읽을 가치가 있는 기사만, 짧고 또렷하게.

KiviDB는 Rust로 작성된 빠르고 멀티스레드 기반의 Redis 및 Valkey 대안 데이터베이스입니다. 이 프로젝트는 가비지 컬렉션(GC) 중단이나 메모리 폭증 문제 등 기존 시스템에서 발생했던 성능 문제를 해결하기 위해 개발되었으며, Redis 프로토콜(RESP2 및 RESP3)과 호환되어 기존 Redis 클라이언트 및 라이브러리와 함께 사용할 수 있습니다. 벤치마크 결과, KiviDB는 32개의 코어를 활용하여 초당 2,100만 건의 파이프라인 GET 요청을 처리하며, 이는 Redis 8 대비 약 9배, Dragonfly 대비 2.3배의 성능을 보여줍니다.

KiviDB는 메모리 내 키-값 저장소로 샤딩되어 있으며 멀티스레딩 방식으로 작동하고, io_uring 크레이트를 사용하여 Linux 환경에서 최고의 성능을 발휘합니다. 또한, 전체 텍스트 검색 및 벡터 검색 기능을 내장하고 있어 데이터베이스 내에서 고급 검색 기능을 쉽게 구현할 수 있습니다. 사용자는 선택적으로 Lua 스크립팅이나 TLS 기능을 추가할 수 있으며, 기본적으로 0.0.0.0:6380 포트에서 리스닝합니다.

KiviDB는 AGPL-3.0 라이선스를 따르며 오픈 소스이지만, 수정하여 네트워크 서비스로 제공할 경우 소스 코드를 공개해야 하는 조건이 포함되어 있습니다. 따라서 상업적 사용을 위해서는 별도의 상업적 라이선스를 고려해야 하며, 이는 KiviDB를 수정하거나 임베드하는 방식에 대한 법적 맥락을 이해하는 것이 중요합니다.

추측 디코딩(Speculative Decoding)이 빠른 이유는 작업량을 줄여서가 아니라 GPU가 수행하는 작업의 종류를 변경하기 때문입니다. 추측 디코딩은 드래프트 모델을 사용하여 잠재적인 토큰 시퀀스를 제안한 다음, 대형 모델이 이 시퀀스를 병렬로 검증하는 방식으로 작동합니다. 이는 전통적인 토큰별 디코딩이 메모리 바운드(Memory Bound)인 반면, 추측 디코딩은 배치 디코딩 시 컴퓨트 바운드(Compute Bound) 작업을 활용하여 속도를 높입니다.

LLM 디코딩 시 GPU가 수행하는 작업은 행렬 곱셈 같은 텐서 연산 외에도 글로벌 메모리에서 로컬 메모리로 데이터를 로드하는 작업이 중요한데, 이는 메모리 바운드 작업으로 분류됩니다. 토큰을 하나씩 디코딩할 때는 모델의 모든 파라미터를 스트리밍해야 하므로 메모리 바운드가 되지만, 수천 개의 토큰을 한 번에 배치로 디코딩할 때는 컴퓨트 바운드가 됩니다. 따라서 메모리 바운드 상태에서 컴퓨팅을 낭비하는 대신, 추측 디코딩은 이 여분의 컴퓨팅 자원을 활용하여 디코딩 속도를 향상시킵니다.

이러한 효율성은 배치 크기가 작을 때 특히 중요하며, 이는 '폭(Breadth)'과 '깊이(Depth)' 사이의 트레이드오프를 통해 달성됩니다. 배치 크기를 줄여서 추측 디코딩을 사용하면, 각 시퀀스가 한 번에 더 많은 토큰을 처리하는 '깊이'를 확보할 수 있으며, 이는 GPU가 메모리를 이동하는 데 시간을 할애하게 하여 전체 디코딩 시간을 단축시킵니다.

