위협 헌팅(Threat Hunting)과 가설 기반 능동 위협 탐지
1. 개요
정의: 위협 헌팅(Threat Hunting)이란 기존의 자동화된 탐지(시그니처·룰·경보)로는 걸러지지 않은 아직 경보가 울리지 않은 침해가 네트워크 내부에 이미 존재한다고 가정(Assume Breach)하고, 분석가가 가설을 세워 원격측정(Telemetry) 데이터를 능동적으로 뒤져 공격자의 흔적(TTP·아티팩트)을 찾아내는 사람 주도의 선제적·반복적 탐지 활동을 말한다.
위협 헌팅이 등장한 배경은 "탐지의 한계"와 "체류 시간(Dwell Time)"이라는 두 가지 구조적 문제에서 출발한다. SIEM·IDS·안티바이러스 같은 전통적 보안 체계는 "알려진 나쁨(Known-bad)"을 전제로 한다. 즉 이미 악성으로 판명된 해시·IP·시그니처가 있어야 경보가 울린다. 그러나 표적형 공격(APT), 파일리스(Fileless) 공격, 정상 도구를 악용하는 LotL(Living off the Land) 기법은 시그니처를 남기지 않고 정상 트래픽에 섞여 들어오므로, 자동 탐지망을 유유히 통과한다. 그 결과 침해가 발생한 뒤 이를 인지하기까지 수 주에서 수개월이 걸리는 체류 시간이 발생한다. Mandiant M-Trends 2024에 따르면 2023년 전 세계 침해의 체류 시간 중앙값은 10일로 크게 개선되었으나, 여전히 상당수 침해가 외부(제3자)에 의해 통보되어 발견된다는 점은 내부 탐지의 공백을 보여준다.
특히 LotL 기법은 위협 헌팅의 필요성을 가장 극적으로 보여준다. 공격자가 powershell.exe, wmic.exe, certutil.exe 같은 운영체제 기본 내장 도구만으로 정찰·지속성·유출을 수행하면, 이들은 모두 정상 서명된 합법 프로그램이므로 안티바이러스나 시그니처 기반 탐지가 전혀 반응하지 않는다. 결국 "이 도구가 실행되었는가"가 아니라 "이 도구가 평소와 다른 맥락에서 실행되었는가"를 판단해야 하는데, 이는 본질적으로 맥락·의도를 읽는 사람의 분석을 요구한다. 바로 이 지점이 자동 탐지와 위협 헌팅이 갈라지는 경계다.
이 공백을 메우려는 발상의 전환이 위협 헌팅이다. 전통적 탐지가 "경보가 오면 대응한다"는 수동적(Reactive) 모델이라면, 위협 헌팅은 "경보가 없어도 이미 침투했다고 보고 먼저 찾아 나선다"는 능동적(Proactive) 모델이다. 핵심 전제는 세 가지다. 첫째, 완벽한 예방은 없다 — 경계 방어는 반드시 뚫린다. 둘째, 침해는 흔적을 남긴다 — 공격자는 반드시 프로세스·네트워크·인증 로그에 비정상 패턴을 남긴다. 셋째, 사람의 직관이 필요하다 — 맥락과 의도를 읽는 판단은 자동화만으로 대체되지 않는다. 즉 위협 헌팅은 도구가 아니라 분석가의 가설 수립 능력과 조직의 가시성(Visibility)을 자원으로 삼는 운영 모델이다.
무엇이 헌팅을 촉발하는지도 명확히 해둘 필요가 있다. 헌팅은 대체로 세 가지 계기에서 시작된다. 첫째, 위협 인텔리전스 기반 — 신규 APT 캠페인·악성코드 분석 보고가 나오면 "우리도 당했는가"를 선제 조사한다. 둘째, 환경 변화 기반 — 신규 자산 도입, 대형 인수합병, 클라우드 이전처럼 공격 표면이 급변하는 시점에 베이스라인을 다시 세운다. 셋째, 직감·크라운 주얼(Crown Jewel) 기반 — 가장 중요한 자산(핵심 DB·설계도·고객정보)을 중심으로 "만약 내가 공격자라면 어디를 노릴까"를 역산해 정기적으로 점검한다. 이 세 계기를 균형 있게 운영해야 특정 위협에 편중되지 않은 포괄적 커버리지를 확보한다.
