차례

AI를 활용하여 평균 응답 시간(MTTR)을 줄이는 방법: 실용적인 가이드

평균 복구 시간(MTTR)은 보안 운영 팀에게 가장 중요한 지표 중 하나이며, 인공지능(AI)은 조직이 MTTR을 단축하는 방식을 혁신하고 있습니다. 이 가이드에서는 느린 응답의 근본 원인, 실용적인 AI 기반 전략, 파일럿 프로그램 설계 및 가장 중요한 지표를 분석하여 AI를 활용해 MTTR을 줄이는 방법을 설명합니다.

인력 부족에 시달리는 보안팀에게 AI를 활용해 평균 복구 시간(MTTR)을 줄이는 방법을 배우는 것이 왜 필수적일까요?
전 세계적으로 3.4만 개 이상의 사이버 보안 관련 일자리가 공석인 상황에서, AI는 제한된 인력을 보완하여 일상적인 경고의 60~80%를 자율적으로 처리하고 대응 시간을 며칠에서 몇 분으로 단축시켜 줍니다.
AI 기반 모니터링은 어떻게 오탐률을 낮춰 사건 대응 속도를 높일 수 있을까요?
머신러닝 기반 행동 분석은 오탐률을 5~15%로 낮추는 반면, 서명 기반 규칙은 40~60%에 달합니다. 그래서 분석가들은 불필요한 잡음에 시간을 덜 쓰고 실제 위협에 더 많은 시간을 할애하게 됩니다.MTTR을 직접적으로 감소시킵니다.
AI 기반 원인 분석은 조사 기간 단축에 어떤 역할을 합니까?
그래프 기반 상관관계 엔진은 경고, 자산 및 위협 인텔리전스 간의 관계를 몇 초 만에 매핑하여 45분씩 걸리던 수동 조사를 대체하고 AI 에이전트가 평균 복구 시간(MTTR)을 단축하는 속도를 높입니다.
팀은 품질 개선을 보장하기 위해 MTTR과 함께 어떤 보조 지표를 추적해야 할까요?
팀은 평균 처리 시간(MTTD), 오탐률, 자동화율 및 재발률을 모니터링하여 경고 피로도를 줄이고 해결 속도를 높이는 것이 철저함을 희생하지 않는지 확인해야 합니다.
자동화된 문제 해결은 운영 환경에서 AI를 활용한 평균 복구 시간(MTTR) 단축에 어떻게 기여합니까?
자동화된 복구 기능은 엔드포인트 격리 및 자격 증명 취소와 같은 차단 조치를 확인 후 몇 초 내에 실행하여, 잘 알려진 유형의 사고에 대한 승인 지연을 없애줍니다.
조직은 평균 응답 시간(MTTR)을 줄이기 위한 최적의 AI 도구를 선택할 때 무엇을 우선시해야 할까요?
광범위한 데이터 통합, 설명 가능한 AI 스코어링, 유연한 인간 참여형 자동화, 그리고 빠른 가치 실현을 위한 사전 구축된 탐지 기능을 제공하는 플랫폼을 우선적으로 고려하십시오.
인공지능 기반의 사전 예방적 문제 관리 시스템은 어떻게 재발 방지 문제를 해결할까요?
AI는 공통된 근본 원인을 기준으로 반복되는 사건들을 분류하고 구성 변경 사항을 조기에 감지하여, 팀이 동일한 위협에 반복적으로 대응하는 대신 근본적인 문제를 해결할 수 있도록 지원합니다. 이는 장기적으로 평균 복구 시간(MTTR)을 단축하는 핵심적인 방법입니다.

MTTR이란 무엇이며, MTTR을 줄이는 것이 왜 최우선 과제일까요?

보안 맥락에서 MTTR 정의하기

MTTR(평균 복구 시간, 프레임워크에 따라 평균 대응 시간 또는 평균 해결 시간이라고도 함)은 사고 감지 시점부터 완전한 해결 시점까지 경과된 평균 시간을 측정합니다. 보안 운영 센터(SOCs)MTTR(평균 복구 시간)은 초기 대응, 조사, 근본 원인 파악, 차단, 복구 및 검증을 포함합니다. 사고가 해결되지 않고 남아 있는 매 순간, 그 여파가 커지고 복구 비용이 증가합니다.

