CyberFactory: 실제 환경에서 수집된 인스턴스를 활용한 사이버 보안 역량 확장

초록

대규모 언어 모델(LLM)의 코딩 능력이 지속적으로 발전함에 따라, 사이버보안 분야에서의 잠재력은 점점 더 많은 연구 관심을 받고 있으며, 폐쇄 소스 LLM(예: Mythos)은 고급 사이버보안 기능을 제공하고 있다. 그러나 기존의 오픈소스 시도는 여전히 제한적이다. 즉, 최첨단 오픈 가중치 모델은 재현 가능한 사이버보안 학습 솔루션을 제공하지 않으며, 오픈소스 학습 솔루션은 개별 작업에만 초점을 맞추어 확장 가능한 에이전트 데이터가 부족하고, 에이전트 롤아웃을 확장하려면 강력한 도메인 사전 지식이 필요하다. 본 연구에서는 개념 증명(PoC) 생성, 취약점 패치, 사이버보안 질의응답(CyberQA)을 아우르는 데이터 구축, 궤적 합성, 모델 학습을 연결하는 통합 오픈소스 프레임워크인 CyberFactory를 소개한다. CyberFactory는 실제 환경에서 발견된 CVE를 포함한 공개 취약점 산출물을 실행 가능하고 검증 가능한 작업 인스턴스로 변환한다. 또한 재사용 가능한 취약점 분석 스킬을 활용하여 교사 모델이 소스 코드 검사, 도메인 사전 지식을 활용한 문제 해결, 증거 기반 검증을 수행하도록 안내한다. 그 결과 생성된 지도 신호는 에이전트적이다. 모델은 도구 및 대상 환경과 상호작용하고 실행 피드백에 따라 솔루션을 수정한다. 이러한 궤적을 사용하여, 우리는 Aegis를 학습시키고 공개한다. Aegis는 그리스 신화에서 제우스와 아테나의 보호 방패로, 이 이름은 모델의 방어적이고 보안 지향적인 목적을 반영한다. 이 모델은 추론 시점에 스킬을 요구하지 않고 스킬 기반 절차를 내재화한다. CyberGym에서 Aegis는 1시간 이내에 52.4%의 Pass@1을 달성하여 Qwen 3.5 기본 모델 대비 +22.8포인트 향상되었으며, 동일한 스캐폴드에서 평가된 범용 백본 모델들을 능가한다.

English

As large language models (LLMs) continue to advance in coding capabilities, their potential in cybersecurity has drawn increasing research attention, with closed-source LLMs (e.g., Mythos) delivering advanced cybersecurity capabilities. However, existing open-source efforts remain limited: frontier open-weight models do not provide reproducible cybersecurity training solutions, open-source training solutions focus on isolated tasks and lack scalable agentic data, and scaling agentic rollouts requires strong domain priors. In this work, we introduce CyberFactory, a unified open-source framework that connects data construction, trajectory synthesis, and model training across proof-of-concept (PoC) generation, vulnerability patching, and cybersecurity question answering (CyberQA). CyberFactory transforms public vulnerability artifacts, including CVEs from the wild, into executable and verifiable task instances. It further uses a reusable vulnerability-analysis skill to guide the teacher through source inspection, problem solving with domain prior, and evidence-based validation. The resulting supervision is agentic: the model interacts with tools and target environments and revises its solutions according to execution feedback. Using these trajectories, we train and release \modelname\emph{Aegis is, in Greek mythology, the protective shield of Zeus and Athena; the name reflects the model's defensive, security-oriented purpose.}, which internalizes the skill-guided procedure without requiring the skill at inference time. On CyberGym, \modelname reaches 52.4% Pass@1 under a one-hour budget, improving over its Qwen~3.5 base model by +22.8 points and outperforming the evaluated general-purpose backbones under the same scaffold.