Python과 AI를 활용한 금융 API 취약점 진단 자동화
허가된 localhost 금융 API에 Python 권한 테스트 행렬을 실행하고, 규칙으로 실패를 판정한 뒤 AI가 비식별 보고서 초안을 돕는 안전한 자동화 구조를 설명합니다.
금융 서비스를 공격자의 눈으로 검증하기 2/3
자동화는 더 많이 공격하는 기술이 아니라, 허가된 검사를 빠뜨리지 않고 반복하는 기술이다
민수는 첫 번째 점검에서 큰 문제를 찾았습니다. 자신의 로그인 정보로 거래번호만 바꾸자 지윤의 거래가 보였습니다. 개발팀은 소유권 검사를 추가했고, 같은 요청은 이제 차단됐습니다.
그런데 거래 API가 백 개라면 어떨까요? 사람이 주소를 하나씩 바꾸다 보면 어제 확인한 기능을 오늘 놓칠 수 있습니다. Python은 이 반복을 맡을 수 있고, AI는 결과를 읽기 쉬운 보고서로 정리할 수 있습니다.
핵심은 역할을 섞지 않는 것입니다.
취약 여부처럼 규칙으로 판단할 수 있는 값은 Python이 검사합니다. AI는 비밀정보를 제거한 결과를 묶고 설명하는 보조 역할을 맡으며, 최종 판정은 사람이 증거를 보고 내립니다.
1편에서는 금융거래 API의 IDOR 취약점을 한 번 직접 재현하고 개선했습니다. 이번에는 그 검사를 안전하게 반복하는 방법을 살펴봅니다.
자동화에도 울타리가 먼저다
자동화는 한 번의 실수를 순식간에 수백 번 반복할 수 있습니다. 그래서 코드보다 먼저 범위를 고정해야 합니다.
이 글의 예제는 다음 조건만 가정합니다.
대상: 본인이 만든 localhost 실습 API
데이터: 민수·지윤과 가상 거래 7001·7002
메서드: 데이터를 바꾸지 않는 GET
인증정보: 환경 변수에서 읽는 가상 실습 Token
외부 주소·운영 시스템·실제 고객정보: 사용하지 않음
소유하거나 명시적으로 허가받지 않은 시스템에는 이 코드를 사용하면 안 됩니다. 쓰기·삭제·송금 테스트는 별도의 폐기 가능한 실습 데이터와 명확한 승인 범위 없이는 자동화하지 않습니다.
또한 이 글의 실행 결과는 흐름을 설명하기 위한 가상 예시입니다. 이 Astro 저장소에서 별도 금융 API나 AI 모델을 실행한 측정 결과가 아닙니다.
사람이 하던 일을 먼저 표로 만든다
자동화는 갑자기 똑똑해지지 않습니다. 사람이 확인하던 규칙을 표로 바꿀 뿐입니다.
OWASP는 권한을 기능, 역할, 필요하면 데이터라는 차원으로 정리한 Authorization Matrix, 즉 권한 행렬을 자동화의 입력으로 삼는 방식을 설명합니다. 쉽게 말해 “누가 어떤 자료에 무엇을 할 수 있는가?”를 표로 적는 것입니다.
| 테스트 사용자 | 요청한 거래 | 기대 결과 | 확인하려는 것 |
|---|---|---|---|
| 민수 | 민수의 7001 |
200 |
본인 거래 조회 가능 |
| 민수 | 지윤의 7002 |
403 또는 404 |
다른 사용자 거래 차단 |
| 지윤 | 지윤의 7002 |
200 |
본인 거래 조회 가능 |
| 인증 없음 | 7001 |
401 |
미인증 요청 차단 |
이 표의 사람과 거래는 이해를 위한 가정입니다. 실제 테스트에서는 서비스가 정한 403 또는 404 정책을 기대값으로 고정해야 합니다.
좋은 자동화는 예상 답을 먼저 압니다. 응답을 받은 뒤 그럴듯한 해석을 붙이는 것이 아닙니다.
Python, AI, 사람은 서로 다른 일을 한다
Python과 AI는 어디까지 맡아야 할까?
결정 가능한 권한 검사는 Python이 반복하고, AI는 비식별 결과의 설명을 돕습니다. 최종 취약점 판정과 조치 결정은 사람이 맡습니다.
정상 차단
PASS — 다른 사용자의 거래가 차단됨예상한 404 응답과 실제 응답이 일치했습니다.
