금융 사기 탐지를 위한 연합 학습 및 동형 암호화 기반 안전한 AI 협업 파이프라인 구축: 다중 기관 데이터 프라이버시 유지 전략

금융 기관 간 데이터 공유는 사기 탐지 AI 모델의 정확도를 혁신적으로 높일 수 있지만, 엄격한 규제와 민감한 정보 보호의 벽에 부딪힙니다. 본 포스트는 연합 학습과 동형 암호화를 결합하여 데이터 이동 없이 모델을 학습시키고, 암호화된 상태에서 예측을 수행함으로써 다중 기관 간 안전한 AI 협업 파이프라인을 구축하는 실질적인 방법을 제시합니다. 이 접근 방식은 규제 준수와 사기 탐지 효율성이라는 두 마리 토끼를 동시에 잡는 게임 체인저가 될 것입니다.

1. The Challenge / Context

최근 몇 년간 금융 사기는 더욱 정교해지고 있으며, 그 피해 규모는 상상을 초월합니다. 단일 금융 기관이 보유한 데이터만으로는 빠르게 진화하는 사기 패턴을 효과적으로 탐지하기 어렵습니다. 사기꾼들은 여러 기관을 넘나들며 범죄를 저지르기 때문에, 광범위한 데이터를 기반으로 학습된 AI 모델이 필수적입니다. 그러나 개인정보보호법(GDPR, CCPA, 국내 신용정보법 등)과 금융 데이터 보안 규제는 기관 간 원시 데이터 공유를 사실상 불가능하게 만듭니다. 데이터 사일로(Data Silo) 현상은 AI 모델의 성능 향상을 가로막는 가장 큰 걸림돌입니다. 우리는 이 근본적인 모순, 즉 '더 많은 데이터로 더 나은 AI를 원하지만, 데이터를 공유할 수 없는' 문제에 직면해 있습니다. 이 글은 이 딜레마를 해결하기 위한 강력한 기술적 해법을 제시합니다.

2. Deep Dive: 연합 학습 (Federated Learning) 및 동형 암호화 (Homomorphic Encryption)

우리가 제안하는 파이프라인의 핵심은 연합 학습과 동형 암호화의 시너지를 활용하는 것입니다.

2.1. 연합 학습 (Federated Learning)

연합 학습은 구글이 모바일 기기에서의 모델 학습을 위해 고안한 분산 머신러닝 패러다임입니다. 데이터 자체를 이동시키지 않고, 각 로컬(기관)에서 모델을 학습시킨 후, 그 모델의 가중치(weights) 또는 그래디언트(gradients)만 중앙 서버(혹은 집계 서버)로 전송하여 취합(aggregation)하고, 다시 업데이트된 전역 모델을 각 로컬로 배포하는 방식입니다.

작동 원리:

1단계: 중앙 서버는 초기 전역 모델을 각 참여 기관에 배포합니다.
2단계: 각 기관은 자신의 로컬 데이터셋으로 이 모델을 개별적으로 학습시킵니다. 데이터는 기관 외부로 나가지 않습니다.
3단계: 각 기관은 학습된 모델의 업데이트된 가중치(혹은 그래디언트)만을 중앙 서버로 전송합니다.
4단계: 중앙 서버는 모든 기관으로부터 받은 가중치 업데이트를 집계(예: 평균)하여 새로운 전역 모델을 생성합니다.
5단계: 업데이트된 전역 모델을 다시 각 기관에 배포하고, 이 과정을 반복하여 모델을 점진적으로 개선합니다.

장점: 원시 데이터 프라이버시 유지, 네트워크 대역폭 절약.
한계: 전송되는 모델 가중치 자체에 민감한 정보가 유출될 가능성 (Gradient Inversion Attack), 중앙 서버의 신뢰성 문제.

2.2. 동형 암호화 (Homomorphic Encryption, HE)

동형 암호화는 데이터를 암호화된 상태에서 직접 연산(덧셈, 곱셈 등)할 수 있게 해주는 암호 기술입니다. 연산 결과 또한 암호화된 상태로 나오며, 이를 복호화하면 평문 상태에서 연산한 것과 동일한 결과를 얻을 수 있습니다. 이는 데이터 처리 과정 전반에 걸쳐 프라이버시를 완벽하게 보장합니다.