위협 헌팅은 사고 대응(IR)과도 다르다. 사고 대응은 이미 확인된 사고를 수습하는 사후 활동인 반면, 위협 헌팅은 사고가 "선언되기 전"에 잠복한 위협을 찾아내는 선제 활동이다. 성공적인 헌팅의 산출물은 단순히 한 건의 침해를 찾는 것에 그치지 않고, 그 과정에서 발견한 탐지 공백을 새로운 자동 탐지 룰(Detection Engineering)로 전환하여 다음부터는 기계가 잡도록 만드는 데 있다. 이 점에서 위협 헌팅은 SOC의 탐지 역량을 지속적으로 끌어올리는 되먹임(Feedback) 엔진으로 이해해야 한다.
2. 위협 헌팅의 전체 구조와 헌팅 루프
위협 헌팅은 즉흥적 탐색이 아니라 가설 → 데이터 조사 → 패턴 발견 → 자동화로 이어지는 반복 순환 과정이다. 아래 개념도는 입력(위협 인텔리전스·환경 이해)에서 출력(신규 탐지·대응 연계)까지의 전체 구조를 나타낸다.
flowchart TB
subgraph IN["입력(트리거)"]
TI["위협 인텔리전스(TTP)"]
BL["베이스라인/이상징후"]
NEW["신규 취약점/사건"]
end
subgraph LOOP["헌팅 루프(분석 계층)"]
HYP["1.가설 수립(Hypothesis)"]
DATA["2.데이터 조사(수집·질의)"]
TECH["3.기법 적용(스태킹·클러스터링)"]
FIND["4.패턴/침해 발견"]
end
subgraph OUT["출력(가치화)"]
DET["신규 탐지룰(Sigma/EDR)"]
IR["사고 대응(IR) 연계"]
KB["지식화(ATT&CK 커버리지)"]
end
TI --> HYP
BL --> HYP
NEW --> HYP
HYP --> DATA --> TECH --> FIND
FIND -->|"침해 확인"| IR
FIND -->|"재현 가능"| DET
FIND --> KB
KB -.->|"다음 헌팅 개선"| HYP
DET -.->|"자동화로 이관"| BL
위 구조의 출발점은 가설(Hypothesis)이다. 가설은 "무엇을, 어디서, 어떻게 찾을지"를 규정하는 헌팅의 설계도다. 좋은 가설은 검증 가능(Testable)해야 하고, 조직 환경·데이터로 뒷받침되어야 하며, 특정 공격자 행위(TTP)에 구체적으로 연결되어야 한다. 예를 들어 "공격자가 rundll32.exe를 이용해 서명되지 않은 DLL을 로드하여 방어를 우회할 것이다"는 가설은, 프로세스 생성 로그에서 rundll32의 비정상 부모-자식 관계와 네트워크 연결을 질의하는 구체적 조사로 이어질 수 있다. 반면 "우리 망에 해킹이 있을 것이다" 같은 막연한 가설은 검증이 불가능하므로 헌팅의 출발점이 될 수 없다.
가설이 서면 데이터 조사 단계로 넘어간다. 이때 가시성이 결정적이다. 아무리 좋은 가설도 관련 로그가 수집되지 않으면 검증할 수 없기 때문이다. 핵심 데이터 소스로는 엔드포인트의 프로세스 생성 로그(예: Windows Sysmon Event ID 1), 네트워크 흐름(NetFlow)·DNS 질의 로그, 인증 로그, PowerShell 스크립트 블록 로그, 클라우드 감사 로그 등이 있다. 이어 기법 적용 단계에서는 뒤에서 설명할 스태킹·클러스터링·그룹화 같은 분석 기법으로 방대한 데이터에서 이상치를 좁혀 나간다. 마지막으로 패턴 발견 단계에서 가설이 참(침해 확인)이면 사고 대응으로, 거짓이면 그 자체로 "해당 위협이 없음"을 확인한 가치 있는 결과로 기록하되, 재현 가능한 탐지 조건을 찾았다면 반드시 자동 탐지룰로 이관한다.
