How Tamnoon built AI-powered cloud security remediation with Amazon Bedrock

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Tamnoon은 Amazon Bedrock 기반 Tami에 전문 에이전트와 다층 안전장치를 결합해 클라우드 보안 문제의 조사부터 수정 실행까지 연결했으며, 운영 환경 장애 없이 90일 동안 심각한 클라우드 노출을 90% 넘게 줄였다고 보고한다.

📌 핵심 요약

• Tamnoon의 Tami는 기존 CNAPP와 클라우드 네이티브 도구의 탐지 결과를 받아 조사·우선순위화·수정 계획·실행을 지원하며, AWS·Azure·Google Cloud 등 고객 환경의 보안 문제를 다룬다.
• 조사·안전성 평가·수정·코드 생성을 맡는 네 전문 에이전트가 작업을 분담한다. 수정 신뢰도 지표인 RCI는 SAFE·RISKY·AWAITING DATA로 구분되며, 안전하다고 평가된 항목에만 수정 에이전트가 작동한다.
• Amazon Bedrock의 단일 API로 작업별 적합한 모델을 선택하고 교체할 수 있으며, Cross-Region inference로 정해진 지리적 경계 안에서 추론 요청을 라우팅한다.
• 읽기 전용 조사, 독립적인 안전성 평가, 생성 결과 검토, 백업·검증·롤백, 사람의 승인과 감사 기록이 자동 수정을 통제한다. AI는 클라우드 자격 증명을 직접 보유하지 않으며 실행에는 단기·테넌트 범위 자격 증명을 사용한다.
• 원문은 이 접근법으로 운영 환경 장애 없이 90일 동안 심각한 클라우드 노출이 90% 넘게 감소했다고 설명한다. 민감한 고객 데이터는 AWS 신뢰 경계 안에 유지하며, 모든 Tami 워크로드는 ChatBedrockConverse를 통해 Amazon Bedrock의 Anthropic Claude를 호출한다.

🧩 주요 포인트

1. 기존 탐지 도구의 결과를 통합하고 조사부터 실행까지 연결 → 탐지 이후 수정으로 이어지지 않던 업무 간극을 줄이는 데 초점.
2. RCI의 보수적 판정과 계획·실행 분리 → 자동화 범위를 안전성이 확인된 작업으로 제한하고 사람의 통제를 유지.
3. Amazon Bedrock의 단일 API와 Cross-Region inference → 작업별 모델 선택과 처리량 확장을 지원하면서 통합·라우팅 운영 부담을 축소.

🧠 상세 정리

1. 탐지량보다 수정 역량이 부족한 클라우드 보안

원문은 클라우드 보안의 병목을 문제 탐지보다 실제 수정에 이르는 과정에서 찾으며, CNAPP와 클라우드 제공자, 보안 상태 스캐너가 팀의 처리 능력을 넘는 탐지 결과를 생성한다고 설명한다. 단일 항목을 조사하는 데도 자원 소유자와 의존 관계, 수정의 운영 영향을 확인해야 하므로 보안 엔지니어가 수 시간을 쓰고, 같은 근본 원인에서 나온 여러 경보에 유사한 작업을 반복한다. 운영 장애에 대한 우려는 자동화를 지연시키며, 관련 항목을 묶거나 수정 신뢰도를 평가하지 못하면 근본 원인보다 개별 경보를 순서대로 처리하게 된다. Tamnoon은 기존 CNAPP와 함께 작동하는 AI 기반 수정 플랫폼으로, Tami가 사람인 클라우드 보안 전문가의 조사·우선순위화·안전한 수정을 돕도록 설계됐다. 지원 대상에는 AWS·Azure·Google Cloud 등이 포함되며, 실제 환경을 변경하기 전에 조사와 수정 계획의 상당 부분을 마치는 것이 핵심이다. 원문은 이 접근법이 운영 환경 장애 없이 90일 동안 심각한 클라우드 노출을 90% 넘게 줄였다고 보고한다.

2. 네 전문 에이전트로 나눈 조사와 수정 과정

플랫폼은 CNAPP, CSPM 제공자와 기타 보안 도구의 탐지 결과를 공통 스키마로 정규화하고, 자산과 노출 맥락을 보강해 우선순위를 정한 뒤 전문 에이전트에 작업을 넘긴다. 각 단계는 AWS의 이벤트 기반 서버리스 구조에서 독립적으로 확장되고, 실패가 안전하게 처리되도록 구성된다. 조사 에이전트는 수백만 개의 실제 고객 클라우드 환경에서 얻은 학습을 바탕으로 맥락을 파악하고, LLM을 판정자로 사용하는 검증 계층을 거쳐 읽기 전용 조사 단계와 전체 조사 계획을 만든다. 안전성 평가 에이전트는 자산별 자동 검증 결과와 분석가의 조사 내용을 증거 사슬로 연결해 SAFE·RISKY·AWAITING DATA로 판정하며, 확신이 부족하면 보수적으로 등급을 낮춘다. 수정 에이전트는 안전하다고 판정된 항목에만 작동하고, 순서·의존 관계·조건을 고려해 각 단계에 백업·수정·검증과 롤백 지침이 포함된 계획을 작성한다. 코드 생성 에이전트는 관련성과 프롬프트 주입을 검사하는 입력 가드레일을 통과한 계획을 실행 가능한 코드로 바꾸며, 모든 산출물은 별도 검토 에이전트의 승인을 요구하는 자동 생성·검토 반복 과정을 거친다.