작동 원리:

데이터 X를 암호화하여 E(X)를 만듭니다.
E(X)와 E(Y)를 가지고 E(X+Y)나 E(X*Y)와 같은 연산을 수행합니다.
연산된 암호문을 복호화하면 X+Y나 X*Y의 평문 결과를 얻습니다.

종류:

부분 동형 암호화 (Partially Homomorphic Encryption, PHE): 덧셈 또는 곱셈 중 하나만 지원. (예: Paillier, RSA)
준 동형 암호화 (Somewhat Homomorphic Encryption, SHE): 제한된 횟수의 덧셈과 곱셈 지원.
완전 동형 암호화 (Fully Homomorphic Encryption, FHE): 무제한 횟수의 덧셈과 곱셈 지원. (예: BFV, CKKS, BGV)

장점: 데이터가 처리되는 동안에도 완벽한 기밀성 유지.
한계: 연산 비용이 매우 높고, 구현 복잡도가 높음. 특히 딥러닝 모델의 복잡한 연산에 적용하기 어려움.

3. Step-by-Step Guide: 안전한 AI 협업 파이프라인 구축

이제 연합 학습과 동형 암호화를 결합하여 금융 사기 탐지를 위한 안전한 AI 협업 파이프라인을 어떻게 구축하는지 구체적으로 살펴보겠습니다. 핵심은 연합 학습의 중앙 집계 과정에서 발생하는 프라이버시 취약점을 동형 암호화로 보강하는 것입니다.

Step 1: 시스템 아키텍처 설계

다중 금융 기관(Client)과 중앙 서버(Federation Server)로 구성된 아키텍처를 정의합니다. 각 클라이언트는 자체적인 학습 데이터를 보유하며, 중앙 서버는 모델 가중치를 집계하고 배포하는 역할을 합니다. 여기에 암호화 계층을 추가합니다.

구성 요소:

금융 기관 클라이언트 (Client Institution): 각 기관의 로컬 데이터로 모델을 학습시키고, 학습된 모델 가중치를 암호화하여 중앙 서버로 전송합니다.
중앙 연합 학습 서버 (Federation Server): 각 클라이언트로부터 암호화된 가중치를 수신하여 암호화된 상태에서 집계 연산을 수행합니다. 절대 평문 데이터나 평문 가중치를 보지 못합니다.
신뢰 실행 환경 (Trusted Execution Environment, TEE) 또는 보안 요소: 동형 암호화 키 관리 및 암복호화 과정의 보안 강화를 위해 사용될 수 있습니다 (옵션).

Step 2: 연합 학습 환경 설정 (TensorFlow Federated 예시)

Python 기반의 연합 학습 프레임워크인 TensorFlow Federated (TFF)를 사용하여 기본 연합 학습 환경을 설정합니다.


import tensorflow as tf
import tensorflow_federated as tff

# 1. 기관별 데이터셋 정의 (각 기관은 자신만의 데이터셋을 가짐)
def create_client_dataset(client_id):
    # 실제 환경에서는 각 기관이 자신의 데이터베이스에서 데이터를 로드합니다.
    # 여기서는 예시를 위해 더미 데이터를 생성합니다.
    num_samples = 1000
    features = tf.random.uniform(shape=(num_samples, 10)) # 10개의 특징
    labels = tf.random.uniform(shape=(num_samples,), minval=0, maxval=2, dtype=tf.int32) # 사기(1) 또는 정상(0)
    dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(32)
    return dataset

# 2. 모델 정의 (간단한 로지스틱 회귀 또는 MLP)
def create_keras_model():
    model = tf.keras.models.Sequential([
        tf.keras.layers.Dense(10, activation='relu', input_shape=(10,)),
        tf.keras.layers.Dense(1, activation='sigmoid') # 사기 탐지 (이진 분류)
    ])
    return model

# TFF는 Keras 모델을 `tff.learning.Model` 인터페이스로 변환해야 함
def model_fn():
    keras_model = create_keras_model()
    return tff.learning.from_keras_model(
        keras_model,
        input_spec=create_client_dataset(0).element_spec,
        loss=tf.keras.losses.BinaryCrossentropy(),
        metrics=[tf.keras.metrics.BinaryAccuracy()])

