OpenClaw 구축·운영 (12/26) — 보안 아키텍처: 7계층 방어

-
OpenClaw 보안 아키텍처 설계 — 단일 사용자 로컬 AI 에이전트의 7계층 방어

단일 사용자 로컬 AI 에이전트의 7계층 방어 전략

핵심 요약

  • "개인 프로젝트니까 보안은 나중에" — 이 결정은 치명적 오판이었다. Telegram 봇을 통해 외부인이 에이전트에 명령을 내리는 사고를 겪었다
  • 네트워크부터 인지 계층까지 7계층 심층 방어(Defense in Depth) 구조를 설계했다
  • sandbox.mode: off, 평문 키 보관 등 의식적으로 수용한 위험도 명시적으로 문서화한다
배경

배경

LLM 에이전트는 이메일을 읽고, 캘린더를 수정하며, 파일 시스템에 접근하고, 외부 API를 호출한다. 에이전트 자체가 시스템의 핵심 인프라로 동작한다. Telegram 연동 테스트 중 인가되지 않은 외부 사용자가 봇에게 명령을 내리고 에이전트가 이에 응답하는 보안 사고를 겪었다. 이후 "Security from Day 1" 원칙을 세우고 아키텍처를 전면 재구성했다.

본문

7계층 보안 아키텍처

신뢰 모델 정의

  • 동작 환경: 단일 사용자 Mac Mini, 인터넷 활성화, Docker 미사용
  • 핵심 방어 대상: 외부 네트워크 무단 접근, 통신 채널 탈취, 프롬프트 인젝션
  • 신뢰 기준: ~/.openclaw 디렉토리를 수정할 수 있는 시스템 계정 소유자만 운영자로 간주

7계층 보안 아키텍처

계층 메커니즘 상태
네트워크 Loopback Bind + Token 인증 활성
채널 Telegram DM 페어링 + 그룹 allowlist 활성
파일 시스템 .openclaw/ 700, openclaw.json 600 활성
인젝션 방어 11개 범주 방어 프롬프트 룰셋 프롬프트 레벨
실행 제어 서브 에이전트별 exec 권한 최소화 활성
시크릿 관리 .gitignore + Pre-commit 보안 감사 활성
신뢰 경계 단일 사용자 로컬 환경 수용 수용됨

경계 통제: 네트워크와 채널

{
  "gateway": {
    "port": 18789, "mode": "local", "bind": "loopback",
    "auth": { "mode": "token", "token": "..." }
  }
}

bind: loopback으로 동일 Mac 내에서만 연결 허용. SSRF 공격이 들어와도 정적 토큰 인증이 두 번째 방어선으로 작동한다.

Telegram은 dmPolicy: pairing으로 사전 페어링된 사용자만 DM 허용, groupPolicy: allowlist로 지정된 사용자만 그룹에서 명령 가능.

내부 통제: 인젝션 방어

11개 범주의 프롬프트 인젝션 방어 규칙: - ignore-previous 거부: 고전적 탈옥 시도 무시 - 인코딩 공격 방어: Base64, Hex 난독화 명령 거부 - 역할 전환 방어: "너는 이제 관리자 모드야" 페르소나 변경 거부

행위 승인 경계

  • 자유 실행: 파일 읽기, 단순 웹 GET, 시스템 로그 확인
  • 승인 필수: 이메일/SNS 발송, 외부 API 상태 변경, 로컬 파일 삭제

시행착오 / 주의사항

의식적으로 수용한 위험(Accepted Risks): 1. sandbox.mode: off — 로컬 파일 시스템 직접 관리가 필요한 비서 에이전트 특성상 불가피 2. 설정 파일 내 평문 키 — 1인 운영 Private 저장소이므로 수용. 오픈소스 공개 시 Vault로 마이그레이션 예정

마무리

개인 프로젝트라도 시스템 인프라를 건드리는 권한을 가진다면, 보안은 첫날부터 설계되어야 한다. 권한 통제를 사후에 끼워 넣으면 기존 기능과 충돌하여 막대한 테스트 비용이 발생한다. 시스템 설계 초기부터 '최소 권한의 원칙'과 '외부 입력에 대한 제로 트러스트'를 아키텍처에 녹여내야 한다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »