RevEng.AI, 1억 5천만 달러의 시리즈 A 투자 유치로 AI 생성 소프트웨어의 보안 및 무결성 검증에 나서

기업과 정부 시스템에 걸쳐 점점 더 많이 내장되는 AI 생성 코드는 사이버 보안 스타트업이 신뢰 문제를 해결하도록 고무하고 있습니다. 즉, 조직이 배포하는 소프트웨어 내에서 실제로 실행되는 내용을 어떻게 검증할 수 있는지입니다. RevEng.AI는 1억 5천만 달러의 시리즈 A 투자 유치에 성공했으며, 투자에는 NATO Innovation Fund와 Sands Capital, In-Q-Tel, IQ Capital, Episode One이 참여했습니다. 이 회사는 이 자금을 통해 컴파일된 소프트웨어 바이너리를 분석하여 숨겨진 위협, 악의적인 기능, 소프트웨어 공급망 위험을 식별하는 플랫폼을 확장하는 데 사용할 계획입니다.

런던에 본사를 둔 이 회사는 사이버 보안의 새로운 도전을 해결하고자 합니다. 즉, 소프트웨어가 실행 파일로 컴파일된 후에는 조직이 이를 완전히 검사할 수 없는 문제입니다. 전통적인 애플리케이션 보안 도구는 주로 소스 코드 분석, 저장소, 패키지 메타데이터에 중점을 두고 있습니다. 그러나 시스템에서 실제로 실행되는 컴파일된 바이너리는 특히 第三자 소프트웨어, 펌웨어 또는 클로즈드 소스 애플리케이션을 다룰 때 종종 불투명합니다.

AI 생성 코드의 증가하는 위험

소프트웨어 산업은 AI 코딩 어시스턴트가 점점 더 자율적인 코딩 에이전트로 발전함에 따라 큰 변화를 겪고 있습니다. 이 에이전트는 최소한의 인간 감시 하에大量의 소프트웨어를 생성하고 배포할 수 있습니다. 이 변신은 개발 주기를 가속화하고 있지만,同時에 새로운 보안 취약점을 만들고 있습니다.

RevEng.AI는 조직이 대부분의 소프트웨어를 인간이 검토하지 않고 배포하는 시대로 접어들고 있다고 주장합니다. 이는 숨겨진 취약점, 내장된 악의적인 기능, 예상치 못한 동작이 컴파일된 실행 파일 내에서 보이지 않게 남아있을 수 있는 우려를 낳습니다.

이 문제는 금융 시스템, 의료 네트워크, 에너지 그리드, 운송 시스템, 국방 운영과 같은 환경에서 특히 중요합니다. 의존성 체인 내에 숨겨진 취약점이나 악의적인 기능은 수백만 명의 사용자에게 영향을 미치거나 중요한 인프라를 중단할 수 있습니다.

소프트웨어 공급망 공격은 이미 전 세계적으로 가장 빠르게 성장하는 사이버 보안 위협 중 하나가 되었습니다. 최근 몇 년간의 고위험 사례는 공격자가 소프트웨어 업데이트나 第三자 라이브러리를 통해 기업 시스템에 침투할 수 있음을 보여주었습니다. RevEng.AI는 이 문제를 해결하기 위해 바이너리 수준에서 검증 노력을 강화하고 있습니다.

소스 코드 없이 소프트웨어 분석

RevEng.AI 기술의 가장 주목할 만한 측면은 소스 코드에 접근할 필요가 없다는 것입니다. 대신, 플랫폼은 컴파일된 바이너리, 실행 파일, 펌웨어 및 기타 기계가 읽을 수 있는 소프트웨어 아티팩트에서 직접 작동합니다.

이 접근 방식은 많은 조직이 외부 벤더, 오픈 소스 커뮤니티 또는 계약업체에서 개발된 소프트웨어에 의존하기 때문입니다. 많은 경우에 원본 소스 코드가 접근할 수 없거나, 검사할 수 없거나, 심지어 존재하지 않을 수 있습니다.

RevEng.AI 플랫폼은 BinNet이라고 하는 기초 AI 모델을 사용합니다. 이 모델은 연합 정부 및 상업적인 보안 팀의 엘리트 사이버 유닛과 함께 훈련되었습니다. 시스템은 전통적으로 고도로 전문적인 전문가에 의해 처리되는 역공학 작업을 자동화하도록 설계되었습니다.

