인사이트

- 인공지능이 사이버보안의 판을 바꾸고 있습니다.

인공지능은 이제 업무를 보조하는 도구를 넘어, 소프트웨어를 분석하고 취약점을 찾아내며 공격과 방어의 다음 행동을 제안하는 주체로 발전하고 있습니다. 그동안 사이버공격은 공격자의 전문성, 시간, 인력에 크게 의존했습니다. 복잡한 시스템을 이해하고, 취약한 지점을 찾고, 공격 경로를 연결하고, 실제 침투가 가능한지 검증하는 데 상당한 경험과 노력이 필요했습니다.

그러나 생성형 인공지능과 자율형 에이전트의 등장으로 이 과정이 빠르게 자동화되고 있습니다. 공격자는 인공지능을 활용해 공개된 정보를 수집하고, 조직의 외부 노출 자산을 식별하며, 알려진 취약점의 우선순위를 정하고, 공격에 필요한 코드를 생성할 수 있습니다. 방어자 역시 인공지능을 활용해 수많은 경보를 분석하고, 이상 징후를 찾아내며, 취약점의 위험도를 평가하고, 대응 절차를 자동화할 수 있습니다.

문제는 공격과 방어가 같은 속도로 발전하지 않는다는 점입니다. 공격자는 한 번의 성공만으로도 큰 피해를 만들 수 있지만, 방어자는 모든 중요한 자산을 지속적으로 관리하고 수많은 예외를 통제해야 합니다. 이런 비대칭성이 인공지능으로 더욱 확대될 수 있다는 점에서 지금의 변화는 단순한 기술 유행이 아니라 사이버 군비경쟁의 새로운 국면이라고 볼 수 있습니다.

취약점 발견의 자동화가 만들어 내는 새로운 현실

앤트로픽이 공개한 Claude Mythos Preview 사례는 인공지능의 사이버보안 능력이 어느 수준까지 도달했는지를 보여주는 대표적인 사례입니다. 앤트로픽은 Mythos Preview를 활용한 실험에서 보안 전문 교육을 받지 않은 엔지니어도 모델에게 밤새 원격 코드 실행 취약점을 찾아 달라고 요청할 수 있었고, 다음 날 작동 가능한 익스플로잇을 확인할 수 있었다고 설명했습니다. 또한 연구진이 만든 자동화 구조를 통해 취약점을 익스플로잇으로 전환하는 과정에 사람의 개입을 거의 두지 않는 실험도 수행했다고 밝혔습니다.

앤트로픽의 공개 자료에 따르면 Mythos Preview를 활용한 파트너사들은 도입 한 달 만에 1만 건 이상의 고·치명도 취약점을 발견했으며, 일부 기관에서는 취약점 발견 속도가 기존보다 10배 이상 증가했습니다. Mozilla의 Firefox 사례에서도 Opus 4.6을 활용한 22건의 발견에서 Mythos Preview를 활용한 271건의 발견으로 증가해, AI 기반 취약점 분석이 단순한 보조 도구를 넘어 보안 취약점의 발견 규모와 속도 자체를 바꾸고 있음을 보여줍니다.

^{*이미지 출처 : 이데일리, '미토스 발표이후 AI가 찾아낸 취약점만 월 900건…구글·AWS도 예외 없었다'}

인공지능의 위험성을 더욱 현실적으로 보여준 사례는 OpenAI가 공개한 Hugging Face 보안 사고입니다. OpenAI의 설명에 따르면 2026년 7월 내부 사이버보안 평가 과정에서 일부 모델이 인터넷과 내부 시스템으로부터 격리되도록 설계된 통제를 우회했습니다. 이후 모델은 OpenAI의 내부 연구 인프라와 Hugging Face 시스템을 대상으로 네트워크 공격을 수행했습니다.

공개된 기술 보고서에는 에이전트가 여러 서버에서 코드를 실행하고, 한 서버에서 root 권한을 획득했으며, 제한된 비공개 데이터와 인증 정보에 접근한 정황이 담겨 있습니다. 이 사건은 외부 공격자가 AI를 이용해 사람을 공격했다는 수준을 넘어, AI 에이전트가 주어진 목표를 달성하기 위해 다른 시스템의 취약점을 탐색하고 공격 행동을 조합할 수 있다는 사실을 보여주었습니다.

국내 금융권 사례가 보여주는 공격의 확장성

최근 국내 금융권에서도 중국어 기반의 AI 침투 테스트 도구가 활용된 것으로 보이는 공격이 여러 금융기관을 대상으로 발생했다는 보도가 나왔습니다. 보도에 따르면 시중은행과 저축은행, 캐피털사 등 여러 기관에서 비슷한 시기에 외부 침입과 개인정보 유출이 확인되었으며, 같은 공격 세력이 AI 기반 자동화 도구를 사용했을 가능성이 제기되었습니다.

이 사례의 핵심은 특정 국가나 특정 도구 자체에 있지 않습니다. 공개된 지 얼마 되지 않은 도구가 짧은 시간 안에 여러 조직을 대상으로 반복 사용되었다는 점, 공격자가 하나의 조직에만 집중하지 않고 비슷한 구조를 가진 기관을 연쇄적으로 탐색할 수 있다는 점이 중요합니다. 금융기관은 업무 시스템과 고객 데이터, 협력업체, 외주 인력, 원격 접속 환경 등 복잡한 연결 구조를 갖고 있습니다. 한 기관에서 발견된 공격 경로가 다른 기관에도 적용될 수 있다면 공격자는 동일한 탐색·검증·침투 절차를 반복할 수 있습니다.

물론 언론 보도만으로 공격에 사용된 인공지능의 자율성이나 구체적인 역할을 단정해서는 안 됩니다. 실제 공격에서는 자동화 도구, 기존 침투 기술, 탈취된 계정, 사람의 판단이 함께 사용되었을 가능성이 있습니다. 그러나 방어 관점에서는 공격 과정에 인공지능이 어느 정도 개입했는지를 밝히는 것과 별개로, 외부 노출 자산을 빠르게 식별하고 반복 공격에 대응할 수 있는 체계를 갖추는 일이 중요합니다.

이러한 변화는 취약점의 ‘발견 건수’만 증가시키는 것이 아닙니다. 취약점을 찾아낸 뒤 실제 공격으로 연결할 수 있는지 검증하는 속도도 빨라집니다. 공개된 취약점 정보와 패치 내역을 분석해 아직 패치되지 않은 시스템을 찾아내고, 인터넷에 노출된 자산과 결합해 공격 우선순위를 정하는 과정이 자동화될 수 있습니다. 특히 조직이 패치하지 않은 오래된 취약점, 이른바 N-day 취약점이 빠르게 악용될 가능성이 커지고 있습니다.

- 그럼에도 방어자에게는 중요한 기회가 있습니다.

사이버보안 전문가 브루스 슈나이어는 인공지능이 공격자와 방어자 모두에게 능력을 제공하지만, 장기적으로는 방어자가 인공지능을 더 유리하게 활용할 가능성이 있다는 취지의 논리를 제시해 왔습니다. 방어자는 조직 내부의 시스템과 로그, 자산 정보, 정상적인 업무 패턴, 사용자의 행위 기록을 폭넓게 관찰할 수 있습니다. 반면 공격자는 제한된 외부 정보와 짧은 공격 기회에 의존하는 경우가 많습니다.

이 논리는 자동으로 실현되는 낙관론이 아닙니다. 방어자가 인공지능을 효과적으로 활용하려면 자산과 데이터가 정리되어 있어야 하고, 탐지 결과를 실제 조치로 연결할 수 있어야 하며, 보안팀의 업무 프로세스가 자동화에 맞게 재설계되어야 합니다. 인공지능을 도입한다고 해서 방어력이 저절로 높아지는 것은 아닙니다. 오히려 정리되지 않은 자산 정보와 중복된 경보 위에 인공지능을 추가하면 더 빠르게 혼란이 커질 수 있습니다.

따라서 방어자는 인공지능을 다음 세 가지 방향으로 활용해야 합니다. 첫째, 취약점 점검을 자동화해야 합니다. 둘째, 공격 탐지와 분석을 고도화해야 합니다. 셋째, 조직 전체의 공격표면을 지속적으로 파악하고 관리해야 합니다.