높은 평균 복구 시간(MTTR)의 비즈니스 영향

재정적 노출: IBM의 데이터 침해 비용 보고서는 데이터 침해 사고를 더 빨리 해결하는 조직이 대응 시간이 길어지는 조직에 비해 침해 사고당 수백만 달러를 절약한다는 사실을 일관되게 보여줍니다.
규제 위험: GDPR, NIS2, SEC 사이버 보안 공개 규정과 같은 프레임워크는 엄격한 통지 기한을 요구합니다. 평균 복구 시간(MTTR)이 느리면 통제 가능한 사건이 규정 위반으로 이어질 수 있습니다.
평판 손상: 장기간의 서비스 중단이나 데이터 유출은 고객 신뢰를 약화시키고 상당한 고객 이탈을 초래할 수 있습니다.
분석가 소진 증후군: 문제 해결이 늦어져 사건이 누적될 때, SOC 분석가들은 점점 더 큰 압박에 직면하고 있으며, 이는 많은 조직에서 이미 30%를 넘는 이직률에 영향을 미치고 있습니다.

왜 전통적인 접근 방식이 부족한가

수동 조사 워크플로, 분산된 도구, 고정된 플레이북으로는 현대 위협의 급증과 정교함에 대응할 수 없습니다. 사람 주도 프로세스에만 의존하는 조직은 평균 복구 시간(MTTR)이 몇 시간이 아닌 며칠 또는 몇 주가 되는 경우가 많습니다. MTTR을 줄이려면 근본적으로 다른 접근 방식이 필요하며, 이는 사고 발생 과정의 모든 단계에 인텔리전스와 자동화를 적용하는 것입니다.

MTTR을 전략적 KPI로 활용

선도적인 CISO들은 MTTR(평균 복구 시간)을 단순한 수치로 치부하지 않고 운영 성숙도를 나타내는 지표로 활용합니다. MTTR이 감소하는 추세는 탐지 엔지니어링, 분석가 워크플로, 그리고 복구 역량이 모두 함께 개선되고 있음을 의미합니다. 반대로 MTTR이 정체되거나 증가하는 추세는 도구, 인력 또는 프로세스 설계에 시스템적인 문제가 있음을 시사하며, 이는 시급한 개선이 필요합니다.

현대 의료기관에서 높은 평균 복구 시간(MTTR)을 유발하는 주요 요인 SOCs

경고 과부하 및 경고 피로

평균 기업 SOC 하루에 수천 건에서 수만 건의 알림을 받습니다. 분석가들이 대부분의 시간을 오탐지를 분류하는 데 소비하면 실제 위협은 몇 시간 동안 대기열에 쌓이게 됩니다. 경고 피로도를 줄이는 것은 분석가들의 업무 환경 개선에 그치는 것이 아니라, 평균 복구 시간(MTTR)을 낮추는 데 필수적인 요소입니다. 오탐지에 낭비되는 매 순간이 실제 위협에 대한 대응을 지연시키기 때문입니다.

도구 확산 및 데이터 사일로

많은 SOC25개 이상의 서로 다른 보안 도구를 사용하는 경우가 많은데, 각 도구는 고유한 경고, 로그 및 대시보드를 생성합니다. 분석가는 콘솔 간에 수동으로 전환하고, 데이터 소스 전반의 이벤트를 연관시키고, 상충되는 정보를 조정해야 합니다. 이러한 파편화로 인해 모든 조사에 상당한 시간이 추가됩니다.

수동 조사 병목 현상

맥락 파악: 분석가들은 위협 인텔리전스 피드, 자산 목록 및 신원 디렉토리를 수동으로 조회하여 누가 어떤 영향을 받았는지 파악합니다.
근본 원인 식별: 자동화된 상관관계 분석 기능이 없으면 경고의 원인을 추적하는 데 몇 시간 동안 로그를 분석해야 하는 경우가 많습니다.
상황 악화 지연: 1단계 분석가는 조치를 취할 권한이나 전문 지식이 부족할 수 있으며, 이로 인해 2단계 또는 3단계 팀으로의 인계가 지연될 수 있습니다.
복구 조정: 격리 조치(호스트 격리, 자격 증명 취소, IP 차단)는 여러 시스템에 걸쳐 승인 및 수동 실행이 필요한 경우가 많습니다.

