발표에서 확인된 핵심 사실

단일 머신에서 실행된 AI 모델이 상용 앱의 라이선스 체계를 분석하고 인증 우회 수단까지 만드는 데 걸린 시간은 단 30분이었다. 로컬 환경의 모델만으로 상용 소프트웨어의 보안 장벽을 무너뜨릴 수 있다는 사실이 확인되며, 개발자들이 신뢰하던 인증 체계의 안전성에 의문이 제기된다.

Qwen 3.8 27B(알리바바가 개발한 대규모 언어 모델)는 앱을 직접 실행하지 않고 코드만 읽는 정적 분석 방식을 사용했다. 수천 줄의 arm64(모바일 기기 등에 쓰이는 CPU 명령어 체계) 코드와 보안 함수가 호출되는 지점을 훑어 바이너리에 숨겨진 공개 검증 키와 라이선스 처리 구조를 찾아냈다. 이렇게 복원한 정보를 바탕으로 실제 작동하는 우회 개념증명(PoC, 아이디어가 실제로 구현 가능한지 증명하는 단계)을 완성했다.

이번 결과는 단일 애플리케이션에 대한 성공 사례로, 모든 소프트웨어에 일반화하기에는 한계가 있다. 테스트 머신에 이미 합법적인 라이선스가 설치되어 있었으며, 모델의 분석 능력이 고르지 않아 더 어려운 앱에서는 분석이 막힐 가능성이 크다. 단 한 번의 성공만으로 Qwen 3.8 27B가 모든 바이너리를 리버스 엔지니어링(완성된 프로그램의 구조를 역으로 분석하는 것) 할 수 있다고 단정할 수 없다.

4B40B 오픈 웨이트 모델 중 지능 지수 1위를 기록한

17GB VRAM(그래픽 카드 전용 메모리)이라는 좁은 공간에 모델을 올리고 네트워크를 완전히 차단한 상태에서 테스트가 진행됐다. Artificial Analysis(AI 모델 성능 평가 기관)가 4B~40B 규모의 오픈 웨이트(모델 내부 수치를 공개한 형태) 모델 135개를 분석한 결과, Qwen 3.8 27B는 지능 지수 52로 1위를 차지했다. 소프트웨어 엔지니어링 능력을 측정하는 SWE-bench Pro에서도 실행 비용이 훨씬 많이 드는 대형 모델들을 앞질렀다. 적은 자원으로도 최상위권의 지능을 구현한 셈이다.

구동 환경은 외부 연결이 없는 Lenovo ThinkStation PGX 워크스테이션이었다. Nvidia GB10 Grace Blackwell 칩과 CPU와 GPU가 메모리를 공유하는 128GB 통합 메모리를 탑재해 보안성을 높였다. 데이터가 외부 서버로 나가지 않는 완전한 로컬 환경에서 모델이 작동했다.

추론 속도를 높이기 위해 SGLang(모델 실행 최적화 도구)과 NVFP4(데이터 저장 용량을 줄이는 압축 방식), DFlash2(데이터 전송 속도를 높이는 기술)를 함께 썼다. 그 결과 초당 약 50토큰의 처리 속도를 기록했다. 하드웨어 제약을 소프트웨어 최적화로 극복해 실용적인 속도를 확보했다.

소비자용 그래픽 카드 기반의 로컬 모델이 상용 소프트웨어 분석

일반 사용자가 쓰는 그래픽 카드만으로도 외부 서버 연결 없이 상용 소프트웨어를 분석하고 인증을 뚫는 일이 가능해졌다. Qwen 3.8 27B 모델은 독점 소프트웨어나 기밀 코드를 오프라인 상태에서 분석하는 역량을 보여줬다. 데이터가 외부로 전송되지 않아 분석 흔적이 남지 않으며, 공격자가 기업의 기밀 코드를 이용해 은밀하게 취약점을 찾을 수 있는 환경이 조성됐다. 클라우드 서비스의 관리나 감독이 없는 환경에서 사용자가 모델의 용도를 마음대로 결정할 수 있어 기존의 보안 위협 모델을 전면 수정해야 한다.

사람이 개입하지 않아도 모델 스스로 오류를 찾아 데이터의 가장 작은 단위인 바이트 수준에서 키 값을 수정했다. 첫 번째로 복원한 키가 보낸 이가 맞는지 확인하는 서명 검사는 통과했지만, 내용이 변하지 않았는지 확인하는 지문 같은 무결성 해시에서 오류가 발생했다. 모델은 이 불일치를 스스로 인식하고 분석을 다시 수행해 최종적으로 정확한 값을 찾아냈다.

이번 결과는 합법적 라이선스를 가진 단일 앱을 대상으로 한 테스트이므로 모든 상용 앱에 일반화하기에는 한계가 있다. 다만 로컬 LLM이 프런티어 모델 수준의 보안 분석을 수행할 수 있다는 점이 확인된 만큼, 로컬 코드 기반의 오프라인 검증 방식은 더 이상 안전한 방어책이 될 수 없다.