Amazon Bedrock으로 전환하는 FHIR API 지능형 보안

임상 워크플로가 변할 때마다 정적 보안 규칙을 수동으로 업데이트해야 하는 구조는 컴플라이언스 공백을 만든다. 환자 데이터에 대한 개방적인 접근성과 엄격한 데이터 보호 요구사항 사이에서 균형을 잡아야 하는 FHIR(Fast Healthcare Interoperability Resources, 의료 정보 상호운용성 표준) API 관리자에게 이는 반복되는 운영 부담이다. Amazon Bedrock을 도입하면 API 지연 없이 사용자 역할과 행동, 데이터 민감도를 종합적으로 분석하는 지능형 보안 모니터링 체계를 구축할 수 있다.

Amazon Bedrock은 단일 API를 통해 파운데이션 모델(Foundation Models)에 접근할 수 있게 해주는 완전 관리형 서비스다. 이를 보안 워크플로에 결합하면 액세스 패턴을 실시간으로 모니터링하고 데이터의 민감도를 자동으로 분류할 수 있다. 특히 규제 대응을 위한 컴플라이언스 보고서를 자연어로 생성하여, 보안 담당자가 수작업으로 작성하던 문서화 시간을 줄인다.

[Figure 1]

이 지능형 모니터링 체계는 기존 보안 인프라를 보완하는 방식으로 작동한다. 기존 체계가 누구에게 접근 권한을 줄 것인가라는 정적 결정에 집중한다면, Bedrock 기반의 모니터링은 권한을 가진 사용자가 실제로 어떻게 데이터를 사용하는가라는 동적 맥락을 분석한다.

결과적으로 실무자는 모든 예외 상황에 대해 임계치를 하드코딩하는 유지보수 업무에서 벗어날 수 있다. 임상 현장의 요구사항이 바뀌어 새로운 데이터 접근 패턴이 등장하더라도, LLM 기반의 모니터링이 이를 문맥적으로 이해하여 적응하기 때문이다. 보안 담당자는 규칙 업데이트 대신 실제 위협 탐지와 정책 최적화 업무에 집중하게 된다.

API 지연을 없애는 비동기 보안 모니터링 아키텍처

Amazon API Gateway가 FHIR 요청을 수신하여 스로틀링과 요청 유효성 검사를 수행한다. 이후 AWS Lambda Authorizer가 JWT(JSON Web Token)를 검증하고 Amazon DynamoDB에 저장된 세부 권한을 확인하여 접근 가능 여부를 결정한다. 검증이 완료된 요청은 FHIR R4 표준 데이터 저장소인 AWS HealthLake로 전달되어 건강 데이터를 조회하거나 저장한다. 이 구간은 사용자가 데이터를 즉시 받아야 하는 동기식 경로로 작동하며, 인증과 인가 절차를 거치면서도 지연 시간을 최소화하도록 설계되었다.

[Figure 1] FHIR 프로세서를 담당하는 Lambda 함수는 AWS HealthLake에서 데이터를 가져와 클라이언트에 응답함과 동시에 액세스 세부 정보를 Amazon EventBridge로 라우팅한다. 요청 경로에서 분석 경로로 데이터를 넘기는 이 지점이 비동기 처리를 구현하는 핵심 연결 고리다. 클라이언트가 FHIR 응답을 수신한 시점에 분석 이벤트가 생성되므로, 실제 API 응답 속도에는 영향을 주지 않는다. 이를 통해 응급 상황 등 빠른 응답이 필수적인 임상 워크플로의 연속성을 보장한다.

Amazon EventBridge는 수신한 액세스 이벤트를 이상 징후 분석기, 민감도 분류기, 컴플라이언스 보고서 생성기라는 세 가지 분석 경로로 동시에 전달하는 팬아웃 구조를 가진다. 이 세 구성 요소는 각각 독립적인 AWS Lambda 함수로 구현되어 병렬적으로 이벤트를 처리한다. 이상 징후 분석기는 접근 패턴의 특이점을 찾고, 민감도 분류기는 리소스의 성격을 규정하며, 보고서 생성기는 감사 추적 로그를 기록한다. 특정 분석 로직에서 연산량이 많아져 병목이 발생하더라도 메인 API 서비스의 가용성에는 지장을 주지 않는다.