기술 부족 및 인력 공백

ISC2 연구에 따르면 전 세계 사이버 보안 인력 부족 현상은 3.4만 명 이상의 일자리가 여전히 심각한 수준입니다. SOCs는 24시간 연중무휴 서비스를 제공할 수 없으므로, 업무 시간 외에 발생하는 사건은 다음 근무조가 올 때까지 조사되지 않을 수 있습니다. 이러한 인력 운영의 현실 때문에 AI 기반 운영은 평균 복구 시간(MTTR) 단축을 진지하게 고려하는 모든 조직에게 선택 사항이 아니라 필수적인 요소가 되었습니다.

사전 예방적 문제 관리의 부족

다리 SOC시스템은 사후 대응 방식으로 작동하며, 경보가 발생한 후에야 대응합니다. 추세 분석, 반복적인 사고 패턴 감지, 예방적 튜닝과 같은 사전 예방적 문제 관리 방식이 없다면, 동일한 유형의 사고가 반복적으로 발생하여 대응 역량을 소모하게 됩니다.

AI가 사고 발생 주기 전반에 걸쳐 평균 복구 시간(MTTR)을 줄이는 방법

1단계: AI 기반 모니터링을 통한 더욱 스마트한 감지

AI 기반 모니터링은 정적인 시그니처 기반 규칙에서 벗어나 실시간으로 이상 징후를 식별하는 행동 및 통계 모델로 탐지 방식을 전환합니다. 네트워크 트래픽, 엔드포인트 원격 측정 데이터, 사용자 행동 및 애플리케이션 로그를 기반으로 학습된 머신 러닝 모델은 규칙 기반 시스템이 전혀 감지하지 못하는 위협까지 찾아낼 수 있습니다. 더욱 빠르고 정확한 탐지를 통해 사고 발생 시 대응 파이프라인에 더 빨리, 더 풍부한 맥락 정보를 제공할 수 있습니다.

탐지 접근 방식	일반적인 오탐률	첫 번째 경보 발령 시간	제공된 컨텍스트
서명 기반 규칙	고 (40-60 %)	초 단위 (알려진 위협에 한함)	최소의
상관관계 규칙(SIEM)	보통 (20-40%)	회의록	보통
ML 행동 분석	낮음 (5-15 %)	몇 초에서 몇 분	풍부한 정보 (개체, 위험 점수, 킬 체인 단계)

2단계: AI 근본 원인 분석

경고가 발생하면 AI 기반 원인 분석을 통해 조사 단계를 획기적으로 단축할 수 있습니다. 그래프 기반 상관관계 분석 엔진은 경고, 자산, 사용자 및 위협 인텔리전스 지표 간의 관계를 매핑하여 전체 공격 상황을 자동으로 재구성합니다. 분석가가 5가지 도구를 사용하여 수동으로 45분 동안 관련 정보를 연결하는 대신, AI 상관관계 분석 엔진을 사용하면 몇 초 만에 통합된 사건 개요를 제공할 수 있습니다. 이러한 기능은 AI 에이전트가 운영 환경에서 평균 복구 시간(MTTR)을 단축하는 핵심적인 요소입니다.

3단계: 자동화된 분류 및 우선순위 지정

AI 모델은 자산 중요도, 위협 심각도, 비즈니스 맥락 및 과거 패턴을 기반으로 사건에 점수를 매기고 순위를 지정합니다. 이러한 자동화된 분류 시스템을 통해 가장 심각한 사건에는 즉각적인 조치가 취해지고 위험도가 낮은 경고는 우선순위가 낮아지거나 자동으로 종료됩니다. 결과적으로 분석가가 다음에 어떤 작업을 수행해야 할지 결정하는 데 소요되는 시간이 크게 줄어듭니다.

4단계: 자동화된 문제 해결

자동화된 복구는 잘 알려진 유형의 사고에 대해 사람의 개입을 기다리지 않고 격리 및 복구 조치를 실행하여 문제 해결 과정을 완료합니다. 예를 들면 다음과 같습니다.

손상된 엔드포인트 격리 악성코드 실행이 확인된 후 몇 초 만에 네트워크에서 차단됩니다.
해킹당한 사용자 계정 비활성화 또한 ID 공급자 통합을 통해 자격 증명 순환을 강제합니다.
악성 IP 또는 도메인 차단 방화벽 및 DNS 확인자를 통해 오케스트레이션 플레이북을 사용하여 제어합니다.
의심스러운 이메일 격리 피싱 공격이 확산되는 것을 방지하기 위해 모든 수신자 사서함에 걸쳐 차단 조치를 취합니다.