실제 서비스 환경에서 추측 디코딩을 사용할 때 이러한 컴퓨팅 효율성을 고려하는 것이 중요합니다. 특히 수용률이 100%가 아닐 경우 거부된 토큰은 불필요한 작업으로 남아 컴퓨팅을 낭비할 수 있기 때문입니다. 연구자들은 이러한 맥락에서 배치 크기에 따라 동적으로 추측 깊이를 조절하는 dSpark와 같은 새로운 접근 방식을 탐구하며, 고처리량 환경에서 추측 디코딩을 비활성화하는 설정 옵션도 제공하고 있습니다.

doubleAI가 개발한 Maxwell은 코드 실행 모델(Code Execution Model)로, 코드와 하드웨어 사이에 위치하여 코드가 실행되는 동안 스스로 최적화하고 개선하는 새로운 접근 방식을 제시합니다. Maxwell은 코드를 한 줄도 변경하지 않고도 실행 속도를 높이며, 하드웨어와 데이터 흐름을 고려하여 동적으로 적응합니다.

이 모델은 프로그램이 실행되는 방식을 관찰하고, 그에 맞춰 바이너리를 재작성하며, 모든 개선 사항이 원본 코드와 동등함을 수학적으로 증명합니다. 이를 통해 Maxwell은 데이터 파이프라인과 AI 추론 커널을 38배, AI 추론 커널을 4.25배 빠르게 만들 수 있습니다.

실제 사례로 LTX-2.5 모델을 사용하여 4K 비디오 생성 시간을 1.87배 단축했으며, Whisper 기반 음성 인식 작업은 106.23초에서 49.82초로 크게 줄였습니다. 또한 NetworkX 기반 그래프 알고리즘 실행 시간도 61.44초에서 17.50초로 단축하는 등 다양한 CPU 및 GPU 기반 코드 실행에서 효율성을 입증했습니다.

Maxwell은 기존의 방식처럼 인간이나 다른 도구가 코드를 반복적으로 재최적화하는 대신, 코드를 살아있는 사고하는 존재로 만들어 실행 환경에 맞춰 스스로 학습하고 개선하게 하는 패러다임 변화를 목표로 합니다.

온폴리 학습에서의 지식 증류는 강력한 교사 모델의 추론 능력을 더 작은 학생 모델에게 전달할 수 있지만, 두 가지 불일치 문제가 발생합니다. 이는 교사의 해답이 작은 학생에게 모방하기 어려울 수 있으며, 토큰 수준 확률이 학생에게 호환되지 않거나 아예 제공되지 않을 수 있기 때문입니다.

이러한 문제를 해결하기 위해 본 연구는 추론 흔적을 제공하는 모든 교사로부터 증류할 수 있는 통합 프레임워크인 브릿지드 셀프 디스틸레이션(Bridged Self-Distillation, BSD)을 제안합니다. 외부 교사라고 불리는 모델은 먼저 오프라인으로 생성 가능한 추론 흔적을 특권 컨텍스트로 제공합니다. 학생은 이 컨텍스트 없이 롤아웃을 생성하고, 학생을 조건화한 복사본을 자체 교사로 사용하여 학생의 토큰 공간에서 동일한 롤아웃을 평가합니다.

BSD는 이 결과를 바탕으로 토큰 수준 가이던스를 사용하여 실패한 롤아웃에 대한 업데이트를 조정하며, 검증자(verifier)가 결과 신호를 제공합니다. 이 방법은 외부 교사가 텍스트를 생성하기 위해서만 질의되므로 공유 토크나이저, 교차 토크나이저, 그리고 폐쇄 API 교사 등 모든 교사 시나리오에 동일하게 적용됩니다.

이러한 다양한 시나리오에서 BSD는 기본 모델보다 성능을 향상시키고 각 시나리오에 맞게 조정된 기준선 모델보다도 우수한 성능을 보이며, 증류를 위한 새롭고 통합된 경로를 제공합니다. 관련 코드는 GitHub에서 확인할 수 있습니다.

WhatsApp MCP는 개인 Cloudflare 계정에 배포하여 AI 에이전트가 WhatsApp 대화를 읽고 검색할 수 있도록 설계된 서버입니다. 이 시스템은 메시지 전송 기능을 지원하지 않으며, 오직 대화 내용을 읽고 검색하는 용도로만 사용됩니다.

