tty.link
Maker Studio
IMAGINE · MAKE · EXPERIMENT
tty.link의 정체성은 특정 기술 하나가 아니라 직접 만들고 실험하는 태도에 있습니다. 소프트웨어와 전자장치·하드웨어, 펌웨어, AI와 자동화, 디지털과 물리 시스템의 결합까지 폭넓게 다루며, 보안 연구와 현장에 필요한 시스템뿐 아니라 보안과 무관한 아이디어도 독립적으로 추구합니다.
소버린 보안 AI를 위한 연구·개발
R&D for Sovereign Security AI
AI·보안 기술과 지식 활용, 전문가의 성장과 사람·AI 협업을 연구합니다.
AI와 보안 기술을 연구하고, 전문가와 AI가 더 잘 일할 수 있는 지식·도구·협업 환경을 개발합니다. 모델에만 기대지 않는 기술과 전문성을 쌓고, 다양한 환경에서 보안 업무의 품질과 효율을 높이는 것이 목표입니다.
무엇을 연구하고 만드는가?
독립된 여섯 분야를 연구하고, 그 성과를 보안 업무에 쓰는 기술과 도구로 만듭니다.
검토 완료
3개 상위 분류, 6개 독립 연구 분야
분류는 이해를 돕기 위한 묶음입니다. 조직의 서열이나 개발 순서를 뜻하지 않습니다. KNOWLEDGE는 독립 연구이자 여러 분야의 공통 기반입니다.
COLLAB · KNOWLEDGE
사람·지식·협업
전문가의 역량과 여러 사람·AI의 협업을 발전시키고, 지식을 필요한 곳에서 쓸 수 있는 기술을 만듭니다.
MODEL · AGENT
AI 모델·에이전트
AI 모델의 능력과 실용성을 높이고, 지식과 도구를 활용해 실제 업무를 수행하는 시스템을 만듭니다.
INTEL · EXPLOIT
보안 인텔리전스·검증
외부 노출과 공격표면을 분석하고, 시스템의 취약점과 실제 영향을 검증하는 기술을 연구합니다.
- COLLAB사람·AI 협업People & AI Collaboration
전문가가 더 깊이 분석하고 정확하게 판단할 수 있는 방법을 연구합니다. 여러 사람과 AI 에이전트가 역할과 맥락을 공유하고, 작업을 조율·검토·인계하며 함께 일하는 프레임워크와 협업 환경을 개발합니다.
- KNOWLEDGE지식 인프라Knowledge Infrastructure
전문 지식과 경험의 수집·가공·관리부터 제공·활용까지 전 과정을 연구합니다. 사람과 AI 에이전트, 모델이 필요한 지식을 목적과 환경에 맞게 활용할 수 있도록 제공 방식과 연동 기술, 프레임워크와 시스템을 개발합니다.
- MODELAI 모델 엔지니어링AI Model Engineering
AI 모델의 평가·학습·맞춤화·최적화와 추론·운영 기술을 연구합니다. 보안 업무에 특화된 모델을 개선하고, 필요한 환경에 쉽게 구축·맞춤화·운영할 수 있는 로컬 모델과 배포 체계도 개발합니다.
- AGENT에이전틱 AIAgentic AI
AI가 목표에 따라 계획하고, 지식과 도구를 활용해 업무를 수행하며, 결과를 점검하는 기술을 연구합니다. 에이전트의 실행·상태 관리, 작업 조율, 권한과 승인, 결과 검증을 위한 시스템을 개발합니다.
- INTEL익스포저 인텔리전스Exposure Intelligence
인터넷 전반에서 관측되는 자산·서비스·계정 등 다양한 노출 정보를 수집하고, 공격표면의 변화와 이력·연관 관계를 분석합니다. 관련 위협 정보를 함께 활용해 보안 진단, 위협 조사, 침해사고 분석을 지원하는 기술과 플랫폼을 개발합니다.
- EXPLOIT오펜시브 엔지니어링Offensive Engineering
공격자 관점에서 시스템의 취약점과 악용 조건, 실제 영향을 분석·검증합니다. 취약점 연구와 공격·방어 기법을 발전시키고, 분석·재현·검증을 위한 전문 도구와 시험 환경을 개발합니다.
모델 자체를 개선하는 연구와 모델 밖의 지식·도구·업무 절차·협업을 개선하는 연구를 병행합니다.
모델의 응답이 좋아도 에이전트가 과제를 올바르게 끝낸다는 뜻은 아닙니다. 도구와 실행 환경, 권한, 지침과 검증 과정이 함께 작동해야 하므로 MODEL과 AGENT를 나눠 연구합니다.
COLLAB·KNOWLEDGE·MODEL·AGENT의 기술은 보안 외의 다른 전문 업무에도 적용할 수 있습니다.
분야가 함께 쓰이는 장면
각 분야는 독립된 연구이지만, 실제 과제에서는 여러 분야가 함께 쓰입니다.