심각도가 높거나 모호한 사건의 경우, AI는 분석가의 승인을 위해 권장 조치를 준비하고 대응 워크플로를 미리 구성하여 신속성과 인간의 판단력을 결합할 수 있습니다.

5단계: 지속적인 학습 및 피드백 루프

해결된 모든 사건은 AI 모델에 피드백되어 탐지 정확도, 분류 점수 및 플레이북 효율성을 개선합니다. 이러한 지속적인 개선 주기를 통해 평균 복구 시간(MTTR)은 한 번만 감소하는 것이 아니라 시스템이 조직 환경, 일반적인 공격 패턴 및 분석가 선호도를 학습함에 따라 시간이 지남에 따라 지속적으로 감소하는 추세를 보입니다.

평균 응답 시간(MTTR)을 줄이기 위한 최고의 AI 기반 실천 방안

1. 가시성을 통합 플랫폼으로 통합

파편화된 개별 도구를 통합 보안 운영 플랫폼으로 대체하면, 담당자가 이리저리 옮겨 다니며 조사하는 문제를 해결할 수 있습니다. 예를 들어 다음과 같은 플랫폼이 있습니다. 스텔라 사이버 Open XDR 엔드포인트, 네트워크, 클라우드 워크로드, 이메일 및 ID 시스템의 데이터를 단일 데이터 레이크로 통합하고 모든 소스에 걸쳐 AI 기반 상관 분석을 적용합니다. 이러한 통합만으로도 분석가가 더 이상 여러 콘솔을 수동으로 교차 참조할 필요가 없으므로 조사 시간을 50% 이상 단축할 수 있습니다.

2. AI 기반 사고 관리 워크플로우 배포

AI 기반 사고 관리는 단순한 알림 기능을 넘어 전체 대응 프로세스를 조율합니다. 구현해야 할 주요 기능은 다음과 같습니다.

자동 그룹화 관련 알림 사건을 통합하여 노이즈를 줄이고 완전한 공격 맥락을 제공합니다.
동적 플레이북 선택 사고 유형, 심각도 및 영향을 받는 자산을 기준으로 합니다.
AI가 생성한 조사 요약 분석가에게 발생한 일, 영향을 받은 사항, 권장되는 조치에 대한 자연어 서술을 제공합니다.
자동화된 증거 수집 규정 준수 관련 문서 작성 및 사고 후 검토를 위해.

3. AI를 활용한 사전 예방적 문제 관리 구현

사고 발생을 기다리는 대신, AI를 활용하여 미래 문제를 예측하는 패턴을 파악하십시오. 사전 예방적 문제 관리 기법에는 다음과 같은 것들이 있습니다.

반복적인 사건 집중 현상: AI는 공통된 근본 원인을 공유하는 사건 그룹을 식별하여 팀이 증상을 반복적으로 치료하는 대신 근본적인 문제를 해결할 수 있도록 지원합니다.
드리프트 감지: 모델은 구성 기준선을 모니터링하고 취약점으로 발전하기 전에 편차를 표시합니다.
위협 노출 점수 산정: AI는 활성 위협 인텔리전스를 기반으로 조직의 공격 표면을 지속적으로 평가하여 예방적 보안 강화의 우선순위를 정합니다.

4. AI 에이전트를 활용하여 분석가의 역량을 강화하십시오.

AI 에이전트는 가상 1단계 분석가 역할을 수행합니다.AI 에이전트는 경고 보강, IOC 조회, 초기 분류 결정과 같은 일상적인 작업을 자율적으로 처리합니다. 이를 통해 인간 분석가는 복잡한 조사 및 전략적 위협 탐지에 집중할 수 있습니다. AI 에이전트를 도입한 조직은 이러한 시스템이 일상적인 경고량의 60~80%를 처리할 수 있어 기존 팀의 역량을 효과적으로 증대시키고 평균 복구 시간(MTTR)을 단축하는 데 직접적으로 기여한다고 보고합니다.