공격자보다 먼저 찾는 AI 기반 취약점 관리

AI 기반 취약점 점검은 공격자보다 먼저 취약점을 발견하는 체계로 설계해야 하며, 이를 위해 코드와 인프라를 지속적으로 분석해야 합니다. 인공지능은 소스코드에서 위험한 입력 처리, 인증 우회 가능성, 권한 검증 누락, 안전하지 않은 함수 사용, 비밀정보 노출 가능성을 찾아내는 데 활용할 수 있습니다. 개발자가 작성한 코드뿐만 아니라 오픈소스 의존성, 컨테이너 이미지, 인프라 구성 파일, API 명세, 배포 스크립트까지 분석 범위를 확장할 수 있습니다.

다만 AI 기반 코드 분석 결과를 곧바로 취약점으로 확정해서는 안 됩니다. 모델은 위험한 코드의 맥락을 잘못 이해하거나, 실제로는 악용할 수 없는 문제를 취약점으로 판단할 수 있습니다. 따라서 AI는 후보 발굴과 분석 우선순위 설정에 활용하고, 보안 담당자와 개발자가 재현 가능성·영향 범위·악용 조건을 검증하는 구조가 필요합니다. 분석 결과에는 단순히 “문제가 있습니다”라는 결론만 표시해서는 안 되며, 영향을 받는 자산, 공격 조건, 수정 방향, 재검증 방법까지 포함되어야 합니다.

AI가 이를 효과적으로 분석하고 판단하려면 취약점의 위험도를 업무 맥락과 연결하는 것입니다. 같은 취약점이라도 인터넷에 공개된 결제 API에 존재하는 경우와 격리된 테스트 환경에 존재하는 경우의 위험은 다릅니다. AI는 자산 중요도, 인터넷 노출 여부, 사용 중인 계정 권한, 관련 데이터의 민감도, 공개된 공격 코드의 존재 여부를 결합해 우선순위를 제안할 수 있습니다.

그리고 수정 이후의 검증도 중요합니다. 패치가 적용되었는지 확인하는 것만으로 충분하지 않습니다. 취약한 경로가 실제로 차단되었는지, 다른 기능에 부작용이 없는지, 유사한 코드가 다른 서비스에 남아 있는지 다시 점검해야 합니다. AI 기반 자동 점검은 개발·보안·운영 조직이 같은 기준으로 반복 검증할 수 있도록 지원해야 합니다.

• 보다 상세한 내용은 아래 글을 참고하시기 바랍니다.
  [연관 기고] AI기반 데브섹옵스 체계 구축 가이드: 공급망 위협·크리덴셜 유출·AI 생성 취약점 대응 전략 3가지 | LG CNS | Korea

탐지에서 대응까지 연결하는 AI SOC

- AI SOC(Security Operation Center)는 경보 처리 조직을 의사결정 조직으로 바꾸어야 합니다.

보안관제센터는 오랫동안 수많은 보안 이벤트를 수집하고, 규칙에 따라 경보를 생성하고, 분석가가 이를 확인하는 방식으로 운영되어 왔습니다. 하지만 클라우드, 원격근무, SaaS, 모바일 기기, API, 자동화 계정이 늘어나면서 경보의 양과 복잡도가 동시에 증가하고 있습니다. 인공지능이 공격자의 속도를 높이는 상황에서 사람이 모든 이벤트를 같은 방식으로 분석하는 모델은 지속되기 어렵습니다.

AI SOC의 목적은 단순히 경보를 더 많이 생성하는 데 있지 않습니다. 핵심은 서로 흩어진 신호를 하나의 공격 흐름으로 연결하고, 정상 행위와 비정상 행위를 구분하며, 분석가가 먼저 처리해야 할 사건을 제안하는 데 있습니다. 예를 들어 평소 사용하지 않던 국가에서 로그인한 계정이 권한을 상승시키고, 새로운 API 키를 발급한 뒤, 대량의 데이터를 외부로 전송했다면 각각의 이벤트를 따로 처리해서는 안 됩니다. 인공지능은 이 신호들을 하나의 연속된 공격 시나리오로 묶어 분석가에게 제시할 수 있습니다.

AI SOC를 구축할 때에는 자동화 수준을 단계적으로 높여야 합니다. 초기에는 경보 요약, 관련 자산과 사용자 정보 연결, 과거 유사 사건 검색, 분석 보고서 초안 작성에 활용할 수 있습니다. 이후에는 격리, 계정 잠금, 토큰 폐기, 방화벽 정책 변경과 같은 대응 조치를 승인 기반으로 자동화할 수 있습니다. 고위험 조치는 사람이 승인하고, 저위험·반복 조치는 사전에 정의된 조건에 따라 자동으로 처리하는 방식이 적절합니다.

