보안 엔지니어링
내가 금융회사 보안 담당자라면, 어디부터 점검할까?
로그인은 했는데 남의 거래내역까지 보인다면? 가상의 금융 앱을 따라 점검 대상 찾기, 권한 확인, 개선 후 재검증과 Python·AI의 역할을 쉽게 설명합니다.
DONGHAK.LOG / 금융을 이해하는 개발자의 기록
금융과 보안, 백엔드와 AI. 익숙한 질문에서 시작하는 기술 이야기.
31개의 글
보안 엔지니어링
로그인은 했는데 남의 거래내역까지 보인다면? 가상의 금융 앱을 따라 점검 대상 찾기, 권한 확인, 개선 후 재검증과 Python·AI의 역할을 쉽게 설명합니다.
보안 엔지니어링
송금할 때는 인증을 몇 번씩 하는데, 해킹은 어디로 들어올까요? 사라진 행사 페이지와 남겨진 서버 이야기로 금융보안의 빈틈과 점검 원리를 풀어봅니다.
보안 엔지니어링
격리된 Linux 실습 환경에서 현재 권한을 확인하고, root 서비스가 실행하는 쓰기 가능한 스크립트를 비파괴 PoC로 검증한 뒤 권한을 개선하고 재시험합니다.
보안 엔지니어링
허가된 localhost 금융 API에 Python 권한 테스트 행렬을 실행하고, 규칙으로 실패를 판정한 뒤 AI가 비식별 보고서 초안을 돕는 안전한 자동화 구조를 설명합니다.
보안 엔지니어링
가상의 금융거래 API에서 IDOR·BOLA 취약점을 localhost로 재현하고, Spring Boot에서 거래 소유권을 검증한 뒤 같은 요청으로 차단 여부를 확인합니다.
AI 엔지니어링
규칙, ML, LLM 그리고 SafeFDS 실험을 통한 비교. AI가 모든 거래를 혼자 판단해서는 안 되는 이유와 안전한 자동화의 경계를 설명합니다.
백엔드·신뢰성
의심 기준을 낮추면 사기를 더 잡는 대신 정상 고객의 추가 인증과 이체 보류도 늘어납니다. 가상 거래 1만 건으로 탐지율과 고객 불편의 균형을 설명합니다.
백엔드·신뢰성
은행은 고객의 마음이 아니라 거래에 남은 신호로 위험을 판단합니다. 정상 이체가 잠시 멈출 수밖에 없는 이유와 FDS의 근본적인 한계를 쉽게 설명합니다.
AI 엔지니어링
LangChain RAG 챗봇의 검색과 답변을 LangSmith Dataset·Evaluator·Experiment로 비교하고, Tool을 사용하는 AI Agent로 확장할 때의 안전 경계를 설명합니다.
AI 엔지니어링
LangChain Prompt에 Few-shot 예시를 넣어 답변 형식을 일관되게 만드는 방법과 Structured Output의 한계, Streamlit 배포 전 보안 점검을 설명합니다.
AI 엔지니어링
LangChain RAG를 Streamlit의 chat_input·chat_message·session_state·write_stream과 연결해 대화 기록과 Streaming 응답을 만드는 구조를 쉽게 설명합니다.
AI 엔지니어링
LangChain RAG에서 문서 정리, Chunking, metadata와 키워드 사전을 이용해 질문 표현이 달라도 필요한 문서를 찾는 검색 품질 개선 방법을 설명합니다.
AI 엔지니어링
LangChain RAG의 Vector Store를 Chroma에서 Pinecone으로 바꿀 때 달라지는 실행 위치, 인증, Index 설계, 데이터 이전과 운영 책임을 쉽게 설명합니다.
AI 엔지니어링
RAG를 직접 연결할 때 생기는 반복 코드와 LangChain의 Loader·Splitter·Retriever·Runnable 추상화가 줄여주는 일, 그 대가를 쉽게 설명합니다.
AI 엔지니어링
LangChain과 Chroma로 문서를 나누고 Embedding해 저장한 뒤, 관련 조각을 검색해 LLM 답변으로 연결하는 RAG 흐름을 쉽게 설명합니다.
AI 엔지니어링
LangChain에서 OpenAI·Upstage·Ollama를 연결할 때 데이터 경계, 비용, 네트워크와 운영 책임을 어떻게 비교해야 하는지 쉽게 설명합니다.
AI 엔지니어링
LangChain RAG 챗봇이 문서를 읽고 나누고 검색해 LLM 답변으로 연결하는 전체 구조와 첫 ChatOpenAI 호출을 쉽게 설명합니다.
AI 엔지니어링
자연스러운 답변만으로 AI 품질을 판단할 수 있을까요? Spring AI 평가 API부터 RAG·Tool Calling·업무 성공·안전성 평가까지 쉽게 설명합니다.
AI 엔지니어링
Spring AI에서 Tool Calling과 MCP가 맡는 역할을 비교하고, MCP Client·Server가 도구·리소스·프롬프트를 연결하는 구조와 보안 경계를 쉽게 설명합니다.
AI 엔지니어링
Spring AI Tool Calling에서 모델이 도구를 요청하고 애플리케이션이 실행하는 과정을 학교 축제 예약 예제로 설명합니다. @Tool과 인증·인가·멱등성·사람 승인도 살펴봅니다.
AI 엔지니어링
Spring AI RAG가 틀리는 원인을 문서 분할, 검색, Top-K, 유사도 기준, metadata, 답변 생성 단계로 나누어 쉽게 설명합니다.
AI 엔지니어링
LLM이 사내 문서를 자동으로 알지 못하는 이유와 Spring AI RAG가 문서를 나누고 검색해 답변에 전달하는 과정을 쉽게 설명합니다.
AI 엔지니어링
LLM이 이전 대화를 스스로 기억하지 않는 이유와 Spring AI Chat Memory가 Conversation ID로 과거 메시지를 다시 전달하는 원리·비용·보안 한계를 설명합니다.
AI 엔지니어링
LLM이 다음 Token을 선택해 답을 만드는 원리와 Temperature가 출력의 다양성에 미치는 영향, Spring AI의 Prompt와 Structured Output을 쉽게 설명합니다.
AI 엔지니어링
Ollama와 Spring AI가 인터넷 연결 없이 로컬 LLM을 호출하는 구조를 살펴보고, 동기·스트리밍 응답과 하드웨어·품질·보안 한계를 설명합니다.
AI 엔지니어링
Spring AI가 모델 학습 도구가 아니라 기존 AI 모델과 Spring 애플리케이션의 데이터·API를 연결하는 프레임워크인 이유를 ChatModel, ChatClient, Advisor의 흐름으로 설명합니다.
백엔드·신뢰성
MySQL, Redis, Elasticsearch, MongoDB가 서로 다른 문제를 해결하는 이유와 여러 저장소를 사용할 때 발생하는 동기화 비용을 쉽게 설명한다.
백엔드·신뢰성
요청이 서버와 데이터베이스를 지나가는 길을 따라가며 병목이 생기는 이유와 서버를 무작정 늘리면 해결되지 않는 이유를 쉽게 설명한다.
백엔드·신뢰성
회원 100만 명과 동시 접속자 100만 명은 완전히 다르다. MAU, DAU, CCU, RPS를 학교 축제 매점 이야기와 간단한 계산으로 이해한다.
이 카테고리에는 아직 글이 없습니다.