바이너리를 직접 검사함으로써 플랫폼은 숨겨진 구성 요소, 의심스러운 릴리스 변경, 악의적인 동작, 취약점 및 소프트웨어 아티팩트 내에 내장된 예상치 못한 기능을 식별할 수 있다고 보고됩니다.

이 회사는 이것이 소프트웨어 무결성을 수동으로 검사하기 위해 필요한 시간과 전문 지식을 크게 줄인다고 말합니다. 이것은 역사적으로 희귀한 역공학 재능에 의존하는 분야입니다.

바이너리 수준 검증의 중요성

오늘날의 사이버 보안 도구는 여전히 소스 코드 저장소와 선언된 소프트웨어 의존성에 중점을 두고 있습니다. 그러나 실제로 시스템에서 실행되는 컴파일된 실행 파일은 조직이 배포하는 것으로 생각하는 것과 크게 다를 수 있습니다.

이 차이는 AI 시스템이 소프트웨어를 자율적으로 생성하기 시작할 때 더욱 중요해집니다. 개발 팀은 AI 보조 애플리케이션 내에 포함된 모든 의존성, 생성된 모듈 또는 내장된 동작을 완전히 이해하지 못할 수 있습니다.

RevEng.AI의 접근 방식은 컴파일된 바이너리 자체를 최종的事実로 간주합니다. 소프트웨어가 포함하는 내용에 대한 선언에만 의존하는 대신, 플랫폼은 실제로 프로덕션 시스템에서 실행될 실행 파일 내에 존재하는 것을 검사하려고 시도합니다.

회사의 설명에 따르면 플랫폼은 새로운 소프트웨어 릴리스를 신뢰할 수 있는 버전과 비교하고, 빌드 간의 비정상적인 드리프트를 식별하며, 개발 또는 배포 중에 도입된 숨겨진 또는 선언되지 않은 구성 요소를 발견할 수 있습니다.

이러한 유형의 검증은 第三자 벤더, 계약업체, 오픈 소스 구성 요소 및 AI 생성 코드를 포함하는 복잡한 소프트웨어 공급망을 관리하는 조직에서 특히 중요할 수 있습니다.

소프트웨어 검증의 미래

자율 코딩 시스템의 부상은 향후 10년 동안 소프트웨어 신뢰 및 보안에 대한 조직의 생각을 다시 정의할 것입니다. AI 생성 소프트웨어가 더 일반화됨에 따라, 생산 환경에 들어가는 코드의 양은 결국 인간 검토자가 실제로 검사할 수 있는 양을 초과할 수 있습니다.

이로 인해 바이너리 수준 검증과 자동화된 역공학이 기업의 사이버 보안 작전에 더 중심적인 역할을 맡게 될 수 있습니다. 역공학을 엘리트 보안 연구자만이 수행하는 특수한 분야로 여기는 대신, 조직은 소프트웨어 조달, 배포 및 업데이트에 대한 워크플로우에 지속적인 바이너리 검사를 통합하기 시작할 수 있습니다.

의료, 금융, 에너지, 운송, 제조, 국방과 같은 산업은 점점 더 상호 연결된 소프트웨어 생태계에 의존하고 있으며, 여기서 숨겨진 취약점이나 악의적인 기능은 연쇄적인 작동 결과를 가질 수 있습니다.

동시에 AI 코딩 에이전트의 빠른 채택은 완전히 새로운 형태의 소프트웨어 책임성을 만들 수 있습니다. 조직은 배포된 소프트웨어가 예상대로 동작하는지 확인할 수 있는 독립적인 검증 계층을 필요로 할 수 있습니다. 코드가 생성되거나 생성된 위치와 관계없이 말입니다.

소프트웨어 개발이 점점 더 자동화됨에 따라, 컴파일된 바이너리를 검사하는 기술은 다음 세대의 AI 기반 인프라를 보호하는 기업의 방법에 중요한 부분이 될 수 있습니다.ectedRegardless of how or where the code was generated. As software development becomes increasingly automated, technologies focused on inspecting compiled binaries rather than relying solely on source code analysis may become an important part of how enterprises secure the next generation of AI-driven infrastructure.