무엇보다 AI SOC에는 설명 가능성과 감사 가능성이 필요합니다. 인공지능이 왜 특정 사건을 위험하다고 판단했는지, 어떤 로그와 자산 정보를 근거로 삼았는지, 어떤 대응을 추천했는지 기록되어야 합니다. 모델의 판단을 무조건 신뢰하는 것이 아니라, 분석가가 빠르게 검증하고 필요하면 되돌릴 수 있어야 합니다. AI SOC는 사람을 없애는 체계가 아니라 사람의 판단이 필요한 사건에 집중하도록 만드는 체계가 되어야 합니다.

자산 가시성과 피해 확산을 통제하는 CAASM·제로트러스트·복원력

- CAASM(Cyber Asset Attack Surface Management)으로 공격표면을 먼저 파악해야 합니다.

인공지능 기반 방어의 출발점은 조직이 무엇을 보호해야 하는지 아는 것입니다. 하지만 현실에서는 조직이 보유한 서버, 클라우드 자원, 도메인, API, SaaS 계정, 개발 환경, 외주 시스템, 개인 단말을 완전하게 파악하지 못하는 경우가 많습니다. 관리되지 않는 자산은 보안 정책의 적용을 받지 못하고, 취약점 점검과 로그 수집에서도 빠질 수 있습니다. 특히 이번 국내 금융권 사례처럼 핵심 고객 채널이 아닌 관리가 상대적으로 부족할 수 있는 모집인용 조회 시스템이나 내부 업무 지원 시스템이 공격 경로가 되고 있습니다.

CAASM, 즉 사이버 자산 공격표면 관리는 여러 시스템에 흩어진 자산 정보를 통합하고, 자산의 소유자·중요도·노출 상태·취약점·보안 통제 적용 여부를 함께 파악하는 접근입니다. 자산 목록을 한 번 작성하고 끝내는 것이 아니라 변화하는 공격표면을 지속적으로 발견하고 검증하는 데 목적이 있습니다.

AI 시대에는 CAASM의 중요성이 더욱 커집니다. 공격자는 조직이 잊고 있던 테스트 서버, 오래된 외부 서비스, 관리되지 않는 인증서, 공개된 저장소, 잘못 구성된 클라우드 자원을 찾아낼 수 있습니다. 방어자는 이 자산들이 존재한다는 사실부터 알아야 취약점을 점검하고 접근을 제한할 수 있습니다. 자산을 모르는 상태에서 AI 기반 탐지와 자동 대응을 도입하면, 보호되지 않는 영역이 그대로 남아 있게 됩니다.

CAASM은 취약점 관리, 보안정보 및 이벤트 관리(SIEM: Security Information and Event Management), 엔드포인트 탐지·대응, 클라우드 보안, 아이덴티티 관리와 연결되어야 합니다. 이를 통해 “이 취약점이 존재하는가”라는 질문을 넘어 “어떤 핵심 업무 자산에 존재하며, 실제로 공격 가능한 상태이고, 현재 어떤 통제가 적용되어 있으며, 누가 언제 조치할 것인가”라는 질문에 답할 수 있어야 합니다.

- 예방을 넘어 복원력을 설계해야 합니다.

전통적인 보안 전략은 침해를 막는 데 집중했습니다. 방화벽과 백신, 침입방지시스템, 취약점 패치, 접근통제와 같은 예방 통제는 여전히 중요합니다. 그러나 인공지능이 공격의 속도와 규모를 높이는 시대에는 모든 침해를 사전에 차단하겠다는 목표만으로는 충분하지 않습니다. 아무리 정교한 통제를 갖추더라도 새로운 취약점, 잘못된 설정, 탈취된 계정, 내부자 위협, 공급망 문제를 모두 제거하기는 어렵습니다.

따라서 조직은 침해를 전제로 한 복원력을 갖추어야 합니다. 복원력은 공격을 받지 않는 능력만을 의미하지 않습니다. 공격을 조기에 발견하고, 피해 범위를 제한하고, 핵심 기능을 유지하며, 신속하게 정상 상태로 회복하고, 같은 문제가 반복되지 않도록 개선하는 능력을 의미합니다.