- 보안 특화 로컬 모델을 업무에 적용
MODEL은 모델을 맞춤화·최적화하고, KNOWLEDGE는 허용된 지식·평가 자료를 제공합니다. AGENT는 업무 수행에 연결하고, EXPLOIT는 보안 업무의 검증 기준을, COLLAB은 전문가의 검토 흐름을 더합니다.
- 여러 전문가와 AI가 취약점을 조사
COLLAB이 공동 작업·검토·인계를, AGENT가 작업 실행을, EXPLOIT가 기술 분석·검증을 맡습니다. INTEL은 외부 근거를 연결하고 KNOWLEDGE는 지식과 기록을 다음 작업에 제공하며 MODEL은 적합한 모델 기술을 뒷받침합니다.
- 외부 노출 정보를 분석 서비스로 제공
INTEL이 관측 정보의 이력·관계를 분석합니다. KNOWLEDGE가 재사용 가능한 제공·연동 기술을, AGENT가 반복 업무 수행을, COLLAB이 전문가 검토를 지원합니다. 실제 악용 가능성 확인이 필요하면 EXPLOIT를 연결합니다.
범위 안내
이 사례는 분야 간 연결을 설명하는 예시입니다. 특정 기능이 이미 제품으로 출시됐거나 모든 프로젝트에 적용된다는 의미는 아닙니다.
연구 분야는 지속적으로 발전시킬 역량을, 서비스는 고객이 의뢰할 수 있는 업무를 설명합니다. 같은 기술이 여러 서비스에 쓰일 수 있고, 수행에서 얻은 경험은 새로운 연구 질문이 됩니다.
연구 주제와 적용 환경
연구 분야를 보안 현장에 적용하는 연구 주제와, 그런 문제가 생기는 환경입니다.
- AI·LLM·에이전트 보안
AI 모델과 에이전트 서비스의 공격표면을 살피고, 프롬프트 공격, 데이터 유출, 오남용에 대응하는 방법을 연구합니다.
- IT 시스템 보안
웹·모바일·API·클라우드·네트워크 등 IT 시스템의 공격과 방어를 연구합니다. 모든 주제의 바탕이 되는 기본기입니다.
- OT·물리 시스템 보안
OT·ICS·IoT·펌웨어부터 로봇·스마트카·선박까지, 물리 세계와 맞닿은 시스템의 취약점과 안전 영향을 연구합니다.
- 고도화된 공격·방어
제로데이 취약점을 포함해, 고도화된 위협에 맞서는 공격·방어 기법을 연구합니다.
적용 환경
연구·개발 조직
SAFE SQUARE의 연구·개발은 두 핵심 조직, tty.link와 Return-Oriented AI Lab을 중심으로 이루어집니다.
Return-Oriented AI Lab
Systems & Security Research
UNDERSTAND · CHALLENGE · REINVENT
Return-Oriented AI Lab은 시스템과 기술의 작동 원리, 구조와 한계를 깊이 탐구합니다. 취약점과 공격·방어 기술뿐 아니라 시스템 내부 구조와 AI 모델·에이전트를 폭넓게 연구하며, 연구 질문은 보안 문제에서도, 시스템의 동작·성능·효율에 대한 궁금증에서도 시작합니다.
업무를 나누는 분류가 아니라 대표적인 활동 예시입니다.
COLLAB·
다른 것은 출발점입니다
| 관점 | tty.link | Return-Oriented AI Lab |
|---|---|---|
| 주된 출발점 | 무엇을 만들고 실험해볼 수 있을까? | 이것은 어떻게 작동하며 어디까지 가능할까? |
| 중심 성향 | 창작·제작·구현 | 탐구·분석·검증 |
| 공통 활동 | 연구, 개발, 역공학, 실험, AI 활용, 새로운 기술 탐색 | |
서로 다른 시선으로 탐구하고, 함께 새로운 가능성을 만듭니다.
Return-Oriented AI Lab과 tty.link는 각자의 전문성과 관심사를 바탕으로 독립적인 연구·개발을 수행합니다. 시스템의 원리를 깊이 탐구하는 연구와 자유로운 제작·실험은 서로 새로운 아이디어와 기술적 가능성을 제공하며 함께 발전합니다.
원리와 제약에 대한 이해는 새로운 설계와 제작으로, 만들고 써 보며 발견한 문제는 새로운 연구로 이어집니다. 협력은 양방향이며 필요한 과제에서 이루어지고, 모든 과제를 공동 프로젝트로 만들지는 않습니다.
tty.link의 제작 방식
세 단어는 고정된 생산 절차가 아니라 되풀이되는 제작 문화를 나타냅니다.
IMAGINE
새로운 문제와 가능성을 발견하고 구상합니다.
MAKE
아이디어를 실제로 작동하는 형태로 구현합니다.
EXPERIMENT
직접 사용하고 관찰하며 가설과 설계를 바꿉니다.