요청 경로와 분석 경로를 분리한 이 아키텍처는 분석 로직이 복잡해져 처리 시간이 늘어나더라도 클라이언트가 체감하는 API 응답 시간을 일정하게 유지한다. 실무자는 메인 API의 크리티컬 패스를 수정하지 않고 분석 경로에 배치된 Lambda 함수만 수정하거나 새로운 분석 모듈을 추가함으로써 보안 정책 변화에 유연하게 대응할 수 있다.

기존 방식과 달라진 지점

이러한 비동기 구조 위에서 작동하는 AI 기반 탐지 로직은 기존의 정적 규칙 방식과 명확한 차이를 보인다. 모든 역할과 시간 조합에 임계치를 설정하는 정적 규칙은 관리자가 모든 시나리오를 사전에 예측해야 한다. 예를 들어 새벽 3시에 500건의 데이터를 다운로드할 때 경고를 보내도록 설정하면, 실제 응급 상황에서 발생하는 정당한 접근까지 보안 위협으로 간주하는 오탐이 빈번하게 발생한다. 반면 AI 베이스라인은 의사, 간호사, 청구 담당자, 연구원 등 직군별 정상 패턴을 학습해 이를 구분한다. 사용자가 권한 범위 내에서 데이터를 요청하더라도, 평소의 행동 볼륨이나 접근 시간대와 대조해 이상 징후를 판단한다.

직군에 따라 데이터 접근의 정당성이 달라지는 맥락을 정밀하게 분석한다. 연구원이 회고적 연구를 위해 한 세션에서 수천 개의 레코드에 접근하는 행위는 정상 활동으로 분류하지만, 일반 진료 의사가 갑자기 대량의 환자 레코드에 접근하는 패턴은 내부자 데이터 유출 위험 신호로 구분한다. 모델은 요청 건수라는 수치뿐 아니라 사용자의 역할, 요청의 성격, 인증 패턴을 종합적으로 검토해 리스크를 판별한다.

호출자의 유형에 따라 리스크 스코어링을 차별화하여 적용한다. SMART on FHIR 앱, 환자 포털, HIE(보건의료정보교환) 연결은 각각 기대되는 행동 패턴과 요청 빈도가 다르다. 분석기는 액세스 이벤트의 `OAuth client_id`를 고유 식별자로 사용하여 앱별 전용 베이스라인을 유지한다. 이를 통해 특정 통합 유형의 빈번한 요청이 전체 시스템의 보안 경고를 오염시키지 않도록 리스크 점수를 다르게 부여하며, 앱 성격에 맞는 임계치를 자동으로 적용한다.

온콜(On-call) 일정이나 응급실 활성화 상태, 케어팀 배정 정보 같은 외부 임상 컨텍스트를 프롬프트에 결합해 판단 정밀도를 높인다. 대량 살상 사고 같은 특수 응급 상황 시 의사가 새벽 3시에 500건의 레코드에 접근하는 행위는 일반 야간 근무 패턴과 다르게 처리해야 한다. 프롬프트 설계 단계에서 이러한 외부 상황 정보를 함께 입력함으로써 상황에 맞는 유연한 리스크 평가가 가능해진다. 이는 정적 규칙이 놓치기 쉬운 의료 현장의 가변성을 데이터 기반 맥락 분석으로 보완하여 실제 보안 위협과 정상 임상 활동을 가려낸다.

하드코딩 없는 데이터 민감도 분류와 자동 보고서

정신건강 Observation(관찰) 기록은 일반적인 혈압 측정 데이터보다 민감도가 높다. 기존 보안 체계에서는 리소스 유형별로 민감도 등급을 지정한 매핑 테이블을 수동으로 관리해야 했으며, 표준 버전이 변경될 때마다 업데이트 부담이 컸다. Amazon Bedrock을 활용하면 LLM이 데이터의 맥락을 직접 분석해 민감도를 분류한다. 매핑 테이블 없이 리소스의 성격을 판단하므로 데이터 스키마가 확장되어도 추가 유지보수 비용 없이 즉시 대응할 수 있다.