이 서버는 연결된 기기로 동작하며, 요청 시점과 하루에 한 번 WhatsApp에 접속하여 새로운 메시지를 수집한 후 연결을 끊는 방식으로 작동합니다. 이러한 데이터 수집 메커니즘을 통해 AI 에이전트가 사용자의 대화 기록에 접근할 수 있게 됩니다.

핵심은 데이터의 처리 방식과 보안에 있습니다. 수집된 데이터는 해당 시스템 자체에 의해 관리되며, 메시지 전송 기능은 지원되지 않기 때문에 외부로 메시지를 전송할 위험이 없습니다. 이는 개인 Cloudflare 계정을 활용하여 AI 에이전트가 WhatsApp 데이터를 분석하는 데 초점을 맞춘 개발 사례입니다.

Plex 서버의 취약점이 실제 환경에서 악용되어 암호화폐 채굴기가 배포되는 사례가 포착되었습니다. 이 공격은 여러 취약점을 연결하여 원격 코드 실행(RCE)을 달성하는 방식으로 이루어졌으며, CVE-2026-96652, CVE-2026-96654, CVE-2026-96655, CVE-2026-96656 등의 취약점을 악용하는 `plex2shell`이라는 도구가 사용되었습니다.

공격자들은 주거용 IP를 프록시로 사용하여 기업 VPN 및 이메일에 접근하는 등 은밀하게 활동했으며, 이 과정에서 45.194.92.222, 91.92.40.202, 176.65.139.228 등의 IP 주소들이 악용에 사용된 것으로 확인되었습니다. 공격자는 최종적으로 217.60.194.116에서 악성 파일을 다운로드하여 `xmrig` 암호화폐 채굴기를 설치했습니다.

해당 공격에서 발견된 파일 해시와 악성 프로세스 정보는 보안 탐지를 위한 중요한 지표가 됩니다. 또한 공격 과정에서 `myawesomeproxy`와 같은 프록시 도구가 사용되었으며, 이는 인터넷 트래픽을 외부로 전송하는 행위와 관련이 있습니다. 개발자와 시스템 관리자는 Plex 서버의 보안 업데이트를 즉시 적용하고, 외부 접근을 최소화하며, 네트워크 트래픽에 대한 모니터링을 강화해야 합니다.

Wine을 OpenBSD로 포팅하는 새로운 포트 제안이 발표되었습니다. 이는 과거 %gs 문제 해결을 위한 소프트웨어 솔루션과 Andrii 및 Fabien의 협업을 통해 이루어졌으며, 윈도우 소프트웨어가 64비트로 전환됨에 따라 Wine에 대한 관심이 증가하면서 진행되었습니다.

이 포팅 작업은 64비트 윈도우 소프트웨어 테스트에 중점을 두었으며, 여러 개의 64비트 소프트웨어 테스트에서 성공적인 결과를 보였습니다. 예를 들어, The Witcher 3 리마스터와 같은 게임도 vkd3d-proton을 추가하여 실행할 수 있었습니다. 하지만 32비트 윈도우 소프트웨어인 WoW64는 아직 작동하지 않아 호환성에는 한계가 있습니다.

테스트 과정에서 내장 테스트 기능은 현재 비활성화되어 있으며, 이를 활성화하려면 X 서버 접근 권한이 필요하여 복잡하고 테스트가 멈추는 문제가 발생합니다. 따라서 사용자는 이 소프트웨어를 실행할 때 위험을 감수해야 하며, 보안을 위해 별도의 비특권 사용자 환경을 설정하는 것을 권장합니다.

Mistral이 학습한 패턴을 시계열 데이터에 적용하는 새로운 모델군인 Timestral이 공개되었습니다. 이 모델은 다변량 확률 예측을 지원하며, 과거 데이터 전용 및 미래 값이 알려진 공변량(covariates)을 처리할 수 있는 능력을 제공합니다.