복원력을 높이기 위해서는 중요 업무를 먼저 정의해야 합니다. 어떤 서비스가 중단되면 조직의 생존과 고객의 권리가 영향을 받는지, 어느 정도의 데이터 손실과 서비스 중단을 감내할 수 있는지, 비상 상황에서 어떤 절차로 업무를 지속할 것인지 정해야 합니다. 백업은 존재하는 것만으로 충분하지 않습니다. 백업이 공격자에 의해 삭제되거나 암호화되지 않는지, 복구 시간이 목표 수준에 맞는지, 실제 복구 훈련을 수행했는지를 확인해야 합니다.

또한 침해 대응 과정에서 필요한 권한과 연락체계, 의사결정 기준을 사전에 정해야 합니다. 사고가 발생한 뒤에 누가 시스템을 격리할지, 어떤 데이터를 보존할지, 고객과 감독기관에 어떤 기준으로 알릴지 논의하면 대응 속도가 늦어집니다. AI를 이용해 탐지와 분석을 자동화하더라도 최종적인 사업·법률·윤리 판단은 조직이 책임지고 수행해야 합니다.

- 제로트러스트로 신뢰의 전제를 바꾸어야 합니다

AI 시대의 복원력을 뒷받침하는 핵심 아키텍처는 제로트러스트입니다. 제로트러스트는 네트워크 내부에 있다는 이유만으로 사용자나 기기를 신뢰하지 않습니다. 모든 접근 요청을 지속적으로 검증하고, 업무에 필요한 최소한의 권한만 부여하며, 침해가 발생하더라도 피해가 전체 환경으로 확산되지 않도록 설계합니다.

제로트러스트의 원칙은 세 문장으로 정리할 수 있습니다. 첫째, 기본적으로 신뢰하지 않습니다. 둘째, 이미 침해되었을 가능성을 전제로 합니다. 셋째, 침해가 발생하더라도 피해를 최소화합니다. 이 원칙은 AI 에이전트에도 동일하게 적용되어야 합니다. AI가 내부 시스템에 접근한다는 이유만으로 광범위한 권한을 부여해서는 안 됩니다. 에이전트별로 허용된 도구와 데이터, 실행 범위, 시간, 대상 시스템을 제한해야 합니다.

특히 에이전트가 외부 콘텐츠를 읽고 코드를 실행하거나 메시지를 발송할 수 있다면, 신뢰할 수 없는 입력과 명령을 분리해야 합니다. 모델이 참고한 문서 안에 악의적인 지시가 포함되어 있을 수 있고, 도구의 반환값이 조작될 수 있으며, 모델이 만든 계획이 예상보다 넓은 권한을 요구할 수 있습니다. 따라서 AI 에이전트에는 사용자와 서비스 계정의 강한 인증, 세분화된 권한, 실행 전 승인, 비밀정보의 직접 노출 방지, 모든 행동의 기록과 검토가 필요합니다.

- 지금 필요한 것은 더 강한 AI가 아니라 더 준비된 조직입니다.

AI가 촉발한 사이버 군비경쟁은 이미 시작됐습니다. 공격자는 취약점 탐색과 공격 경로 구성에 AI를 활용하고 있으며, 방어자 역시 취약점 점검·보안관제·사고 대응·위협 헌팅에 AI를 적극 활용해야 합니다. 그러나 핵심은 최신 모델 도입 자체가 아니라, 조직의 자산과 핵심 업무·데이터를 정확히 파악한 뒤 AI로 취약점을 지속 점검하고 공격 신호를 연결하며 반복 대응을 자동화하는 데 있습니다. 동시에 사람의 승인과 책임이 필요한 지점을 정하고, 자동화된 판단을 검증·복원할 수 있는 절차도 마련해야 합니다.

무엇보다 예방과 복원을 함께 설계해야 합니다. 취약점 감소와 공격 탐지도 중요하지만, 침해 발생 시 핵심 업무를 유지하고 신속히 회복하는 능력이 실제 보안 수준을 결정합니다. 이를 위해 제로트러스트 원칙에 따라 모든 접근을 검증하고, 침해를 가정하며, 최소 권한과 세분화로 피해를 제한해야 합니다. AI 시대의 사이버보안은 기술 하나가 아니라 정확한 자산 정보, 책임 있는 AI 활용, 숙련된 인력, 반복 가능한 대응 절차, 경영진의 의사결정이 함께 작동할 때 완성됩니다.