이 루프에서 특히 주목할 설계 원리는 되먹임(점선 화살표)이다. 지식화 결과가 다음 헌팅의 가설을 개선하고, 신규 탐지룰이 베이스라인의 "정상" 정의를 정교화한다. 즉 헌팅 루프는 한 번 돌 때마다 조직의 탐지 수준을 한 계단 높이는 누적형 선순환이다. 예를 들어 한 금융기관이 "원격 데스크톱(RDP)을 통한 비정상 횡적 이동"이라는 가설로 헌팅해 특정 점프 서버의 오용을 발견했다면, 그 조건은 즉시 자동 탐지로 코드화되고, 동시에 "RDP 정상 사용 패턴" 베이스라인이 갱신되어 다음부터는 더 미세한 편차까지 포착하게 된다. 이처럼 위협 헌팅의 산출물은 1회성 적발이 아니라 탐지 자산의 영구적 증분으로 축적되어야 한다.
3. 헌팅 유형과 Pyramid of Pain
위협 헌팅은 무엇이 헌팅을 촉발하느냐에 따라 세 가지 유형으로 나뉜다. Splunk SURGe가 2023년 제안한 PEAK 프레임워크(Prepare, Execute, Act with Knowledge)는 이 세 유형을 명시적으로 구분한다. 아래 표는 각 유형의 트리거와 특징을 정리한 것이되, 각 유형의 실무적 함의는 표 아래 문단에서 서술한다.
| 유형 | 트리거(출발점) | 대표 기법 | 적합 상황 |
|---|---|---|---|
| 가설 기반(Hypothesis-driven) | 위협 인텔리전스의 TTP | ATT&CK 매핑, IOC 확장 | 특정 공격자·캠페인 추적 |
| 베이스라인(Baseline) | "정상"의 정의와 편차 | 빈도분석, 이상탐지 | 미지의 위협, 내부자 |
| 모델 보조(M-ATH) | ML 모델의 군집·점수 | 클러스터링, 비지도학습 | 대용량·고차원 데이터 |
가설 기반 헌팅은 위협 인텔리전스에서 출발한다. 예컨대 특정 APT 그룹이 scheduled task로 지속성을 확보한다는 보고를 받으면, 헌터는 자사 환경에서 유사한 작업 스케줄러 생성 로그를 찾는다. 이 방식은 표적이 명확해 효율적이지만, 알려진 TTP에 의존하므로 완전히 새로운 공격에는 약하다. 베이스라인 헌팅은 "정상 상태"를 먼저 정의하고 그로부터의 편차를 쫓는다. 예를 들어 평소 특정 서버 계정이 업무시간에만 로그인한다는 베이스라인을 세워두면, 새벽 3시의 로그인 성공은 즉시 조사 대상이 된다. 이 방식은 알려지지 않은 위협과 내부자 위협에 강하지만, 정상의 범위가 넓은 환경에서는 오탐이 많다. 모델 보조 헌팅(M-ATH)은 머신러닝으로 수백만 건의 이벤트를 군집화해 희귀 집단을 자동으로 부각시킨 뒤, 사람이 그 군집을 해석한다. 데이터가 방대할수록 효과적이지만 모델의 설명가능성과 레이블 확보가 과제다.
