네이버클라우드 컨소시엄, 700B급 보안 AI 모델 개발에 들어간다

AI를 활용하여 생성한 이미지입니다.

AI · 보안 · 산업 현장

네이버클라우드 컨소시엄이 700B급 보안 AI 모델 개발에 들어간다는 발표를 읽을 때는 모델 크기와 실제 보안 성능을 분리해서 봐야 합니다. 네이버는 2026년 9월 3일 정부의 사이버보안 분야 특화 AI 파운데이션 모델 개발 사업자로 선정됐고, 33개 산·학·연·공공기관과 함께 개발을 시작한다고 밝혔습니다.[1] 발표는 큰 인프라와 데이터 협력을 보여주지만, 완성된 탐지 제품의 정확도나 현장 운영 결과를 공개한 보고서는 아닙니다.

컨소시엄은 하이퍼클로바X와 엑사원을 기반으로 700B급 MoE 모델 두 개를 병렬 개발하겠다고 설명했습니다. 하나는 방어, 다른 하나는 공격 관점에 초점을 두는 구조입니다.[1] 이 구성이 의미 있으려면 거대한 모델을 만드는 데서 끝나지 않고, 보안 로그를 안전하게 다루고 실제 관제 환경에서 오탐·미탐을 관리하는 절차까지 이어져야 합니다.

발표된 계획을 한눈에 보기

MoE는 여러 전문가 모듈 가운데 입력에 필요한 부분을 선택해 처리하는 구조를 뜻합니다. 발표에서 말하는 700B급이라는 표현만으로 한 번의 요청마다 모든 파라미터가 같은 방식으로 사용된다고 이해하면 안 됩니다. 실제 추론 비용, 지연 시간, 필요한 장비는 모델 구성과 운영 방식에 따라 달라지므로 후속 기술 자료가 필요합니다.

830TB 데이터에서 먼저 물어볼 것

보안 데이터는 단순한 문서 모음이 아닙니다. 시스템 로그는 시간 순서, 사용자·장비 맥락, 정상 행위와 이상 행위의 구분이 함께 있어야 분석에 쓰입니다. 네이버클라우드는 네이버클라우드와 LG CNS의 운영 데이터, 한전KDN·한국수력원자력·금융보안원·KISTI·LG유플러스 등의 데이터를 활용하고, 수집·라벨링·표준화·검증을 진행하겠다고 설명했습니다.[1]

그렇다고 테라바이트 단위의 데이터가 자동으로 좋은 학습 데이터가 되는 것은 아닙니다. 같은 이벤트가 반복되거나 특정 기관의 형식에 치우치면 숫자는 커져도 다른 환경에서 성능이 흔들릴 수 있습니다. 공격 데이터가 실제로 어떤 범주를 포함하는지, 정상 데이터가 충분한지, 라벨이 여러 기관에서 같은 기준으로 붙었는지 공개돼야 합니다.

• 개인정보·계정 식별자·비밀 키가 어떤 방식으로 제거 또는 가명 처리되는가?
• 데이터를 학습에 사용해도 되는 법적·계약적 권한이 확보됐는가?
• 중복 로그와 잘못 붙은 라벨을 어떻게 찾고 수정하는가?
• 학습에 쓰지 않은 기관·시기의 데이터로 일반화 성능을 평가하는가?

이 질문은 컨소시엄의 계획을 부정하기 위한 것이 아니라, 데이터 규모를 품질의 대리 지표로 사용하지 않기 위한 최소한의 점검입니다. 특히 보안 모델은 공격자가 학습 데이터의 패턴을 역으로 이용할 가능성까지 고려해야 하므로, 공개 범위와 비공개 범위를 구분한 설명이 중요합니다.

공격 모델과 방어 모델을 함께 개발하는 의미

방어 모델은 위협 탐지, 경보 분류, 사건 분석과 같은 작업을 지원할 수 있고, 공격 관점의 모델은 취약점이나 공격 경로를 점검하는 데 활용될 수 있습니다. 네이버클라우드는 하이퍼클로바X 기반 방어 모델과 엑사원 기반 공격 모델을 병렬로 개발해 보안 공격과 방어의 전 과정을 다루겠다고 밝혔습니다.[1]

그러나 공격 모델이 있다고 해서 실제 공격 자동화에 바로 사용해야 한다는 뜻은 아닙니다. 도구의 권한, 테스트 범위, 승인 절차, 결과 기록이 분리되지 않으면 연구용 기능도 운영 위험이 될 수 있습니다. 현장 도입을 평가할 때는 “공격을 얼마나 잘 생성하는가”보다 허가된 범위에서 취약점을 찾고, 결과를 사람이 검토하며, 실행 권한 없이 보고서로 남길 수 있는지가 더 중요합니다.