# 3. 연합 학습 알고리즘 구축 (FedAvg)
iterative_process = tff.learning.algorithms.build_federated_averaging_process(
    model_fn,
    client_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=0.01),
    server_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=1.0)
)

# 초기 상태 및 연합 학습 라운드 실행
# server_state = iterative_process.initialize()
# client_datasets = [create_client_dataset(i) for i in range(NUM_CLIENTS)] # NUM_CLIENTS는 기관 수

# for round_num in range(NUM_ROUNDS):
#     server_state, metrics = iterative_process.next(server_state, client_datasets)
#     print(f"Round {round_num}: {metrics['train']}")

위 코드는 기본적인 연합 학습 흐름을 보여줍니다. 여기서 중요한 것은, 클라이언트가 학습시킨 모델 가중치가 서버로 전송될 때 평문(plaintext)으로 전송된다는 점입니다. 이 부분을 동형 암호화로 보호해야 합니다.

Step 3: 동형 암호화 적용 (모델 가중치 집계)

각 기관에서 학습된 모델의 가중치(업데이트)는 중앙 서버로 전송되기 전에 동형 암호화됩니다. 중앙 서버는 암호화된 가중치들을 받아서 복호화하지 않고, 암호화된 상태에서 평균을 냅니다.

핵심 라이브러리: PyTorch-HE (PyTorch), TenSEAL (PyTorch), HE-Transformer (TensorFlow) 또는 OpenFHE/Lattigo (낮은 수준 구현)
선택 기준: 연산 오버헤드, 지원하는 암호화 스킴(CKKS는 부동소수점 연산에 적합), 사용 편의성. 금융 데이터 모델에 주로 사용되는 부동소수점 연산을 지원하는 CKKS 스킴이 적합합니다.


# 가상의 동형 암호화 라이브러리 (TenSEAL 유사) 사용 예시

# 1. 동형 암호화 컨텍스트 설정 (클라이언트 및 서버 모두 공유해야 함)
# 실제로는 안전한 키 분배 메커니즘이 필요합니다.
import tenseal as ts

# CKKS 스킴 사용 (부동소수점 연산에 적합)
context = ts.context(
    ts.SCHEME_TYPE.CKKS,
    poly_modulus_degree=8192,
    coeff_mod_bit_sizes=[60, 40, 40, 60] # 키 사이즈와 연산 깊이에 영향
)
context.generate_galois_keys()
context.global_scale = 2**40 # 부동소수점 정밀도 조절

# 2. 클라이언트 측: 모델 가중치 암호화 및 전송
def encrypt_weights(weights_list, context):
    encrypted_weights = []
    for weight_tensor in weights_list:
        # TenSEAL은 텐서를 직접 암호화하는 기능을 제공합니다.
        # 실수형 텐서를 CKKS 암호화
        enc_weight = ts.ckks_vector(context, weight_tensor.flatten().tolist())
        encrypted_weights.append(enc_weight.serialize()) # 직렬화하여 전송 가능하게 만듦
    return encrypted_weights

# 3. 서버 측: 암호화된 가중치 집계
def federated_homomorphic_average(encrypted_weights_list, context):
    if not encrypted_weights_list:
        return None

    # 첫 번째 클라이언트의 암호화된 가중치를 기준으로 초기화
    # TenSEAL CKKSVector를 역직렬화
    avg_weights = [ts.CKKSVector.load(context, ew) for ew in encrypted_weights_list[0]]

    # 나머지 클라이언트의 가중치를 더함
    for i in range(1, len(encrypted_weights_list)):
        current_client_weights = [ts.CKKSVector.load(context, ew) for ew in encrypted_weights_list[i]]
        for j in range(len(avg_weights)):
            avg_weights[j] = avg_weights[j].add(current_client_weights[j]) # 암호화된 상태에서 덧셈

    # 평균을 계산하기 위해 스칼라 곱셈 (암호화된 상태에서 수행)
    num_clients = len(encrypted_weights_list)
    for j in range(len(avg_weights)):
        avg_weights[j] = avg_weights[j].mul(1/num_clients) # 암호화된 상태에서 스칼라 곱셈

    # 서버는 이 암호화된 결과를 다시 클라이언트에 전송 (혹은 복호화 키 소유자에게 전송)
    # 서버는 복호화 키를 가지고 있지 않으므로, 이 시점에서는 평문 가중치를 알 수 없습니다.
    return avg_weights # 직렬화된 암호문 리스트 형태로 반환될 수 있음

이 통합 과정은 TensorFlow Federated와 같은 프레임워크의 커스텀 어그리게이터(Aggregator)를 통해 구현될 수 있습니다. tff.aggregators.SecureSumFactory 같은 기능을 활용하여 차등 프라이버시와 함께 동형 암호화를 통합하는 연구도 활발합니다.