헌팅의 "우선순위"를 정하는 이론적 나침반이 David Bianco가 2013년 제시한 고통의 피라미드(Pyramid of Pain)다. 이는 어떤 지표(Indicator)를 탐지·차단할 때 공격자가 느끼는 "고통(회피 비용)"의 크기를 계층으로 나타낸 모델이다. 아래 개념도는 피라미드의 계층 구조를 보여준다.
flowchart TB
TTP["TTPs(전술·기법·절차) — 고통 극대"]
TOOL["Tools(도구)"]
ART["Network/Host Artifacts(아티팩트)"]
DOM["Domain Names(도메인)"]
IP["IP Addresses(IP 주소)"]
HASH["Hash Values(해시) — 고통 미미"]
TTP --> TOOL --> ART --> DOM --> IP --> HASH
이 피라미드는 "왜 IOC 공유만으로는 부족한가"를 설명한다. 위협 인텔리전스 피드가 제공하는 악성 해시·IP 목록은 받는 즉시 낡는다. 공격자가 하루에도 수십 개의 C2 도메인을 교체하기 때문이다. 그래서 피라미드 하단에만 의존하는 조직은 늘 "어제의 공격"을 쫓는다. 반면 TTP 수준의 탐지 자산을 축적한 조직은 공격 인프라가 바뀌어도 동일한 행위 패턴을 잡아내므로, 탐지의 수명이 근본적으로 길다.
피라미드의 맨 아래 해시값은 공격자가 파일을 1비트만 바꿔도 즉시 무력화되므로 탐지해도 공격자에게 거의 고통을 주지 않는다. 그 위의 IP·도메인도 공격자가 인프라를 쉽게 교체할 수 있어 고통이 작다. 반면 꼭대기의 TTP는 공격자의 "행동 양식" 그 자체이므로, 이를 탐지당하면 공격자는 자신의 작전 방식 전체를 바꿔야 한다. 예를 들어 "정규 프로세스에 코드를 주입한다"는 기법을 조직이 안정적으로 탐지하면, 공격자는 주입 기법 자체를 포기해야 하는 큰 비용을 치른다. 따라서 성숙한 위협 헌팅은 쉽게 바뀌는 해시·IP(IOC) 추적에 머물지 않고, 잘 바뀌지 않는 TTP 중심(IOA, Indicator of Attack) 탐지로 올라가야 한다. 이때 MITRE ATT&CK 매트릭스가 TTP를 체계적으로 분류·매핑하는 공통 언어 역할을 한다.
4. 핵심 분석 기법과 헌팅 성숙도 모델
헌터가 테라바이트급 로그에서 소수의 악성 흔적을 찾아내는 데는 몇 가지 정형화된 데이터 분석 기법이 쓰인다. 검색(Searching)은 특정 조건에 맞는 아티팩트를 질의하는 가장 기본적 기법이다. 스태킹(Stacking, 빈도 분석)은 특정 속성값의 출현 빈도를 집계해 "가장 드문 것(Least Frequency of Occurrence)"을 찾는 방법으로, 예컨대 전사 1만 대 PC 중 단 2대에서만 실행된 희귀 서비스는 강한 조사 후보가 된다. 그룹화(Grouping)는 여러 약한 지표가 특정 시간·호스트에 동시 등장하는지를 묶어 보고, 클러스터링(Clustering)은 통계·ML로 유사 행위를 자동 군집화한다. 이들 기법의 공통 전략은 "정상의 바다에서 통계적으로 튀는 소수"를 좁혀 분석가의 검토 범위로 끌어내리는 것이다.
이들 기법을 구체적 사례로 살펴보면 이해가 쉽다. 가령 C2(명령제어) 통신을 찾는 베이스라인 헌팅에서, 정상 사용자의 웹 접속은 요청 간격이 불규칙하고 세션 길이가 제각각인 반면, 악성코드의 비컨(Beaconing)은 "60초마다 ±2초 오차로 동일 크기 패킷을 외부로 전송"하는 식의 기계적 규칙성을 보인다. 이 미세한 규칙성(낮은 지터·일정한 바이트 수)을 통계적으로 스태킹하면 수백만 건의 정상 트래픽 속에서 소수의 비컨 후보를 가려낼 수 있다. 또 다른 예로, 전사 1만 대 단말에서 특정 서비스 바이너리의 해시를 집계했을 때 9,998대가 동일 해시이고 2대만 다른 해시라면, 그 2대는 정상 업데이트일 수도 있으나 공급망 변조나 백도어일 수도 있으므로 반드시 조사 대상이 된다. 이처럼 "희소성"과 "비정상적 규칙성"은 헌터가 가장 신뢰하는 두 가지 단서다.