5. 사고 후 검토 및 지식 습득 자동화

AI는 사고 후 보고서를 자동으로 생성하고, 교훈을 도출하며, 발견 사항을 기반으로 탐지 규칙과 플레이북을 업데이트할 수 있습니다. 이러한 과정을 통해 모든 사고에 대한 철저한 분석이 가능해집니다. SOC 다음 작업에서는 더 빠르고 효과적으로 처리하여 시간이 지남에 따라 평균 복구 시간(MTTR)을 점진적으로 개선하는 효과를 가져옵니다.

MTTR 파일럿 프로그램을 위한 성공적인 AI 도입 방법

1단계: 범위 및 성공 기준 정의

AI를 모든 운영에 동시에 적용하려고 하기보다는 파일럿 프로젝트를 위해 특정 사고 유형이나 사용 사례를 선택하는 것부터 시작하세요. 피싱 대응, 멀웨어 차단, 클라우드 구성 오류 수정 등이 좋은 후보입니다. 측정 가능한 성공 기준을 사전에 정의하세요.

목표 MTTR 감소율(예: 90일 이내 40% 감소).
오탐 감소율.
사건 발생 건당 분석가의 시간 절약 효과.
사람의 개입 없이 처리된 사건 수.

2단계: 데이터 준비 상태 평가

AI 모델의 효율성은 모델의 데이터 품질에 달려 있습니다. 파일럿 프로젝트를 시작하기 전에 데이터 소스를 감사하여 핵심 시스템(엔드포인트, 네트워크, 클라우드, ID)의 로그가 충분한 정확도와 보존 기간으로 수집되고 있는지 확인하십시오. 자산 목록과 ID 디렉터리가 정확한지 확인하는 것도 중요합니다. 이러한 정보는 AI가 효과적인 상관관계 분석 및 우선순위 지정을 위해 필요한 컨텍스트를 제공하기 때문입니다.

3단계: 적합한 플랫폼 선택

MTTR(평균 복구 시간)을 줄이는 데 가장 적합한 AI 도구를 평가할 때는 다음과 같은 기능을 제공하는 플랫폼을 우선적으로 고려해야 합니다.

평가기준	찾을 것이다 무엇
데이터 통합 범위	기존 보안 스택, 클라우드 공급자 및 IT 인프라를 위한 네이티브 커넥터
AI 투명성	설명 가능한 점수 및 추천, 블랙박스 출력이 아님
자동화 유연성	완전 자동화 및 사람 개입형 대응 워크플로 모두 지원
멀티 테넌시	MSSP와 여러 사업부를 관리하는 기업에 필수적입니다.
가치있는 시간	배포 속도를 높이는 사전 구축된 탐지 기능, 플레이북 및 통합 기능

스텔라 사이버는 이러한 기준을 충족하는 플랫폼 중 하나입니다. Open XDR AI 기반 탐지, 상관관계 분석 및 자동 대응 기능을 통합 콘솔에 결합한 아키텍처로, 400개 이상의 기본 제공 통합 기능을 갖추고 있습니다. 또한 멀티테넌트 설계 덕분에 고객 환경 전반에서 평균 복구 시간(MTTR)을 단축하고자 하는 MSSP(관리형 보안 서비스 제공업체)에게 적합합니다.

4단계: 병렬 운영으로 파일럿 실행

시범 운영 단계에서는 AI 기반 워크플로우를 기존 수동 프로세스와 병행하여 실행합니다. 이 접근 방식을 통해 팀은 결과를 직접 비교하고, AI 권장 사항에 대한 신뢰도를 높이며, 인간의 판단이 여전히 필요한 예외적인 상황을 파악할 수 있습니다. 전담 시범 운영 책임자를 지정하여 매주 지표를 추적하고 분석가와 플랫폼 공급업체 간의 피드백을 조율하도록 합니다.

5단계: 반복 및 확장

초기 시범 운영 기간(일반적으로 60~90일) 후, 성공 기준에 따라 결과를 검토합니다. 분석가의 피드백을 기반으로 탐지 모델을 조정하고, 플레이북을 개선하고, 자동화 임계값을 조정합니다. 시범 운영에서 지속적인 개선 효과가 입증되면 AI 기반 워크플로우를 추가적인 인시던트 범주 및 데이터 소스로 점진적으로 확장합니다.

