보안 통제 우선순위화: AHP로 AI 인프라 보안 예산을 정하는 4단계

글 : 강진호 · OT/ICS 보안 컨설턴트

대부분의 보안 예산은 리스크 모델이 아니라 기획 회의에서 목소리가 큰 사람이나 지난 분기의 사고가 정합니다. 지켜야 할 자산은 크고 예산은 여전히 한정된 AI 인프라 사업자에게 이런 관행은 비싼 대가를 치르게 합니다. 보안 통제 우선순위화는 목소리 큰 사람의 판단을 투명하고 반복 가능한 순위로 바꾸는 일입니다. 이 글에서는 제 박사논문에서 OT 보안 통제 항목에 적용한 쌍대비교 방법인 AHP(계층분석과정)를 “AI 인프라 사업자는 어디에 먼저 투자해야 하는가”라는 실무 질문에 맞는 프레임워크로 옮기는 방법을 소개하겠습니다. 작업 예시는 방법을 보여 주기 위한 것이며 그렇게 표시했습니다. 여러분의 환경으로 옮겨 가는 것은 숫자가 아니라 방법이고, 이 방법은 그 뒤에 있는 판단이 여러분 자신의 것일 때에만 작동하기 때문입니다.

보안 통제 우선순위화는 기술보다 예산의 문제입니다

순서를 잘못 정했을 때의 비용은 공개 자료에서도 보입니다. IBM의 2025년 데이터 침해 비용 조사는 전 세계 평균 침해 비용을 444만 달러로 제시하고, 조직의 13%가 AI 모델이나 애플리케이션 침해를 겪었으며 그중 97%가 적절한 AI 접근 통제를 갖추지 못했다고 보고합니다(IBM, 2025). 같은 조사에서 다섯 곳 중 한 곳이 섀도 AI와 연관된 침해를 보고했고, AI를 관리하거나 섀도 AI를 탐지하는 정책을 가진 조직은 37%에 불과했으며, 섀도 AI 수준이 높으면 침해 비용이 평균 67만 달러 늘었습니다(IBM, 2025). 이 수치는 컴퓨트 인프라가 아니라 AI 모델과 애플리케이션 전반을 다룬 것이므로, 저는 데이터센터 리스크의 측정값이 아니라 하나의 패턴으로 읽습니다. 통제가 특이해서가 아니라 투자 순서에서 앞서지 못했다는 것입니다. 이는 지식의 실패가 아니라 보안 통제 우선순위화의 실패이며, 구조화된 순위 방법은 돈을 쓰기 전에 상충 관계를 드러내도록 강제해 이를 막는 도구입니다.

쌍대비교: AHP가 판단을 가중치로 바꾸는 방법

Thomas Saaty가 개발한 AHP는 의사결정을 목표와 대안으로 나눈 뒤, 전문가에게 좁은 질문을 하나씩 던집니다. 이 목표에 통제 A가 통제 B보다 얼마나 더 중요한가를 묻는 방식입니다. 답은 Saaty의 기본 척도를 쓰며, 1(동등), 3(약간 중요), 5(중요), 7(매우 중요), 9(절대적)이고 중간 판단에는 짝수를, 반대 방향 비교에는 역수를 씁니다. 이렇게 만든 행렬에서 우선순위 벡터가 나오고, 판단들이 서로 모순되는지 보는 검사도 내장되어 있습니다. 행렬의 최대고유값으로 일관성 지수 CI를 구하고 기준값인 무작위 지수 RI로 나누어 일관성 비율 CR을 얻으며, CR이 0.1 이하이면 일관성이 허용된다는 것이 Saaty의 기준입니다(Saaty, 2000; Esri 문서 인용). 이 방식이 보안 통제 우선순위화에 맞는 이유는 실용적입니다. 두 통제를 서로 비교하는 질문은 수십 개 통제에 절대 점수를 매기는 것보다 답하기도 쉽고 방어하기도 쉬우며, 일관성 검사는 절대 점수 방식이 숨기는 모순을 잡아냅니다.