조직의 위협 헌팅 역량이 어느 수준인지는 역시 David Bianco의 헌팅 성숙도 모델(HMM, Hunting Maturity Model)로 가늠한다. 아래 표는 HMM0~HMM4의 단계별 특징을 요약한 것이되, 단계 상승의 실무적 조건은 표 아래에서 설명한다.
| 단계 | 명칭 | 데이터 수집 | 헌팅 방식 |
|---|---|---|---|
| HMM0 | Initial | 거의 없음 | 자동 경보에만 의존 |
| HMM1 | Minimal | 일부 | IOC 기반 검색 |
| HMM2 | Procedural | 많음 | 타인이 만든 절차 적용 |
| HMM3 | Innovative | 많음 | 자체 신규 분석 절차 창안 |
| HMM4 | Leading | 많음 | 성공 헌팅의 전면 자동화 |
HMM0~HMM1 조직은 사실상 경보 대응 수준이며, 진정한 헌팅은 HMM2부터 시작된다. 주목할 점은 최고 단계인 HMM4의 본질이 "자동화"라는 사실이다. 즉 성숙한 조직은 사람이 발견한 헌팅 성과를 수작업으로 반복하지 않고 즉시 자동 탐지로 전환하여, 사람의 창의력을 늘 "새로운 미지의 위협"에 투입한다. 이는 위협 헌팅과 탐지 엔지니어링(Detection Engineering)이 분리된 활동이 아니라 하나의 선순환이라는 점을 보여준다. 성공한 헌팅은 Sigma 룰이나 EDR 탐지 로직으로 코드화되고, 그 자동 탐지는 다시 베이스라인 헌팅의 "정상" 기준을 정교화하는 데 기여한다.
5. 유사 개념과의 비교
위협 헌팅은 침투 테스트·레드팀·BAS·IR 등 인접 보안 활동과 자주 혼동되지만, 관점과 산출물이 분명히 다르다. 핵심 차이는 "공격자 역할을 하느냐, 방어자 관점에서 숨은 침해를 찾느냐"에 있다. 아래 표는 그 차이를 정리한 것이되, 차이가 생기는 이유는 표 아래 문단에서 서술한다.
| 활동 | 관점 | 목적 | 주요 산출물 |
|---|---|---|---|
| 위협 헌팅 | 방어자(능동) | 잠복 침해 선제 발견 | 신규 탐지룰, 침해 보고 |
| 침투 테스트 | 공격자(단발) | 취약점 악용 가능성 입증 | 취약점·침투 경로 |
| 레드팀 | 공격자(지속) | 탐지·대응 역량 시험 | 탐지 공백 평가 |
| BAS | 공격자(자동) | 통제 유효성 지속 검증 | 통제 갭 리포트 |
| 사고 대응(IR) | 방어자(사후) | 확인된 사고 수습 | 복구·근절 보고 |
이러한 구분이 실무에서 왜 중요한지는 예산·인력 배분에서 드러난다. 조직이 "보안 점검"을 외주로 침투 테스트만 반복하면, 취약점 목록은 쌓이지만 "이미 들어온 공격자"는 영영 발견하지 못한다. 반대로 위협 헌팅만 하고 공격자 관점 검증을 하지 않으면, 자사 탐지 체계의 맹점을 체계적으로 파악하지 못해 헌팅 가설이 편향된다. 따라서 성숙한 보안 조직은 네 활동을 상호 보완적으로 조합한다.
