🛡️ AI-Security-Knowledge-Base

이는 기초 머신러닝 알고리즘 이론부터 최첨단 대규모 언어 모델(LLM) 주입 공격, AI 회피(Anti-Evasion) 대응 및 딥페이크(Deepfake)까지 아우르는 체계적인 AI 보안 연구 프로젝트입니다.

---

🏗️ 지식 체계 아키텍처

본 저장소의 콘텐츠는 AI 핵심 알고리즘, 위협 모델링, 레드팀 공격, 블루팀 방어의 네 가지 주요 영역으로 구성됩니다.

🧬 1부: AI 기초 및 이론

모델 뒤에 숨은 수학적 논리를 깊이 이해하는 것은 알고리즘 취약점을 찾기 위한 전제 조건입니다.

• AI 개론 - 인공지능 발전사, 분야 및 핵심 개념.
• 딥러닝 아키텍처 - CNN/RNN부터 Transformer 아키텍처까지의 심층 해부.
• 핵심 머신러닝 알고리즘 - 선형/로지스틱 회귀, SVM, 의사결정 트리, 랜덤 포레스트 및 나이브 베이즈.
• 비지도 학습 탐구 - 클러스터링 분석(K-Means, GMM) 및 연관 규칙.
• 강화학습 원리 - 에이전트(Agent) 게임 이론 로직 및 자동화 의사결정 기반.

🚨 2부: 위협 모델링 및 위험 프레임워크

국제 표준 보안 프레임워크를 기반으로 AI 시스템의 공격 표면을 분석합니다.

• AI 보안 위험 프레임워크 - OWASP ML/LLM Top 10 심층 해설. 프롬프트 인젝션(Prompt Injection), 데이터 중독(Data Poisoning) 및 모델 역전(Model Inversion)을 다룹니다.
• MCP 특화 보안 - Model Context Protocol에 대한 최신 보안 연구. 도구 중독(Tool Poisoning) 및 Cursor IDE 취약점 분석을 포함합니다.
• Skill 보안 - Skill 보안 구성 및 방어 실무 분석.

🏹 3부: 레드팀 공격 훈련

사이버 공격과 방어에서 AI를 "무기"로 활용하는 실전적 사용법을 탐구합니다.

• 공격적 AI 실전 -
  • AI 취약점 스캐닝: Shennina 및 Shannon을 활용한 추론 기반 자동화 침투 테스트.
  • 악성코드 대응: Pesidious 및 MalwareGAN을 활용한 강화학습 기반 회피(Anti-Evasion) 변이.
  • 딥페이크 사기: 실시간 음성/영상 클로닝(Deep-Live-Cam, Voice-Pro)의 원리 및 악용.

🛡️ 4부: 블루팀 방어 강화

알고리즘을 활용하여 보다 예측 가능한 보안 방어 체계를 구축하는 방법을 연구합니다.

• 알고리즘 기반 보안 강화 - 머신러닝 기반 이상 트래픽 탐지, 자동화 감사 및 위협 헌팅.

---

🚀 핵심 관심 분야

---

🛠️ 권장 학습 방법

1. 초보자: AI.md부터 시작하여 알고리즘 모듈을 순서대로 읽으며 기초적인 수학적 직관을 구축하는 것을 권장합니다.
2. 보안 실무자: AI安全.md로 바로 이동하여 OWASP 위험 프레임워크를 이해하고, 进攻性AI.md를 참고하여 로컬 실험을 진행하십시오.
3. 개발자: MCP安全.md 및 算法赋能安全.md를 중점적으로 읽고 안전한 AI 통합 솔루션을 구축하십시오.

---

전체 동영상 강좌:

더 강력하고 실전 적용 가능한 코드, 더 많은 취약점 심화 방법, 더 많은 기법을 확인하세요!

⚠️ 면책 조항

중요 공지: 본 저장소에 포함된 기술 콘텐츠는 보안 교육, 규정 준수 감사 및 학술 연구 목적으로만 제공됩니다.

• 본 프로젝트의 어떠한 기술도 불법적인 용도로 사용하는 것을 금지합니다.
• 공격적 도구를 사용하기 전에 대상 시스템에 대한 명시적 승인을 받았는지 확인하십시오.
• 작성자는 본 저장소 콘텐츠의 어떠한 오용으로 인해 발생하는 손실에 대해 책임을 지지 않습니다.

---

🤝 기여 및 소통

문서를 개선하기 위해 Issue 또는 Pull Request를 제출해 주시기 바랍니다. 이 프로젝트가 도움이 되셨다면 Star 🌟를 눌러주세요.

---

최종 업데이트: 2026-03-06
작성자: GhostWolfLab/Snowwolf