3. Amazon Bedrock을 선택한 세 가지 이유

Tamnoon은 깊은 원인 조사, 대량 검증, 생성 코드 검토가 서로 다른 추론 능력과 비용 조건을 요구한다는 점에서 모델 플랫폼을 선택했다. Amazon Bedrock은 단일 API를 통해 각 에이전트가 작업에 적합한 기반 모델을 호출하게 하므로, 어려운 추론에는 역량이 높은 모델을, 반복적이고 처리량이 많은 작업에는 효율적인 모델을 배정할 수 있다. 코드 검토에서도 품질과 비용의 균형을 조정할 수 있으며, 모델을 교체하거나 업그레이드할 때마다 전체 연동 구조를 다시 구성할 필요가 줄어든다. 요청량 증가에 따른 운영 부담도 선택 이유로, Cross-Region inference는 정해진 지리적 경계 안에서 적합한 AWS 리전으로 요청을 자동 라우팅해 별도 라우팅 코드 없이 처리량을 유지하도록 지원한다. 보안 측면에서는 추론이 Tamnoon의 AWS 환경 안에서 IAM으로 범위가 제한된 권한 아래 실행된다고 설명한다. 원문은 이를 민감한 고객 데이터를 신뢰 경계 안에 유지하고, Tami의 기반 플랫폼에도 Tamnoon 서비스와 같은 보안 기준을 적용하는 근거로 제시한다.

4. 기존 탐지 도구와 연결하고 수정 신뢰도를 표시

Tamnoon은 보안팀이 이미 사용하는 탐지 도구의 뒤에서 작동하며, 환경에 어떤 문제가 있는지를 판단하는 기준 정보는 기존 도구에 둔다. 원문에 열거된 연동 대상은 Wiz, CrowdStrike, Palo Alto Cortex, Upwind, SentinelOne, Orca, Cyera와 AWS Security Hub, Amazon GuardDuty다. API 기반 연동으로 수집한 결과는 공통 형식으로 정규화되므로, Wiz에서 발견했든 GuardDuty에서 발견했든 같은 유형의 잘못된 설정을 일관된 방식으로 처리할 수 있다. 이 구조에서 탐지 도구는 계속 기반 역할을 맡고, Tamnoon은 그 뒤에 이어지는 조사와 수정의 전체 과정을 담당한다. Tami는 처리하는 각 항목에 수정 신뢰도 지표인 RCI를 부여하며, SAFE·RISKY·AWAITING DATA라는 판정을 통해 자동화할 수 있는 항목과 먼저 사람의 검토가 필요한 항목을 구분할 정보를 제공한다.

5. 접근 경계와 대량 처리를 구성하는 AWS 구조

Tamnoon은 환경별로 격리된 자체 AWS 계정 안에서 실행되며, 사용자는 Amazon API Gateway로 구성한 단일 보안 진입점을 통해 플랫폼에 접근한다. AWS Certificate Manager가 암호화를 관리하고 Amazon Cognito가 로그인을 처리하며, 진입점 뒤의 핵심 플랫폼은 여러 가용 영역에 걸친 사설 네트워크에서 작동해 인터넷에 직접 노출되지 않는다. 컴퓨팅은 두 유형으로 나뉘어 Amazon EKS가 대시보드를 뒷받침하는 상시 서비스를 실행하고, AWS Lambda가 탐지 결과 수집·분석·수정 실행 같은 이벤트 기반 작업을 처리한다. Amazon EventBridge, Amazon SQS, AWS Step Functions는 단계 간 메시지와 작업 흐름을 조정한다. 원문은 이 구성이 대량의 탐지 결과를 안정적으로 병렬 처리하고, 문제가 있는 단일 레코드 때문에 나머지 처리가 멈추는 상황을 방지하도록 설계됐다고 설명한다.

6. 에이전트의 행동 통제와 고객 환경 연결

AI 계층은 Amazon Bedrock에서 실행되며, Amazon Bedrock AgentCore는 에이전트가 통제된 방식으로 행동하도록 지원한다. 원문은 AgentCore를 다양한 프레임워크나 모델로 에이전트를 구축·연결·최적화하는 플랫폼으로 설명하고, 에이전트에 제한 없는 접근 권한을 주는 대신 거버넌스 아래에서 작업하게 하는 역할을 강조한다. Amazon Bedrock Guardrails는 다음 단계로 진행하기 전에 요청과 생성 코드를 모두 검토하고, 관리형 데이터베이스와 캐시는 상태 정보를 처리한다. Amazon S3는 플레이북과 산출물을 저장하며, AWS Secrets Manager는 자격 증명을 관리해 민감한 키가 애플리케이션 코드에 들어가지 않도록 한다. 고객은 자신의 AWS·Azure·Google Cloud 계정과 탐지 결과를 제공하는 보안 도구를 연결할 수 있다. 결과를 전달할 대상으로는 Slack, Jira, ServiceNow, GitHub 등이 제시돼, 고객 환경과 보안 도구, 후속 업무 도구가 플랫폼을 통해 연결되는 구조를 보여준다.