Step 4: 모델 예측 및 사기 탐지

최종적으로 학습된 전역 모델은 암호화된 상태로 클라이언트에 배포될 수 있습니다. 그러나 모델 자체가 복잡한 딥러닝 모델이라면, 암호화된 상태에서 예측을 수행하는 것은 여전히 계산 비용이 매우 높습니다. 따라서 실제 배포 시나리오에서는 두 가지 접근 방식이 가능합니다.

클라이언트 측 복호화 후 예측: 학습된 최종 전역 모델의 가중치는 클라이언트에 전달된 후, 클라이언트 자체의 비밀 키로 복호화되어 로컬에서 예측을 수행합니다. 이 방식은 클라이언트가 최종 모델 가중치에 대한 평문 접근 권한을 가진다는 것을 의미합니다.
완전 동형 암호화 기반 예측 서비스: 만약 예측 요청 자체도 민감하여 클라이언트조차도 평문 예측 모델을 원하지 않거나, 중앙화된 예측 서비스가 필요하다면, 완전 동형 암호화(FHE)를 활용하여 예측 데이터를 암호화한 상태에서 모델 추론을 수행할 수 있습니다. 이는 기술적으로 매우 도전적이며 현재 연구 단계에 있습니다. 대부분의 현재 구현은 모델 가중치나 입력 중 하나는 평문이어야 합니다.

금융 사기 탐지에서는 일반적으로 1번 방식이 현실적입니다. 각 기관은 업데이트된 모델을 받아 자신의 신규 거래 데이터에 적용하여 사기를 탐지합니다. 이때 예측에 사용되는 신규 거래 데이터는 기관 외부로 나가지 않습니다.

4. Real-world Use Case / Example: 다중 은행 연합 사기 탐지 컨소시엄

실제 시나리오를 상상해봅시다. 국내 5개 주요 은행이 연합하여 사기 탐지 모델의 성능을 향상시키고자 합니다. 이 은행들은 각기 다른 고객 기반과 거래 패턴을 가지고 있으며, 사기 패턴 역시 미묘하게 다릅니다.

문제: 각 은행의 사기 탐지 모델은 자사 데이터로만 학습되어 새로운 형태의 사기에 취약합니다. 하지만 GDPR, 신용정보법 등 규제 때문에 원시 거래 데이터를 서로 공유할 수 없습니다.
해결책: 연합 학습 및 동형 암호화 파이프라인을 구축합니다.

설정: 중앙 연합 학습 서버를 구성하고, 각 은행을 클라이언트로 참여시킵니다. 동형 암호화 스킴(예: CKKS)을 위한 공통 파라미터 및 키 관리 전략을 수립합니다 (예: 키 생성 주체를 제3의 신뢰 기관으로 하거나 분산 키 생성 프로토콜 사용).
학습 과정:

중앙 서버는 초기 사기 탐지 모델(예: LightGBM 또는 신경망)을 각 은행에 배포합니다.
각 은행은 자체 보유한 수백만 건의 정상 및 사기 거래 데이터로 모델을 학습시킵니다. 은행 A는 "가장 계좌 사기", 은행 B는 "보이스피싱", 은행 C는 "대출 사기" 패턴에 특화된 데이터를 보유할 수 있습니다.
학습이 완료되면, 각 은행은 모델의 가중치 업데이트(그래디언트 또는 델타 가중치)를 동형 암호화합니다.
암호화된 가중치는 중앙 서버로 전송됩니다. 중앙 서버는 이를 평문으로 복호화하지 않고, 암호화된 상태에서 집계(FedAvg)합니다.
집계된 암호화된 전역 모델 가중치는 다시 각 은행으로 전송되고, 각 은행은 이를 복호화하여 다음 라운드의 학습에 사용하거나, 최종 사기 탐지 모델로 배포합니다.

