CrowdStrike SafeMind 공개…공격 AI와 방어 AI가 서로 훈련한다

CrowdStrike가 2026년 9월 1일 미국 라스베이거스에서 열린 Fal.Con 2026에서 NVIDIA와 개발한 보안 AI 시스템 SafeMind를 공개했다. 확인된 핵심은 공격 경로를 찾는 Red Tempest와 방어 조치를 만드는 Blue Solano를 전용 하네스 안에서 반복 실행해, 한쪽의 결과를 다른 쪽의 입력으로 되돌리는 구조다.

SafeMind는 단일 챗봇이나 모델 하나가 아니라 보안 특화 모델과 실행 하네스로 구성된 제품군이다. 9월 1일자 CrowdStrike 공식 발표 는 Cyber Superintelligence Lab이 시스템을 개발했으며, Falcon 센서 텔레메트리와 위협 인텔리전스, Falcon Complete MDR 이벤트 주석, 15년간의 사고 대응 현장 경험을 모델 학습에 활용했다고 설명한다.

공격·방어 모델보다 중요한 것은 반복 실행하는 하네스다

SafeMind의 작동 방식은 공격, 방어, 재검증으로 이어지는 폐쇄형 피드백 루프로 요약된다. Red Tempest가 모의 기업 환경에서 공격 경로를 찾으면 Blue Solano가 그 결과를 바탕으로 탐지 또는 차단 후보를 만들고, 하네스가 후보를 검증한 뒤 변경된 환경을 다시 공격 측에 제시한다.

이 과정에서 모델은 목표와 판단을 담당하고, 하네스는 모델이 사용할 도구와 실행 순서, 관측 결과의 전달, 후보 조치의 검증을 맡는다. 따라서 SafeMind의 자동화 범위는 텍스트 답변 생성에 그치지 않는다. 모델의 출력을 센서와 모의 환경에 연결해 실제로 시험할 수 있는 행동으로 바꾸는 것이 제품 구조의 중심이다.

NVIDIA의 SafeMind 기술 설명 에 따르면 공격 하네스는 Recon, Assault, Compromise 하위 에이전트로 공격 경로를 실행하고, 방어 하네스는 Falcon 센서로 활동을 관측해 탐지 후보를 생성·검증·승격한다. 양사는 NVIDIA의 가속 컴퓨팅 인프라를 모사한 디지털 트윈에서 이 공격·방어 루프를 시험했다.

제목의 ‘서로 훈련한다’는 표현은 두 모델이 대화만 나누거나 매번 모델 가중치를 자동으로 다시 학습한다는 뜻이 아니다. 공개 자료가 확인해 주는 범위는 공격 결과가 방어 개선의 재료가 되고, 수정된 방어 상태가 다시 공격 시험의 조건이 되면서 양쪽의 행동이 반복적으로 개선된다는 것이다. 각 순환에서 실제로 어떤 학습 알고리즘과 업데이트 절차가 쓰이는지는 공개되지 않았다.

Nemotron에 보안 데이터와 역할을 좁게 결합했다

CrowdStrike는 범용 모델을 그대로 호출하는 대신 NVIDIA Nemotron 오픈 모델을 기반으로 보안 업무에 맞춘 모델을 구축했다. NVIDIA가 공개한 구성에서는 Nemotron 3 Ultra가 방어 에이전트 하네스를 오케스트레이션하고, 미세 조정된 Nemotron 3 Super가 규칙 생성 하위 에이전트를 구동한다.

다만 기반 모델과 완성된 보안 시스템은 구분해야 한다. Nemotron은 모델 기반을 제공하지만, 공격과 방어의 역할 정의, Falcon 데이터로 수행한 후속 학습, 센서와 도구를 연결하는 하네스, 디지털 트윈에서의 검증 절차는 CrowdStrike가 결합한 별도 계층이다. SafeMind의 성능을 Nemotron 단독 성능으로 해석할 수 없는 이유다.

보안 특화 모델을 택한 이유도 이 결합에서 드러난다. 범용 모델은 취약점이나 대응 방법을 설명할 수 있지만, 특정 환경에서 공격 경로를 실행하고 그 흔적을 탐지 규칙으로 변환한 뒤 같은 조건에서 다시 시험하는 절차까지 기본적으로 갖추지는 않는다. SafeMind는 넓은 범용성보다 공격자 모방과 탐지 생성이라는 제한된 역할, 도구 호출, 평가 과정을 한 시스템 안에 묶는 쪽을 택했다.