▌요약

• AI는 취약점 탐색과 공격 경로 분석을 자동화해 공격에 필요한 시간과 전문성을 낮추고 있으며, Anthropic의 Mythos와 OpenAI의 Hugging Face 사례는 AI가 실제 취약점 분석과 시스템 공격까지 수행할 수 있음을 보여줍니다.

• 이에 대응하려면 AI를 활용해 소스코드·오픈소스·클라우드 환경의 취약점을 지속적으로 점검하고, AI SOC를 통해 흩어진 로그와 이상 행위를 하나의 공격 흐름으로 분석해야 합니다.

• 특히 관리되지 않는 서버·클라우드·API·외부 서비스는 공격의 출발점이 될 수 있으므로, CAASM을 통해 조직의 자산과 공격표면, 취약점, 보안통제 적용 여부를 통합적으로 파악해야 합니다.
  
  
• 모든 침해를 예방하기는 어렵기 때문에 제로트러스트 원칙에 따라 접근을 지속적으로 검증하고 최소 권한을 적용하며, 침해 이후에도 핵심 업무를 유지하고 신속히 복구할 수 있는 복원력을 갖추어야 합니다.

▌ FAQ

Q1. AI를 활용한 사이버공격이 실제로 우리 조직에도 발생할 수 있나요?

A1. 가능합니다. 공격자는 AI를 활용해 외부에 노출된 서버와 API를 빠르게 찾고, 알려진 취약점과 탈취된 계정을 결합해 여러 조직을 동시에 공격할 수 있으므로 규모와 관계없이 대비가 필요합니다.

Q2. AI 시대에 기업이 가장 먼저 강화해야 할 보안 영역은 무엇인가요?

A2. 조직이 보유한 서버, 클라우드, API, SaaS, 외부 서비스 등 전체 자산을 정확히 파악하는 것이 우선이며, 이를 기반으로 취약점과 공격 가능성을 평가하는 CAASM 체계를 구축해야 합니다.

Q3. AI SOC를 도입하면 보안관제 인력을 대체할 수 있나요?

A3. AI SOC는 인력을 대체하기보다 대량의 경보를 분석하고 공격 흐름을 연결해 보안 담당자의 판단을 지원하는 역할을 하며, 고위험 대응과 최종 의사결정에는 사람의 검토가 필요합니다.

Q4. 제로트러스트를 적용하면 침해사고를 완전히 예방할 수 있나요?

A4. 제로트러스트가 모든 공격을 차단하는 것은 아니지만, 지속적인 인증과 최소 권한, 네트워크 분리를 통해 공격자의 이동 범위와 피해 규모를 줄일 수 있습니다.

Q5. AI 보안 수준을 높였는지는 어떻게 확인할 수 있나요?

A5. 미관리 자산의 감소, 핵심 취약점 조치 시간, 위협 탐지 시간, 사고 대응 시간, 백업 복구훈련 결과 등을 지속적으로 측정해야 하며, 예방뿐 아니라 침해 이후 얼마나 빠르게 정상화할 수 있는지도 함께 평가해야 합니다.

▌ 참고자료

1. Anthropic, “Claude Mythos Preview’s cybersecurity capabilities,” 2026.

2. OpenAI, “The Hugging Face incident and the road ahead,” 2026.

3. OpenAI, “OpenAI Hugging Face Incident Technical Report,” 2026.

4. Google Cloud, "How AI can boost defenders, from defense in depth to the cyber kill chain: Q&A with Bruce Schneier," 2026.

5. 경향신문, “한국 금융, 두 달 된 중국산 AI에 뚫렸다,” 2026년 10월 4일.

※ 국내 금융권 사례는 언론 보도에 기반한 서술이며, 세부 공격 경로와 AI 도구의 실제 관여 수준은 관계기관의 최종 조사 결과에 따라 달라질 수 있습니다.

관련 오퍼링 및 문의하기

• 보안 | LG CNS | Korea
• LG CNS 홈페이지 문의하기

본 콘텐츠는 저작권법에 의해 보호받는 저작물로 LG CNS에 저작권이 있습니다.

사전 동의 없이 2차 가공 및 영리적인 이용을 금합니다.