Timestral은 시계열 데이터 분석에 특화된 파운데이션 모델로서, 기존의 패턴 학습 능력을 시간의 흐름에 따른 복잡한 예측 문제에 확장한 것입니다. 이는 단순한 시계열 예측을 넘어, 시간 의존적인 복합적인 변수들을 고려하여 예측의 정확도를 높이는 데 중점을 둡니다.

최대 2억 900만 파라미터에 달하는 모델 크기를 가지며, Mistral 평가에서 GIFT-Eval, TIME, fev-bench 등의 벤치마크에서 사전 학습된 제로샷 모델 중 일부로 평가되었습니다. 이 공개는 대규모 언어 모델의 강력한 추론 능력을 시계열 분석 분야로 확장하여, 복잡한 시계열 데이터 처리 및 예측에 새로운 접근 방식을 제시한다는 점에서 의미가 있습니다.

AI 기반 해킹 시스템인 Cairn의 공개된 패널들이 악의적인 사이버 활동에 광범위하게 사용되고 있다는 조사 결과가 나왔습니다. NorForge의 조사는 공개된 AI 기반 침투 테스트 제어 패널들이 공격자들이 목표를 선택하고 자율 에이전트를 지시하며 취약점을 악용하고 시스템에 지속적인 접근 권한을 확보하는 방식을 상세히 보여준다고 밝혔습니다.

조사 결과, 20개 이상의 노출된 Cairn 패널이 악성 활동과 연관되어 있으며, 이는 공격자들이 목표, 취약점, 계정 비밀 정보, API 키, 심지어 루트 접근 권한까지 포함하는 매우 민감한 정보를 노출하고 있습니다. 이러한 패널들은 종종 보안 조치가 미흡한 채 공개 웹에 방치되어 있어, 보안 연구자나 운영자가 이를 신속하게 제거하지 않으면 위험이 지속될 수 있습니다.

Cairn 시스템은 목표를 설정하고 해결책을 찾는 상태 기반 문제 해결 엔진으로 작동하며, 에이전트들이 사실과 의도를 통해 목표를 향해 단계적으로 진행하는 방식으로 작동합니다. 이러한 시스템이 악용될 경우, 공격자는 웹 셸 주입과 같은 실제 시스템 침투로 이어질 수 있어, 패널의 보안 상태를 점검하고 데이터를 즉시 삭제하는 것이 중요합니다.

우크라이나가 전선에서 부상당한 병사를 위한 최초의 공중 드론 후송 작전을 수행했습니다. 이 작전은 전쟁 상황에서 지상 수송이나 구조팀이 접근할 수 없는 위험한 환경에서 부상병을 안전하게 대피시키기 위해 이루어졌습니다.

이 작전은 동부 하르키우 전선에서 고립되어 있었으며, 병사는 러시아 카미카제 드론과 지뢰로 포위되어 있어 안전한 후송이 불가능한 상황이었습니다. 이에 지휘관들은 보조 수단으로 개조된 폭격기 드론을 사용했습니다. 이 드론은 소형 카미카제 드론과 그물로 무장한 쿼드콥터 편대를 뒤따르며 적 항공기를 포획하는 역할을 수행했습니다.

이 드론은 병사 옆에 착륙하여, 80킬로그램의 병사를 안전하게 들어 올려 전선에서 18킬로미터(11마일) 떨어진 안전한 곳으로 이동시켰습니다. 이 과정에서 해당 병사는 제92보병사단 소속이었으며, 'Chornyi' 소속의 30기계화여단이 조종한 드론에 의해 후송되었습니다.

HBO의 DC 유니버스 시리즈인 <랜턴스>는 일반적인 슈퍼히어로의 액션 대신 그릿한 리얼리즘을 추구하며 장르에 독특한 변화를 가져왔습니다. 이 작품은 <트루 디텍티브스>나 <슬로우 호스>와 같은 분위기를 연출하며 슈퍼히어로 장르 내에서 창의적인 해석이 무엇을 가능하게 하는지를 보여주는 선구적인 사례로 평가받고 있습니다.