침투 테스트와 레드팀은 공격자 역할을 수행해 방어 체계를 능동적으로 두드리는 활동이다. 침투 테스트는 "이 취약점이 실제로 악용 가능한가"를 입증하는 단발성 프로젝트이고, 레드팀은 더 넓게 조직의 탐지·대응 능력 전체를 장기간 시험한다. 반면 위협 헌팅은 공격을 수행하지 않고, 이미 들어와 있을지 모르는 공격자의 흔적을 방어자 관점에서 찾는다. BAS(침해·공격 시뮬레이션)는 알려진 TTP를 자동 재현해 통제의 작동을 검증한다는 점에서 레드팀의 자동화 버전에 가깝다. 이들 "공격자 관점" 활동이 방어 체계의 구멍을 드러내는 것이 목적이라면, 위협 헌팅은 그 구멍으로 이미 들어온 침입자를 찾는 활동이라는 점에서 상호 보완적이다. 실무에서는 레드팀이 찾은 탐지 공백을 헌터가 가설로 삼아 헌팅하고, 그 결과를 BAS로 지속 검증하는 식으로 세 활동이 하나의 검증 생태계를 이룬다.
6. 심화 — PEAK 프레임워크와 탐지 엔지니어링으로의 수렴
최근 위협 헌팅 분야의 가장 뚜렷한 변화는 "애드혹(ad-hoc) 헌팅의 공정화·지식화"다. 과거 헌팅은 숙련 분석가의 암묵지에 의존해 재현성이 낮고 성과 측정이 어려웠다. 이를 극복하고자 Splunk SURGe의 David Bianco·Ryan Fetterman은 2023년 PEAK 프레임워크를 발표했다. PEAK는 Prepare(준비: 주제 선정·조사·범위 설정) → Execute(실행: 데이터 조사와 가설 검증) → Act with Knowledge(지식화: 발견의 자동 탐지화·문서화·공유)의 세 단계로 헌팅을 반복 가능한 공정으로 만든다. 특히 마지막 "지식화" 단계는 모든 헌팅이 그 결과와 무관하게(침해를 찾았든 못 찾았든) 반드시 조직의 자산—신규 탐지룰, ATT&CK 커버리지 지도, 베이스라인 갱신—을 남기도록 강제한다는 점에서 중요하다.
PEAK는 또한 헌팅을 측정 가능한 활동으로 바꾼다. 준비 단계에서 헌트의 범위·데이터 소스·검증할 ATT&CK 기법을 명시하고, 실행 단계에서 소요 시간·질의 결과를 기록하며, 지식화 단계에서 신규 탐지 수·커버리지 증가를 집계한다. 이 데이터가 쌓이면 "어느 전술(Tactic)에 탐지 공백이 많은지", "어떤 가설이 높은 적중률을 보이는지"를 통계적으로 파악할 수 있어, 다음 분기의 헌팅 투자 우선순위를 근거 기반으로 정할 수 있다. 즉 프레임워크의 도입은 헌팅을 장인의 예술에서 관리 가능한 공학으로 끌어올리는 전환점이다.
또 하나의 흐름은 위협 헌팅과 탐지 엔지니어링(Detection Engineering)의 결합, 그리고 생성형 AI의 도입이다. 헌터가 수립한 가설과 발견은 Sigma(플랫폼 중립적 탐지 규칙 표준)로 코드화되어 여러 SIEM·EDR에 배포되며, 이 과정이 CI/CD처럼 버전 관리·테스트되는 "탐지 as 코드(Detection-as-Code)"로 발전하고 있다. 2024년 이후에는 LLM을 활용해 자연어 가설을 질의문(예: SPL·KQL)으로 변환하거나, 방대한 로그에서 의심 패턴을 요약·우선순위화하는 AI 보조 헌팅이 빠르게 확산되고 있다. 다만 LLM의 환각(Hallucination)과 데이터 유출 위험 때문에, AI는 분석가의 판단을 대체하는 것이 아니라 가설 생성과 데이터 요약을 증강하는 보조 도구로 자리매김하고 있다. 아울러 Gartner가 제시한 CTEM(지속적 위협 노출 관리) 패러다임 안에서 위협 헌팅은 "검증(Validation)"과 "가시성 확보"를 담당하는 핵심 구성요소로 재배치되는 추세다.