- 결과의 형태
작은 실험과 시제품도 중요한 결과입니다. 모든 프로젝트가 상용 제품이 될 필요는 없고, 제품화를 택한 과제는 사용 목적과 환경, 요구 품질, 검증과 운영 범위를 분명히 합니다. 하드웨어는 과제에 따라 장치와 제어 소프트웨어, 인터페이스, 시험 환경을 함께 다룹니다.
- 스스로 시작하는 연구·개발
tty.link는 다른 조직의 연구 결과를 구현하는 하위 개발팀이 아닙니다. 자체 질문과 관심사에서 연구·개발을 시작하고, 필요하면 분석·역공학·모델 활용과 시스템 연구도 직접 수행합니다. 보안과 무관한 제작은 tty.link 사이트에서 소개합니다.
Return-Oriented AI Lab의 연구 철학
UNDERSTAND
작동 원리와 구조를 깊이 이해합니다.
CHALLENGE
기존의 가정과 설계, 기술적 한계를 의심하고 검증합니다.
REINVENT
새로운 관점과 접근법을 발견하고, 필요하면 기존 기술을 재구성하고 개선합니다.
- 해커의 시선
여기서 해커의 관점은 공격이나 방어라는 직무만을 뜻하지 않습니다. 정해진 설명을 그대로 받아들이지 않고 내부 동작을 직접 확인하며, 당연하게 여겨진 가정과 예상 밖의 활용 가능성을 검증하는 태도입니다.
- 연구 대상이자 수단인 AI
AI 모델과 에이전트 자체의 원리·능력·한계를 연구하는 동시에, AI를 분석·실험·검증·개발에 적극 활용합니다. AI 활용과 연구는 이 조직만의 일이 아니라 회사 전체에 열려 있습니다.
- 왜 Return-Oriented인가
이름은 ROP(Return-Oriented Programming)에서 착안했습니다. ROP는 프로그램 메모리에 이미 있는, 반환(ret) 명령으로 끝나는 짧은 명령어 조각들을 이어 붙여 새 코드를 주입하지 않고도 프로그램이 원래 의도하지 않은 동작을 하게 만드는 공격 기법입니다. 이 조직은 여기서 기존 요소를 깊이 이해하고 새로운 방식으로 연결한다는 생각을 읽고, 이를 연구 철학으로 넓혔습니다. 이름에 담은 비유이며, ROP가 시스템을 개선하는 기술이라는 뜻은 아닙니다.
- 결과의 형태
원인을 밝혀내는 것, 기술이 예상과 다르게 동작함을 보이는 것, 새로운 공격 기법을 증명하는 것도 연구 성과입니다. 모든 연구가 제품이나 새로운 구현물로 이어져야 하는 것은 아닙니다.
소버린 보안 AI라는 방향은 한 조직의 몫이 아닙니다. Return-Oriented AI Lab의 연구, tty.link가 만드는 시스템, 지식·학습·평가 업무와 고객 현장의 경험이 함께 기여합니다. 다만 모든 독립 연구와 보안 밖의 제작이 그 하위 과제인 것은 아닙니다.
연구가 쓰이는 곳
연구는 실제 과제에서 만난 문제뿐 아니라 기술에 대한 호기심, 시스템의 예상 밖 동작, 새로운 제작 아이디어에서도 시작합니다. 결과는 자체 기술과 도구, 방법론이 되어 서비스와 고객 공동 수행에 쓰이고, 현장의 경험은 다음 연구 질문이 됩니다.
INTEL익스포저 인텔리전스Exposure Intelligence
외부 노출과 공격표면의 이력·관계를 분석하는 자체 기술로 조사하고, 전문가가 출처와 시점, 고객 자산과의 관련성을 검토합니다.
EXPLOIT AGENT취약점 진단·모의해킹Vulnerability Assessment & Penetration Testing
도구와 AI 에이전트로 넓게 살피고, 전문가가 직접 분석해 실제로 악용되는지 안전하게 확인합니다.
COLLAB KNOWLEDGE EXPLOIT MODEL AGENT사람·AI 보안 역량 강화Security Capability Development for People & AI
현장에서 쓰는 공격 기법과 지식, 전문가의 학습·판단 방법 연구로 통제된 실습 환경과 훈련을 만들어, 공격자의 관점을 직접 익히게 합니다. AI 에이전트의 평가·개선은 에이전트와 모델 연구를 바탕으로 맞춤 과제로 함께 구성합니다.
COLLAB KNOWLEDGE MODEL AGENT맞춤형 보안·AI 엔지니어링Custom Security & AI Engineering
기존 도구만으로 해결하기 어려운 과제에 맞춰 보안 도구, AI 모델·에이전트, 지식 제공과 협업 환경을 함께 설계·개발합니다.
사회 기여 프로그램Pay It Forward
쌓아 온 사람과 AI의 역량을, 예산이 부족한 선정 조직에도 닿게 합니다.
고객은 별도의 제품이 아니라, 근거가 더 분명한 결과로 받습니다.