폐쇄망 도입에서 모델 외에 필요한 것

전력·금융·방위산업처럼 외부망 접근이 제한되는 환경에서는 보안 데이터를 외부 서비스로 보내기 어렵습니다. 컨소시엄은 7대 분야 실증과 폐쇄망 운용 기술을 추진하겠다고 설명했지만, 폐쇄망은 단순히 인터넷을 끊은 공간이 아닙니다.[1] 모델 업데이트 파일을 반입하는 절차, 사용자의 권한 분리, 요청·응답 기록, 장애 시 중지 방법, 새로운 위협 정보를 반영하는 주기가 함께 설계돼야 합니다.

인터넷 연결이 제한되면 최신 위협 정보를 자동으로 받아오는 편의도 줄어듭니다. 따라서 모델 성능만큼 업데이트 주기와 운영 담당자의 책임 범위를 계약과 절차에 명시해야 합니다. AI가 경보를 추천하더라도 차단·격리 같은 조치는 승인된 자동화 범위 안에서만 실행해야 합니다.

기업과 일반 사용자가 다음에 볼 자료

네이버클라우드는 상업적 활용을 위한 오픈소스 공개와 중소기업 대상 취약점·사이버 공격 탐지 무상 점검 서비스를 계획으로 제시했습니다.[1] 다만 오픈소스라는 말만으로 모델 가중치, 추론 코드, 학습 데이터, 상업적 사용권이 모두 공개된다는 뜻은 아닙니다. 공개 시점에 각각 무엇이 제공되는지 라이선스와 함께 확인해야 합니다.

1. 벤치마크가 일반 언어 능력이 아니라 보안 탐지·분석 업무를 얼마나 반영하는지 확인합니다.
2. 오탐률과 미탐률을 하나의 평균 수치가 아니라 분야·공격 유형별로 봅니다.
3. 830TB 데이터의 구성, 개인정보 보호, 학습 제외 기준과 평가용 데이터 분리를 확인합니다.
4. 폐쇄망에서 모델 업데이트·권한·감사·사고 대응이 제품 문서로 제공되는지 살펴봅니다.
5. 오픈소스 공개라면 가중치·코드·데이터 사용권을 따로 읽고, 조직의 보안 정책과 맞춥니다.

일반 사용자가 당장 새 모델을 내려받아 쓸 수 있는 시점과 방식은 발표만으로 정해지지 않았습니다. 기업도 모델 이름보다 기존 보안관제 시스템과의 연동, 한국어 보고서 처리, 사람이 오탐을 수정하는 방법, 데이터 저장 위치를 먼저 확인해야 합니다.

자주 묻는 질문

700B급이면 기존 보안 모델보다 무조건 정확한가요?

아닙니다. 모델 규모는 개발 계획의 한 요소일 뿐입니다. 실제 정확도, 오탐·미탐, 지연 시간과 운영 비용은 평가 데이터와 실증 결과를 통해 확인해야 합니다.

830TB 데이터를 쓰면 개인정보 문제는 해결되나요?

데이터 양은 보호 조치를 대신하지 않습니다. 수집 권한, 비식별화·가명 처리, 접근 통제, 보관 기간, 학습 제외 기준을 별도로 확인해야 합니다.

폐쇄망이면 AI 결과를 믿어도 되나요?

폐쇄망은 데이터 이동 위험을 줄이는 운영 조건이지, 모델의 판단이 항상 맞다는 보증이 아닙니다. 사람의 검토와 승인, 감사 기록, 장애 시 수동 절차가 필요합니다.

도입 담당자는 데모 화면보다 한 달 뒤의 운영을 상상해 보는 것이 좋습니다. 경보가 쌓일 때 우선순위를 누가 조정하는지, 모델 버전을 되돌릴 수 있는지, 담당자가 자리를 비웠을 때 승인 공백을 어떻게 막는지까지 답이 있어야 합니다.

이번 발표는 국내 보안 AI를 위한 대규모 인프라·데이터·기관 협력의 출발점으로 읽는 것이 적절합니다. 성과를 판단할 때는 700B나 GPU 숫자보다 어떤 데이터로 검증했는지, 현장 오탐을 어떻게 처리하는지, 폐쇄망에서 누가 책임을 지는지를 확인해야 합니다. 모델이 실제 업무의 일부가 되는 순간 기술 규모보다 운영 설계가 결과를 좌우하기 때문입니다.

Sources

1. [1] NAVER, 네이버클라우드 컨소시엄의 국내 보안 환경 특화 AI 모델 개발 발표 (2026년 9월 3일)

관련 글: 보안 AI를 도입할 때 에이전트 기능보다 먼저 볼 것