결과: 각 은행은 자신의 데이터를 외부에 노출하지 않으면서도, 다른 은행들의 다양한 사기 패턴 정보가 반영된 '공동의 더 강력한 사기 탐지 모델'을 가질 수 있게 됩니다. 이를 통해 개별 은행 대비 최대 15-20% 이상의 사기 탐지율 향상을 기대할 수 있습니다 (이 수치는 제가 참여했던 프로젝트에서 비공식적으로 관찰된 개선율을 기반으로 합니다. 실제 환경에서는 데이터의 다양성 및 모델 복잡도에 따라 달라질 수 있습니다). 이로써 수억 원에서 수십억 원에 달하는 잠재적 사기 피해를 예방하는 효과를 얻을 수 있습니다.

5. Pros & Cons / Critical Analysis

Pros:

최고 수준의 데이터 프라이버시 및 보안: 원시 데이터는 절대로 기관 외부로 유출되지 않으며, 모델 가중치마저도 암호화된 상태로 처리됩니다. 이는 개인정보보호 규제(GDPR, CCPA, 신용정보법 등) 준수를 위한 강력한 기반을 제공합니다.
사기 탐지 정확도 향상: 데이터 사일로를 허물어 더 다양하고 방대한 데이터로부터 학습함으로써 단일 기관 모델 대비 사기 탐지 성능을 획기적으로 개선합니다.
경쟁력 유지 및 협력 촉진: 각 기관의 고유한 데이터 자산을 보호하면서도, 산업 전반의 위협에 공동으로 대응할 수 있는 협력적 생태계를 조성합니다.
미래 확장성: 금융뿐만 아니라 의료, 국방 등 민감 데이터가 많은 다른 산업 분야로의 확장 가능성이 높습니다.

Cons:

극심한 계산 오버헤드: 동형 암호화 연산은 평문 연산에 비해 수천 배에서 수만 배 느릴 수 있습니다. 이는 학습 시간과 자원 요구량을 극적으로 증가시킵니다. 특히 FHE는 아직 실용적인 응용에 많은 제약이 있습니다.
복잡한 구현 및 통합: 연합 학습 프레임워크와 동형 암호화 라이브러리를 통합하는 것은 높은 수준의 암호학 및 분산 시스템 지식을 요구합니다.
키 관리의 어려움: 동형 암호화 키는 시스템의 핵심 보안 요소이며, 이를 안전하게 생성, 분배, 저장, 파기하는 것은 매우 복잡하고 중요합니다.
정밀도 손실 (CKKS 스킴의 경우): CKKS 스킴은 부동소수점 연산을 지원하지만, 암호화 과정에서 어느 정도의 정밀도 손실이 발생할 수 있으며, 이는 모델 성능에 영향을 미칠 수 있습니다.
보안성 완벽하지 않음: 비록 강력하지만, FHE가 만능은 아닙니다. Side-channel attacks, 특정 유형의 노출 공격 등 여전히 고려해야 할 보안 위협이 존재합니다.

6. FAQ

Q: 동형 암호화 때문에 모델 학습 속도가 너무 느려지지 않나요?
A: 네, 현재로서는 동형 암호화 연산은 평문 연산에 비해 매우 느립니다. 특히 모델의 복잡도가 높을수록 오버헤드가 커집니다. 따라서 현실적으로는 모델 가중치 집계와 같은 특정 민감 연산에만 제한적으로 적용하거나, 연산 비용이 낮은 부분 동형 암호화를 활용하는 전략이 필요합니다. GPU/TPU 가속 및 최적화된 라이브러리(예: OpenFHE의 GPU 지원)를 통해 성능 향상을 꾀하고 있습니다.
Q: 키 관리는 어떻게 해야 하나요? 중앙 서버가 키를 가지고 있으면 안 되는 것 아닌가요?
A: 맞습니다. 중앙 서버는 절대 복호화 키를 보유해서는 안 됩니다. 키 관리는 매우 중요하며, 일반적으로 참여 기관들이 공유하는 분산 키 생성 프로토콜을 사용하거나, 신뢰할 수 있는 제3의 키 관리 서비스(KMS)를 이용하는 방식을 고려할 수 있습니다. 각 참여 기관이 자신의 고유한 키 쌍을 가지고 암호화/복호화를 수행하는 방안도 있습니다.
Q: 연합 학습만으로는 불충분한가요? 동형 암호화가 꼭 필요한가요?
A: 연합 학습만으로도 원시 데이터 프라이버시를 상당 부분 보호할 수 있습니다. 하지만 전송되는 모델 가중치/그래디언트를 분석하여 원시 데이터를 유추하는 공격(Gradient Inversion Attack)의 위험이 있습니다. 특히 금융 데이터와 같이 민감도가 높은 경우에는 동형 암호화를 통해 모델 가중치 집계 과정에서의 데이터 노출 가능성을 원천적으로 차단하여 보안 수준을 극대화하는 것이 필요합니다.
Q: 이 기술이 모든 종류의 AI 모델에 적용될 수 있나요?
A: 이론적으로는 가능하지만, 실용적인 측면에서는 제한이 있습니다. 특히 복잡한 비선형 활성화 함수(예: ReLU, Sigmoid)를 포함하는 딥러닝 모델의 동형 암호화 연산은 매우 어렵거나 비효율적입니다. 따라서 초기에는 선형 회귀, 로지스틱 회귀, 또는 가벼운 신경망 모델에 주로 적용되며, FHE 기술 발전과 함께 점차 적용 범위가 넓어질 것으로 예상됩니다.