성공 측정: 평균 복구 시간(MTTR)을 넘어선 핵심 지표

MTTR만으로는 충분하지 않은 이유

평균 복구 시간(MTTR) 단축이 주요 목표이지만, MTTR만 측정하는 것은 오해를 불러일으킬 수 있습니다. 조직은 이론적으로는 인시던트를 조기에 종료하거나 심각도가 낮은 경고를 무시함으로써 MTTR을 낮출 수 있습니다. 포괄적인 측정 프레임워크는 속도 개선이 철저함이나 정확성을 희생시키지 않도록 보장합니다.

필수 동반자 지표

평균 감지 시간(MTTD): 위협을 얼마나 빠르게 식별하는지를 측정합니다. AI 기반 모니터링은 빠른 탐지가 빠른 대응으로 이어지기 때문에 MTTD와 MTTR을 모두 낮춰야 합니다.
오탐률: 경고 중 실제로는 무해한 것으로 판명되는 비율을 추적합니다. 오탐률 감소는 AI 기반 분류가 신호 품질을 향상시키고 있음을 확인시켜주며, 이는 경고 피로도를 줄이는 데 직접적인 도움이 됩니다.
분석가별 발생 건수: 팀 전체의 업무량 분배를 측정합니다. AI 증강을 통해 각 분석가가 처리할 수 있는 사건 수를 늘리되, 분석가의 소진을 증가시키지 않아야 합니다.
자동화율: 완전 또는 부분 자동화를 통해 해결된 문제의 비율. 이 지표는 AI가 제공하는 운영 효율성을 정량화합니다.
재발률: 동일한 유형의 사건이 얼마나 자주 재발하는지 추적합니다. 효과적인 사전 예방적 문제 관리를 통해 이 지표는 시간이 지남에 따라 감소해야 합니다.
인상률: 1단계 지원팀이 2단계 또는 3단계로 문제를 에스컬레이션해야 하는 빈도를 측정합니다. AI 기반 분류 및 조사는 분석가에게 1단계에서 문제를 해결하는 데 필요한 맥락을 제공함으로써 불필요한 에스컬레이션을 줄여야 합니다.

메트릭 대시보드 구축하기

이러한 지표들을 하나의 운영 대시보드에 통합하고, 해당 대시보드를 매주 검토합니다. SOC 경영진 및 이해관계자들이 매월 보고해야 합니다. 대시보드는 특정 시점의 스냅샷이 아닌 시간 경과에 따른 추세를 보여주어야 하며, 이를 통해 AI 투자로 지속적인 개선이 이루어지고 있는지 쉽게 파악할 수 있어야 합니다. Stellar Cyber를 포함한 대부분의 최신 보안 운영 플랫폼은 이러한 프로세스를 간소화하는 보고 및 분석 기능을 내장하고 있습니다.

업계 표준에 대한 벤치마킹

성과를 맥락화하기 위해 업계 벤치마크와 지표를 비교하십시오. AI 지원 시스템이 성숙한 조직은 SOC일반적으로 당사의 AI 솔루션은 일반적인 장애 유형에 대해 몇 분에서 한 자릿수 시간 이내의 빠른 평균 복구 시간(MTTR)을 달성하는 반면, 업계 평균은 종종 며칠씩 걸립니다. 벤치마킹은 또한 동종 업계 대비 측정 가능한 진전을 보여줌으로써 AI 기능에 대한 지속적인 투자를 정당화하는 데 도움이 됩니다.

MTTR 개선과 비즈니스 성과 연계

운영 지표를 경영진이 이해할 수 있는 비즈니스 언어로 번역하십시오. 침해 비용 모델을 사용하여 MTTR(평균 복구 시간) 단축을 예상 비용 절감액과 연결하고, 분석가 생산성 향상을 정규직 환산(FTE) 역량으로 정량화하며, 더 빠른 알림 시간을 통해 규정 준수 개선을 입증하십시오. 이러한 번역 작업은 AI 프로그램이 지속적인 조직 지원과 자금을 확보하는 데 필수적입니다. MTTR 단축 방법을 이해하는 것은 기술적인 과제이지만, 그 가치를 전달하는 것은 장기적인 프로그램 성공을 좌우하는 전략적인 과제입니다.

독립형 제품

보안 기능

업종

Stellar Cyber와 비교해보세요

비교

고객 사례

차별화 요소

사고 리더십

프로그램 및 리소스

지금 시작하기

주요 리소스

SOC 자동화 가이드

SecOps 가이드

인공 지능 SIEM 안내서

언어 선택