식, 간결하고 배포 가능한 모델, 그리고 진전을 측정할 수 있게 해주는 벤치마크—을 구축하는 데 도움이 될 수 있습니다. 목표는 온프레미스 여부와 자원 제약에 관계없이 모든 보안 실무자가 일상적인 보안 운영에 AI를 효과적으로 통합할 수 있는 시스템을 구축하는 것입니다.
Hugging Face 페이지를 방문하여 Antares 모델을 살펴보고 모델 카드를 확인해 보십시오. 벤치마크 및 평가 방법론에 대해 더 자세히 알아보려면 기술 문서를 참조하거나 Cisco Foundation AI에 문의하십시오.
Authors