오픈 모델 기반이라는 점은 자체 위협 데이터로 후속 학습할 수 있다는 설명과도 연결된다. NVIDIA는 CrowdStrike가 데이터를 외부의 폐쇄형 모델 제공자에게 보내지 않고 Nemotron을 후속 학습했다고 밝혔다. 그러나 이 개발 방식만으로 모든 고객 배포에서 데이터 위치나 보관 정책이 같다고 단정할 수는 없으며, 실제 제공 형태별 데이터 처리 조건은 아직 별도로 제시되지 않았다.

기존 자동화와의 차이는 방어 뒤에 공격을 다시 실행하는 데 있다

기존 보안 자동화도 경보 분류, 조사 요약, 대응 플레이북 실행과 탐지 규칙 배포를 자동화한다. SafeMind가 내세우는 구조적 차이는 이미 발생한 사건을 정해진 흐름으로 처리하는 데서 멈추지 않고, 공격 가설을 실행해 방어 후보를 만든 다음 같은 환경에서 공격을 다시 시도한다는 점이다.

자율 레드팀과도 범위가 다르다. Red Tempest만 떼어 놓으면 공격자 행동을 모사해 취약한 경로를 찾는 레드팀 자동화에 가깝다. SafeMind의 제품 주장은 이 결과를 Blue Solano에 전달하고, 방어 하네스가 탐지 후보를 검증해 승격한 뒤 공격 루프를 다시 돌리는 단계까지 포함한다.

그렇다고 공개된 구조가 실제 운영망에서 제한 없이 공격 코드를 실행한다는 의미는 아니다. 구체적으로 공개된 시험은 NVIDIA 네트워크를 모사하고 실제 위협 환경에 맞춰 검증한 고충실도 디지털 트윈을 중심으로 한다. 고객 운영 환경에서 하네스에 어떤 권한이 주어지는지, 사람이 어느 단계에서 승인하는지, 잘못된 차단을 어떻게 억제하는지는 발표 자료에 상세히 나오지 않았다.

구성 요소를 분리해 사용할 가능성도 열어 뒀다. CrowdStrike는 SafeMind 모델을 독립적으로 사용할 수 있고, 자사 하네스가 다른 프런티어 모델이나 오픈소스 모델과도 작동하도록 설계됐다고 설명했다. 다만 독립형 모델과 하네스는 Project QuiltWorks의 신뢰 기반 접근 프로그램에 포함될 예정이며, 지원 모델의 범위와 일반 고객 대상 제공 조건은 아직 구체화되지 않았다.

29%·6배·99%는 독립 검증된 벤치마크가 아니다

CrowdStrike는 선도적 프런티어 모델과 오픈소스 기준선보다 SafeMind의 탐지율이 29% 높고, 종단 간 복구가 6배 빠르며, 탐지·복구 비용을 99% 절감했다고 주장했다. 그러나 SiliconANGLE의 발표 분석 이 지적했듯 비교 대상 모델의 이름과 수치 산출 방법은 함께 공개되지 않았다.

세 수치는 외부 기관의 검증 결과가 아니라 CrowdStrike가 발표한 평가 결과로 읽어야 한다. 공개 자료에는 평가 데이터 세트, 공격 유형별 표본 수, 탐지 성공의 판정 기준, 복구 시간의 시작점과 종료점, 비용에 포함된 연산·운영 항목이 없다. 서로 다른 세 지표가 모두 같은 모델과 하네스, 같은 시험 환경에서 측정됐는지도 명확하지 않다.

NVIDIA 자료는 Blue Solano 기반 구성의 정확도와 비용에 관한 내부 평가를 별도로 언급하지만, SafeMind 전체에 제시된 탐지율·복구 속도·비용 수치를 개별 모델의 성능으로 돌릴 근거는 부족하다. 공격 모델과 방어 모델, 하네스, Falcon 센서, 평가 환경을 함께 쓴 시스템 결과와 Nemotron 또는 Blue Solano 하나의 결과를 섞어서는 안 된다.

현재 확인된 것은 CrowdStrike가 SafeMind와 두 모델의 역할, Nemotron 기반 구성, 공격·방어 피드백 루프를 공개했다는 사실이다. Falcon 플랫폼에서의 네이티브 운영과 Project QuiltWorks를 통한 독립형 접근 계획도 제시됐지만, 가격과 지역별 제공 범위, 고객 운영 환경의 안전장치, 재현 가능한 평가 방법론은 나오지 않았다. SafeMind가 기존 보안 자동화를 실제로 얼마나 확장할지는 이 조건과 독립 검증 결과가 공개돼야 판단할 수 있다.

함께 읽기:

• CrowdStrike 순증 ARR 51% 증가, AI 보안 예산이 숫자로 잡혔다