분류 결과의 자동화 로직 반영을 위해 Amazon Bedrock Converse API의 Structured Outputs 기능을 사용하여 JSON 스키마를 강제한다. 특히 리스크 수준을 LOW, MEDIUM, HIGH라는 세 가지 열거형 값으로만 출력하도록 제한하는 enum-constrained 방식을 적용해, 정의되지 않은 값이 출력되어 후속 시스템이 멈추는 장애를 방지한다. 개발자는 모델의 응답을 별도의 파싱 과정 없이 즉시 조건문으로 처리해 고위험 데이터에 대한 차단이나 알림 로직을 실행할 수 있다.

약물 남용 치료 기록과 같이 법적 규제가 엄격한 데이터 유형은 더 강력한 추가 보호 조치를 적용한다. Bedrock은 등급 부여와 더불어 해당 데이터가 왜 위험한지를 자연어 형태의 리스크 평가서로 생성한다. 보안 분석가는 원시 로그를 분석하는 대신 AI가 요약한 평문 보고서를 통해 이상 징후의 원인을 빠르게 파악하고 조치할 수 있다. 이는 컴플라이언스 감사 준비 시간을 줄이며, 감사인에게 명확한 판단 근거를 제시하는 수단이 된다.

민감도 분류 결과는 접근 제어의 보조 정보로 활용하며, 조직의 정책에 따라 구현되는 동의 관리(Consent Management) 체계를 대체하지 않는다. 데이터가 민감하다고 해서 무조건 차단하는 것이 아니라, 환자의 공유 동의 여부와 요청자의 권한을 함께 검토하는 다층 방어 체계를 갖춰야 한다. 기술적 분류와 법적 동의 절차를 분리해 운영하는 것이 의료 데이터 보안의 실무 기준이다.

한국 헬스케어 AI 실무자를 위한 도입 판단 기준

분석기 오류가 발생해도 API 요청을 차단하지 않는 Fail-open(장애 시 개방) 방식을 채택해 진료나 처방 같은 필수 의료 행위가 중단되지 않도록 설계했다. 분석 단계에서 시스템 오류가 발생하면 로그만 남기고 데이터 접근 요청은 그대로 허용한다. PHI(개인건강정보) 보호를 위해 Amazon Bedrock Guardrails를 적용하여 프롬프트와 모델 응답 양쪽에서 PHI를 자동으로 익명화해 데이터 유출이나 모델 학습 오용 경로를 차단한다.

감사 로그 기록 전에는 Amazon Comprehend Medical을 사용하여 PHI 마스킹 처리를 수행하는 2단계 방어 체계를 구축했다. 로그 파일에 환자 이름이나 생년월일이 평문으로 저장되는 것을 방지해 관리자 권한 오남용 리스크를 낮춘다. 리스크 수준이 HIGH로 판정된 이벤트가 발생하면 Amazon SNS를 통해 보안 담당자에게 알림을 전송한다. 이때 메시지에는 PHI를 포함하지 않고 해시 참조 ID만 담아 보내며, 실제 환자 데이터 확인은 엄격한 권한 제어가 적용된 내부 시스템에서만 수행하도록 강제했다.

실제 환경 적용을 위해 CloudFormation 템플릿과 5개의 AWS Lambda 함수, 배포 스크립트가 포함된 코드 샘플이 제공된다. 이상 징후 분석 로직은 `anomaly_analyzer/handler.py` 파일에 정의되어 있다. 실무자는 제공된 템플릿으로 인프라를 자동 구성하고, 조직의 데이터 특성에 맞춰 람다 함수 내 분석 로직을 수정해 배포할 수 있다.

이 모든 체계의 실효성은 결국 정적 임계치로는 구분하기 어려운 연구원의 정당한 대량 접근과 권한 오남용에 의한 비정상 접근을 사용자별 베이스라인으로 구분해내는 판단 기준을 얼마나 정교하게 설정하느냐에 달려 있다.