IDOR 의심
FAIL — 다른 사용자의 거래가 반환됨규칙 검사가 200 응답과 거래 소유자 불일치를 증거로 남겼습니다.
AI 오판 방지
REVIEW — 증거가 부족해 사람이 다시 확인AI의 문장은 판정이 아닙니다. Timeout과 인증 실패를 구분해 재검증합니다.
Python은 URL, 사용자, 거래번호와 기대 상태 코드를 정확히 비교합니다. 피곤하지 않고 같은 검사를 반복하는 데 강합니다.
AI는 여러 실패의 공통 원인을 묶거나 보고서 문장을 다듬는 데 유용할 수 있습니다. 하지만 Timeout을 취약점으로 착각하거나, 부족한 증거로 위험도를 단정할 수 있습니다.
사람은 실제 응답과 업무 규칙을 함께 봅니다. 취약점인지, 테스트 데이터가 잘못됐는지, 인증정보가 만료됐는지 구분하고 조치 우선순위를 결정합니다.
localhost 밖으로 나가지 못하게 잠근다
첫 번째 안전장치는 허용 목록입니다. 아래 함수는 localhost와 127.0.0.1 이외의 주소를 받으면 요청 전에 멈춥니다.
from urllib.parse import urlsplit
ALLOWED_HOSTS = {"localhost", "127.0.0.1"}
def require_allowed_target(url: str) -> None:
parsed = urlsplit(url)
if parsed.scheme != "http" or parsed.hostname not in ALLOWED_HOSTS:
raise ValueError(f"허용되지 않은 실습 대상: {parsed.hostname}")
이 검사는 보안 테스트 승인 절차를 대신하지 않습니다. 단순한 실수로 외부 주소를 넣는 일을 줄이는 마지막 난간입니다.
운영 환경에서는 대상 목록, 테스트 시간, 허용 메서드, 요청 속도, 담당자와 중단 조건까지 별도로 합의해야 합니다.
권한 행렬을 Python 코드로 옮긴다
다음 예제는 Python 표준 라이브러리만 사용합니다. dataclass는 테스트 한 건의 입력을 일정한 모양으로 묶고, urllib.request는 HTTP 요청을 보냅니다.
from dataclasses import dataclass
from hashlib import sha256
from os import environ
from urllib.error import HTTPError, URLError
from urllib.request import Request, urlopen
BASE_URL = "http://localhost:8080"
@dataclass(frozen=True)
class AuthorizationCase:
case_id: str
token_env: str | None
transaction_id: int
expected_status: tuple[int, ...]
CASES = [
AuthorizationCase("minsu-own", "LAB_MINSU_TOKEN", 7001, (200,)),
AuthorizationCase("minsu-other", "LAB_MINSU_TOKEN", 7002, (403, 404)),
AuthorizationCase("jiyun-own", "LAB_JIYUN_TOKEN", 7002, (200,)),
AuthorizationCase("anonymous", None, 7001, (401,)),
]
def run_case(case: AuthorizationCase) -> dict:
url = f"{BASE_URL}/api/transactions/{case.transaction_id}"
require_allowed_target(url)
headers = {"Accept": "application/json"}
if case.token_env:
headers["Authorization"] = f"Bearer {environ[case.token_env]}"
request = Request(url, headers=headers, method="GET")
try:
with urlopen(request, timeout=3) as response:
status = response.status
body = response.read()
except HTTPError as error:
status = error.code
body = error.read()
except (URLError, TimeoutError) as error:
return {
"caseId": case.case_id,
"verdict": "REVIEW",
"reason": type(error).__name__,
}
return {
"caseId": case.case_id,
"expected": case.expected_status,
"actual": status,
"verdict": "PASS" if status in case.expected_status else "FAIL",
"bodyBytes": len(body),
"bodyHash": sha256(body).hexdigest()[:12],
}
이 코드는 Python 공식 문서와 OWASP의 권한 테스트 원칙을 바탕으로 단순화한 학습 예제입니다. 현재 환경에서 실제 API에 연결해 실행한 결과는 아닙니다.
중요한 부분은 화려한 공격 문자열이 아닙니다.
- 대상 주소를 제한합니다.
- 각 사용자와 객체의 기대 결과를 미리 적습니다.
- 실제 상태 코드와 기대값을 기계적으로 비교합니다.