7. 안전성 평가와 반복 검토로 수정 위험을 통제

원문은 운영 환경 장애가 없었다는 결과를 각 계층이 앞선 계층의 누락 가능성을 전제로 하는 다층 안전 구조와 연결한다. 수정안을 작성하기 전에 범위를 중심으로 한 독립적인 안전성 평가를 수행하며, 의도적으로 보수적인 판단을 통해 변경이 안전하다는 결론에 도달해야 다음 단계로 진행한다. 조사와 변경 사이에도 명확한 경계를 두어 조사 단계는 엄격한 읽기 전용으로 검증하고, 실제 변경은 백업·검증·롤백 절차를 갖춘 수정 경로에서만 허용한다. 각 생성 단계에는 결과를 비판적으로 검토하는 성찰 단계가 짝지어져 있으며, 검토 의견은 다시 생성 과정에 반영된다. 에이전트의 결과는 자동화 결과, 사용자 피드백, 실제로 수정된 경보에서 얻은 학습 데이터와 대조해 검증한다. 모델이 스스로 정확한 결과에 도달하지 못하면 사람이 개입하므로, 자동화의 진행 여부는 모델 출력 자체에 대한 신뢰만으로 결정되지 않는다.

8. 실행 자격 증명과 민감한 데이터의 경계

실행 시점의 핵심 통제는 AI가 클라우드 자격 증명을 직접 보유하지 않는다는 점이며, 실제 작업은 고객이 통제하는 신뢰 관계 아래에서 단기·테넌트 범위 자격 증명을 중개받아 실행된다. 실행 환경은 작업을 계획하는 에이전트와 분리된 격리 환경으로 구성돼, 계획 수립과 실제 변경의 권한 경계를 유지한다. 수정 작업에는 사람의 승인 절차와 전체 감사 기록이 적용되고, 모든 AI 기능은 고객에게 제공되기 전에 내부 검증을 거친다고 원문은 설명한다. Tami가 추론에 사용하는 민감한 정보에는 경보 내용, 자원 식별자, 잘못된 설정, 수정 맥락이 포함되며, 이 데이터는 AWS 신뢰 경계 안에서 최소 권한과 감사 가능성을 유지해야 한다. 제공된 본문의 마지막 부분은 모든 Tami 워크로드가 제3자 LLM 엔드포인트를 직접 호출하는 대신 ChatBedrockConverse 인터페이스를 통해 Amazon Bedrock의 Anthropic Claude를 호출한다고 명시한다. 데이터 보안과 규정 준수에 관한 설명은 이 지점에서 끝나므로, 제공된 내용만으로 구체적인 인증이나 추가 권한 설정까지 확인할 수는 없다.

🧾 핵심 주장 / 시사점

• Tamnoon이 겨냥하는 병목은 탐지 결과의 부족이 아니라 조사·소유자 확인·운영 영향 검토에 드는 시간이며, 기존 탐지 도구와의 연동은 이 후속 작업을 자동화하는 출발점이다.
• 자동화의 범위는 에이전트의 생성 능력뿐 아니라 보수적인 안전성 판정, 반복 검토, 실행 권한 분리, 사람의 승인에 의해 결정된다.
• 원문이 보고한 노출 감소와 운영 안정성은 전문 에이전트, AWS 실행 구조, 다층 안전장치가 결합된 결과로 제시되며, 제공된 본문에는 각 요소의 개별 기여도를 구분한 수치가 없다.

✅ 액션 아이템

• 기존 CNAPP와 클라우드 네이티브 도구의 탐지 결과가 조사·우선순위화·수정 계획·실행으로 연결되는 범위 검토.
• RCI의 SAFE·RISKY·AWAITING DATA 분류를 기준으로 자동화 가능 항목과 사람의 검토가 필요한 항목 구분.
• Amazon Bedrock의 단일 API와 Cross-Region inference를 중심으로 작업별 모델 선택과 정해진 지리적 경계 내 처리량 확장 적합성 검토.

❓ 열린 질문

• 90일 동안 심각한 클라우드 노출이 90% 넘게 감소했다는 성과는 어떤 고객 환경과 측정 범위를 기준으로 산출됐는가?
• RCI가 SAFE·RISKY·AWAITING DATA를 구분할 때 적용하는 구체적인 안전성 기준은 무엇인가?
• Amazon Bedrock의 단일 API로 작업별 모델을 선택할 때 추론 품질·비용·처리량의 균형은 어떻게 판단하는가?