CVR과 CR 0.1 이하에서 실무 프레임워크로

제 박사논문에서는 AHP에 Lawshe의 내용타당도비율(CVR)을 함께 썼습니다. CVR은 패널이 각 후보 항목을 필수, 유용하지만 필수는 아님, 불필요 중 하나로 평가하게 하며, 값이 양수이면 전문가의 절반 이상이 필수로 평가했다는 뜻입니다. 최소 허용값은 패널 규모에 따라 달라서 예를 들어 10명이면 0.62, 20명이면 0.42입니다(Wikipedia, “Content validity”). 제 연구(N=100)에서는 IT 중심 통제가 OT 환경의 가용성에 부(-)의 영향을 보였고, 그래서 일반 IT 목록의 순위를 매기는 대신 39개 통제를 13개 항목의 프레임워크로 재구성했습니다. 실무로의 번역은 단순합니다. CVR로 후보 목록에 오를 통제를 거르고, 쌍대비교로 순위를 매기고, CR 관문으로 그 순위를 믿어도 되는지 판단합니다. CR이 0.1을 넘는 것은 실패가 아니라 비교 판단을 다시 검토하라는 신호입니다. 이 두 가지 검증이 보안 통제 우선순위화를 목소리 큰 회의와 구분하며, 학위논문에서 투자 위원회까지 그대로 이동합니다.

작업 예시: GPU 클러스터의 보안 통제 우선순위화

아래 예시는 설명용입니다. 판단 값은 계산 과정을 보이기 위해 임의로 만든 것이며 연구 결과가 아닙니다. 이 시리즈의 앞선 글에서 다룬 네 가지 통제 그룹을 GPU 학습 클러스터의 후보로 놓겠습니다. 네트워크 세그멘테이션, 유지보수 접근 통제, 물리·환경 모니터링, 가용성 우선 변경 통제입니다. 전문가가 쌍대비교를 하는데, 세그멘테이션 대 유지보수 접근은 2, 대 물리 모니터링은 3, 대 변경 통제는 5이고, 유지보수 접근 대 물리 모니터링은 3, 대 변경 통제는 3이며, 물리 모니터링 대 변경 통제는 2입니다. 가중치는 약 47%, 30%, 14%, 9%로 계산됩니다. 최대고유값은 4.065이므로 CI는 0.022이고, 항목 4개의 표준 무작위 지수 0.90으로 나누면 CR은 0.024로 0.1보다 한참 낮아 순위가 받아들여집니다. 보안 통제 우선순위화에서 가중치는 목표에 가장 중요한 통제를 알려 주며, 예산 책임자는 각 가중치를 비용으로 나누어 단위 비용당 가장 많은 우선순위를 사는 투자 순서를 확인할 수 있습니다.

AHP 기반 보안 통제 우선순위화에 판단이 필요한 지점

AHP는 판단을 구조화하는 방법이지 판단을 대신하지 않습니다. 가중치는 선택한 목록 안에서의 상대적 중요도이므로 목록에서 빠진 통제에 대해서는 아무것도 말해 주지 않고, 절대적인 리스크 감소량도 아닙니다. 높은 CR은 관문에서 걸러지지만 일관된 편향은 걸러지지 않습니다. 같은 사각지대를 공유한 전문가 다섯 명은 완벽하게 일관되면서 완벽하게 틀린 순위를 만들어 낼 수 있습니다. 작업량도 빠르게 늘어납니다. 항목 n개에는 n(n-1)/2번의 비교가 필요해서 4개는 6번, 13개는 78번, 39개는 741번이 되며, 통제를 작은 프레임워크로 묶는 일이 중요한 이유입니다. 전문가가 여럿이면 CR을 확인하기 전에 행렬을 기하평균으로 집계하는 것이 일반적이고, 판단을 하나씩 바꿔 순서가 뒤집히는지 보는 민감도 시험은 순위가 얼마나 취약한지 보여 줍니다. 보안 통제 우선순위화를 숫자가 붙은 규율 있는 대화로 보시고, 최종 결정에서는 위협 데이터와 비용을 가중치 옆에 함께 두시기 바랍니다.

정리하며

이 시리즈는 세그멘테이션, 가용성, 물리 리스크, 통제 매핑에서 시작해 모든 운영자가 결국 마주하는 질문, 즉 이 중 무엇을 먼저 할 것인가로 끝납니다. AHP 기반 접근은 후보 목록에는 CVR, 판단에는 CR 0.1 이하라는 학술적 안전장치를 담아 예산 위원회가 읽을 수 있는 형태로 답합니다. 연구의 엄밀함과 실무의 현실감을 함께 갖추는 것이야말로 AI 컴퓨트 인프라 보안에 필요한 자세이며, 저 역시 제 작업에 그 기준을 적용하려 합니다.