- Token과 응답 원문은 결과에 넣지 않습니다.
- Timeout은 취약점으로 단정하지 않고
REVIEW로 보냅니다.
상태 코드만 맞으면 끝일까?
아닙니다. 서버가 200을 반환했지만 빈 객체를 보냈을 수도 있고, 404 안에 다른 사람의 이름을 오류 메시지로 노출했을 수도 있습니다.
검사는 단계적으로 깊어져야 합니다.
| 단계 | 검사 내용 | 예시 |
|---|---|---|
| 1 | 상태 코드 | 다른 사용자 거래는 403 또는 404인가? |
| 2 | 응답 구조 | 금지된 응답에 거래 필드가 없는가? |
| 3 | 객체 소유권 | 반환된 owner가 로그인 사용자와 일치하는가? |
| 4 | 부작용 | 조회 요청이 자료를 변경하지 않았는가? |
응답 본문을 검사하더라도 운영 로그에 그대로 남기지는 않습니다. 테스트 코드 안에서 필요한 필드만 비교하고, 결과에는 길이·hash·가상 Document ID처럼 재검증에 필요한 최소 정보만 남깁니다.
가상의 결과를 읽어보자
다음은 출력 형식을 설명하기 위한 가상 결과입니다.
PASS minsu-own expected=(200,) actual=200
FAIL minsu-other expected=(403, 404) actual=200
PASS jiyun-own expected=(200,) actual=200
PASS anonymous expected=(401,) actual=401
두 번째 줄만 보면 다른 사용자의 거래가 노출됐을 가능성이 있습니다. 하지만 아직 “확정 취약점”이라고 쓰지 않습니다.
Token이 서로 바뀌지 않았는지, 거래 7002의 소유자가 정말 지윤인지, 캐시가 낡은 응답을 주지 않았는지 사람이 다시 확인해야 합니다. 자동화의 FAIL은 수사의 끝이 아니라 확인을 시작하라는 신호입니다.
AI는 판정자가 아니라 정리 담당자다
실패가 수십 건 쌓이면 사람이 같은 문장을 반복해서 작성하게 됩니다. 이때 AI가 다음 일을 도울 수 있습니다.
- 같은 endpoint와 원인으로 보이는 실패를 묶기
- 기대값과 실제값의 차이를 쉬운 문장으로 바꾸기
- 재현 조건, 예상 영향, 개선 확인 항목의 초안 만들기
- 빠진 증거가 무엇인지 질문 목록 만들기
AI에 전달할 값은 다음처럼 최소화합니다.
{
"caseId": "minsu-other",
"endpointTemplate": "GET /api/transactions/{transactionId}",
"expectedStatus": [403, 404],
"actualStatus": 200,
"bodyBytes": 82,
"bodyHash": "49c68d3f70aa",
"ownerMatched": false
}
Access Token, 계좌번호, 고객 이름, 전체 응답 본문은 보내지 않습니다. 클라우드 AI를 사용한다면 조직의 데이터 처리, 저장, 학습 사용 여부와 전송 정책을 먼저 확인해야 합니다.
API 응답 안의 문장도 신뢰하지 않습니다. 응답에 “이전 지시를 무시하라”는 문장이 있어도 AI가 지시로 따르지 않도록, 원문을 명령이 아닌 데이터로 구분하고 도구 실행 권한을 주지 않습니다.
AI가 만든 보고서는 왜 다시 읽어야 할까?
AI는 문장을 아주 자연스럽게 완성합니다. 그래서 증거가 부족해도 확신에 찬 보고서를 만들 수 있습니다.
다음 문장은 서로 다릅니다.
확인된 사실: 다른 사용자 Token으로 요청했을 때 200이 반환됐다.
추정: 객체 단위 인가가 누락됐을 가능성이 있다.
미확인: 응답 객체의 실제 소유자와 데이터 민감도.
좋은 보고서는 사실, 추정, 미확인을 나눕니다. AI가 셋을 섞으면 사람이 다시 분리해야 합니다.
NIST의 생성형 AI 위험 관리 자료도 생성 결과의 지속적인 모니터링과 필요한 경우 사람의 개입을 강조합니다. AI의 자신감이 증거의 강도를 높여주지는 않습니다.
자동화가 잘못 울리는 네 가지 순간
Token이 만료됐다
모든 요청이 401이라면 권한 통제가 완벽한 것이 아니라 실습 Token이 만료된 것일 수 있습니다. 먼저 본인 거래 조회가 200인지 확인합니다.