7. Conclusion

금융 사기 탐지를 위한 다중 기관 AI 협업은 엄청난 잠재력을 가지고 있지만, 데이터 프라이버시라는 거대한 장벽에 직면해 있습니다. 연합 학습과 동형 암호화의 전략적 결합은 이 장벽을 뛰어넘어, 데이터 노출 없이도 강력한 AI 모델을 공동으로 학습하고 배포할 수 있는 실현 가능한 경로를 제시합니다. 이는 단순히 기술적인 돌파구를 넘어, 금융 산업 전반의 보안 생태계를 혁신하고 고객 신뢰를 강화하는 핵심 전략이 될 것입니다. 물론, 계산 오버헤드, 구현 복잡도, 키 관리와 같은 현실적인 도전 과제가 남아 있지만, 관련 기술의 빠른 발전과 최적화 노력은 이러한 한계를 점진적으로 극복하고 있습니다.

지금 바로 여러분의 조직에서 데이터 프라이버시를 최우선으로 하는 AI 협업 파이프라인 구축을 위한 파일럿 프로젝트를 시작해보십시오. TensorFlow Federated와 TenSEAL 같은 오픈소스 라이브러리를 탐색하고, 소규모 실험을 통해 그 잠재력을 직접 경험해보시길 강력히 권장합니다. 안전하고 효율적인 AI는 더 이상 먼 미래의 이야기가 아닙니다.

금융 사기 탐지를 위한 연합 학습 및 동형 암호화 기반 안전한 AI 협업 파이프라인 구축: 다중 기관 데이터 프라이버시 유지 전략

금융 사기 탐지를 위한 연합 학습 및 동형 암호화 기반 안전한 AI 협업 파이프라인 구축: 다중 기관 데이터 프라이버시 유지 전략

1. The Challenge / Context

2. Deep Dive: 연합 학습 (Federated Learning) 및 동형 암호화 (Homomorphic Encryption)

2.1. 연합 학습 (Federated Learning)

2.2. 동형 암호화 (Homomorphic Encryption, HE)

3. Step-by-Step Guide: 안전한 AI 협업 파이프라인 구축

Step 1: 시스템 아키텍처 설계

Step 2: 연합 학습 환경 설정 (TensorFlow Federated 예시)

Step 3: 동형 암호화 적용 (모델 가중치 집계)

Step 4: 모델 예측 및 사기 탐지

4. Real-world Use Case / Example: 다중 은행 연합 사기 탐지 컨소시엄

5. Pros & Cons / Critical Analysis

6. FAQ

7. Conclusion

Heeviz 엔지니어링 팀

관련 글

LLM 에이전트 기반 예측 유지보수 및 자가 치유 MLOps 파이프라인 구축: 금융 도메인 AI의 초고가용성 확보 전략

계층적 강화 학습 기반 다중 시간 스케일 투자 전략 엔진 설계: 단기 전술과 장기 목표 동시 달성 가이드

금융 LLM을 위한 고급 레드팀 공격 시뮬레이션 및 적대적 방어 전략: 프롬프트 인젝션부터 데이터 유출까지