7. 고려사항 및 시사점
기술사 관점에서 위협 헌팅 도입을 설계할 때는 다음과 같은 전략적 고려가 필요하다.
가시성(데이터) 선행 투자가 성패를 가른다: 위협 헌팅은 "있는 로그로 할 수 있는 만큼"만 가능하다. EDR·Sysmon·클라우드 감사 로그 등 양질의 원격측정이 선행되지 않으면 어떤 가설도 검증할 수 없으므로, 헌팅 프로그램 착수 전에 로그 소스의 범위·보존 기간·정규화(스키마 표준화) 투자를 우선해야 한다. 데이터 저장 비용과 탐지 범위 사이의 트레이드오프를 명시적으로 설계한다.
성과 지표를 "침해 건수"가 아닌 "역량 향상"으로 정의: 헌팅은 침해를 못 찾아도 "위협이 없음"을 확인한 성공일 수 있다. 따라서 KPI는 적발 건수가 아니라 ▲검증한 가설 수 ▲신규 생성한 탐지룰 수 ▲ATT&CK 매트릭스 커버리지 증가율 ▲체류 시간 단축으로 설정해야 운영이 왜곡되지 않는다. 지표 설계를 그르치면 헌터가 "쉬운 적발"에만 매달리게 된다.
자동화와 인적 전문성의 균형: 반복 가능한 헌팅은 신속히 자동 탐지로 이관(HMM4)해 사람의 시간을 미지의 위협에 재투자해야 한다. 그러나 맥락·의도 판단은 여전히 사람의 몫이므로, AI·자동화에 과의존하면 새로운 공격 양식을 놓친다. 자동화로 걸러낸 뒤 사람이 심층 분석하는 계층적 역할 분담이 바람직하다.
조직·프로세스 정착과 프레임워크 채택: 위협 헌팅은 일회성 이벤트가 아니라 지속 프로그램이어야 한다. PEAK·TaHiTI 같은 공정 프레임워크와 MITRE ATT&CK 공통 언어를 채택해 재현성과 인수인계 가능성을 확보하고, 레드팀·BAS·IR·CTEM과의 연계 프로세스를 제도화해야 한다. 중소 조직은 MDR(관리형 탐지·대응) 외주로 역량을 보완하되, 자사 환경 지식은 내부에 축적하는 하이브리드 전략이 현실적이다.
법적·윤리적 경계와 프라이버시 균형: 위협 헌팅은 임직원의 단말·네트워크·인증 활동을 광범위하게 들여다보므로, 과도한 모니터링은 개인정보 보호·근로자 감시 규제와 충돌할 수 있다. 데이터 수집 범위를 보안 목적에 비례하도록 최소화하고, 로그 접근 권한을 분리·감사하며, 개인정보 영향평가(PIA)와 사내 규정을 통해 정당성을 확보해야 한다. "보안을 위해 무엇이든 수집한다"는 접근은 또 다른 내부 위협이 될 수 있다는 점에서, 가시성 확대와 프라이버시 보호 사이의 균형 설계가 기술사 수준의 핵심 과제다.
참고자료
- Splunk SURGe, "Introducing the PEAK Threat Hunting Framework" — https://www.splunk.com/en_us/blog/security/peak-threat-hunting-framework.html
- David J. Bianco, "The Pyramid of Pain" / "A Simple Hunting Maturity Model" — https://detect-respond.blogspot.com/2013/03/the-pyramid-of-pain.html
- MITRE ATT&CK — https://attack.mitre.org/
- Google Cloud(Mandiant), "M-Trends 2024" — https://cloud.google.com/blog/topics/threat-intelligence/m-trends-2024
한 줄 요약: 위협 헌팅은 "이미 뚫렸다"는 전제 아래 분석가가 가설을 세워 잠복 침해를 선제적으로 찾아내고, 그 성과를 TTP 중심의 자동 탐지로 전환해 SOC 역량을 지속 향상시키는 능동적·반복적 방어 운영 모델이다.