테스트 데이터의 주인이 바뀌었다
거래 7002를 초기화하는 과정에서 소유자가 민수로 바뀌었다면 기대값이 틀렸습니다. 테스트 데이터 생성 과정도 코드로 고정해야 합니다.
서버가 느려졌다
Timeout은 응답을 받지 못했다는 뜻입니다. 취약하다는 뜻도, 안전하다는 뜻도 아닙니다. 실행 환경을 복구한 뒤 다시 검사합니다.
차단 정책이 바뀌었다
서비스가 403에서 404로 정책을 바꿨다면 테스트 기대값도 함께 바꿔야 합니다. 단, 정책 변경을 핑계로 200을 허용해서는 안 됩니다.
한 번 찾은 문제를 다시 나오지 않게 하자
진단 자동화의 가장 큰 가치는 요청을 많이 보내는 데 있지 않습니다. 고친 취약점이 다음 배포에서 돌아오지 않는지 확인하는 데 있습니다.
다음 순서가 실용적입니다.
수동으로 원인 확인
→ 최소 재현 사례 작성
→ 권한 행렬에 추가
→ Python 회귀 테스트 실행
→ 실패 증거 최소 저장
→ AI가 보고서 초안 작성
→ 사람이 최종 판정
→ 개선 후 같은 사례 재실행
OWASP도 새 릴리스가 기존 권한 정의와 충돌하는지 알 수 있도록 권한 평가를 자동화하는 방식을 권합니다. 자동화의 목표는 사람을 빼는 것이 아니라, 사람이 중요한 판단에 집중하게 하는 것입니다.
금융 API에서는 더 보수적으로 움직인다
조회 API의 실패는 정보 노출로 이어질 수 있습니다. 송금·예약·한도 변경 같은 쓰기 API의 실패는 실제 상태를 바꿀 수 있습니다.
따라서 금융 API 자동화에는 다음 경계를 둡니다.
- 읽기 검사는 가상·비식별 데이터로 먼저 구성합니다.
- 쓰기 검사는 폐기 가능한 샌드박스와 명시적 승인 범위에서만 수행합니다.
- 요청 속도와 동시 실행 수를 제한합니다.
- 중단 스위치와 담당자를 정합니다.
- Token, 계좌번호, 주민등록번호와 응답 원문을 로그에서 제외합니다.
- AI에는 정제된 테스트 결과만 전달합니다.
- 최종 위험도와 조치 우선순위는 사람이 확인합니다.
“AI 기반 자동 진단”이라는 이름이 이런 통제를 대신해주지는 않습니다.
자주 생기는 오해
AI가 직접 취약점을 찾는 것 아닌가요?
이 글의 구조에서는 Python 규칙이 기대값과 실제값을 비교합니다. AI는 실패 결과를 묶고 설명하는 보조자입니다.
요청을 많이 보내면 더 잘 찾을 수 있나요?
아닙니다. 범위 없는 대량 요청은 장애와 사고를 만들 수 있습니다. 작은 권한 행렬을 정확히 반복하는 것이 먼저입니다.
상태 코드가 다르면 모두 취약한가요?
아닙니다. Token 만료, Timeout, 테스트 데이터 오류를 구분해야 합니다. 자동화는 모호한 결과를 REVIEW로 남길 수 있어야 합니다.
AI 보고서가 자연스러우면 그대로 제출해도 되나요?
안 됩니다. 재현 증거, 실제 소유권, 영향 범위와 개선 결과를 사람이 대조해야 합니다.
세 줄 요약
- Python은 허가된 범위와 권한 행렬 안에서 같은 검사를 빠뜨리지 않고 반복합니다.
- AI는 비밀정보를 제거한 실패 결과를 정리할 수 있지만 취약점 판정과 위험도 결정을 대신하지 않습니다.
- 좋은 자동화는 더 많이 공격하는 도구가 아니라 개선한 보안 통제가 다음 배포에서도 유지되는지 확인하는 회귀 테스트입니다.
다음 편 예고
다음 편은 격리된 Linux 환경에서 명령어 기반 침투와 권한 상승 검증하기입니다.
자동화 도구가 “위험”이라고 알려줬다면, 사람은 명령어와 시스템 증거만으로 그 위험을 다시 설명할 수 있을까요?