작가는 이 변화를 긍정적으로 평가하며 리뷰 폭업을 무시할 것을 권하며, 시즌은 감정적으로 충만한 피날레를 선사했습니다. 비록 리부트된 DC 영화들이 즐거웠지만 기억에 남지 않는다는 평가가 있었으나, <랜턴스>는 장르 내에서 얼마나 창의적으로 접근할 수 있는지를 보여주는 빛나는 등대 역할을 합니다.

이야기는 두 가지 주요 줄거리로 진행되는데, 한 줄거리는 2016년 네브래스카주 러시빌에서 발생한 총격 사건을 다룹니다. 현재 그린 랜턴인 할 조던(카일 챈들러)과 신참 존 스튜어트(아론 피어)가 수사에 참여하며, 경찰인 케리 케인(켈리 맥도날드)이 사건에 외계인의 연관성을 처음에는 생각하지 않다가 결국 진실을 알게 되는 과정을 그립니다.

우크라이나군이 부상당한 병사를 드론으로 후방에서 이송한 것이 세계 최초라는 주장이 제기되었습니다. 이는 적 드론 활동과 지뢰 때문에 기존의 지상 무인 차량을 이용한 후송이 불가능했기 때문에 이루어진 것으로 밝혀졌습니다.

이 이송 작전에는 우크라이나 제조사의 폭격기에서 파생된 대형 헥사콥터가 사용되었으며, 병사를 안전하게 운반하기 위해 특수 요원들이 드론의 균형을 유지하는 기술을 적용했습니다. 이로써 우크라이나군은 드론 기술을 활용하여 전장에서 인명 손실을 줄이는 데 성공했으며, 이는 우크라이나 군이 무기 개발에서 세계적인 추세를 설정하고 있다는 주장의 근거가 되었습니다.

이러한 드론 운송 능력은 전쟁이 기술 군비 경쟁으로 변모하면서 양측이 드론을 활용하는 상황에서 중요한 의미를 가집니다. 또한 우크라이나는 드론을 의료 물류에 활용하는 실험 프로젝트를 승인했으며, 이는 병원 간에 의약품, 혈액 샘플, 기증 장기 등을 신속하게 운반하여 긴급한 의료 상황에 대응하기 위함입니다.

다만, 우크라이나의 드론 작전과 관련된 정보 공유 제한 및 스타링크 서비스 제한 등 서방과의 관계 악화 속에서 드론 기술의 활용과 통신 환경이 중요한 변수로 작용하고 있습니다.

소프트웨어 엔지니어 한 명이 자신의 업무 부담을 줄이고 작업에 집중하기 위해 개발한 태스크 시스템 3 & Done을 소개합니다. 이 시스템은 사용자가 해야 할 모든 일들을 저장하는 곳이며, 텍스트 입력뿐만 아니라 음성 입력을 받아 빠르게 항목을 추가할 수 있습니다.

3 & Done의 핵심 기능은 사용자가 입력한 작업들 중에서 가장 중요한 세 가지를 선택하고 그 이유를 제시해 주는 것입니다. 이 시스템은 마감 기한, 긴급성, 장시간 앉아 있는 시간 등을 기준으로 우선순위를 정하여 사용자가 하루를 효율적으로 계획할 수 있도록 돕습니다.

사용자는 입력 과정 중 언제든지 시스템을 중단할 수 있으며, 입력된 내용은 사용자가 회원가입을 하기 전까지는 저장되지 않습니다. 특히 음성 입력은 브라우저 내에서 처리되어 외부로 나가지 않으며, 사용자의 개인 정보와 작업 목록을 안전하게 관리하는 데 중점을 두고 있습니다.

이 시스템은 사용자가 해야 할 일들을 정리하고 우선순위를 설정하는 데 도움을 주며, 사용자가 자신의 하루를 효과적으로 관리할 수 있도록 설계된 개인화된 도구입니다.

Qwen3-4B 모델을 기반으로 AI의 작문 습관을 제거하여 자연스러운 글쓰기를 유도하는 qwen3-4b-deslop 모델이 공개되었습니다. 이 모델은 시스템 프롬프트 없이도 특정 작문 습관을 배제하며, Ollama를 통해 로컬 환경에서 실행할 수 있습니다.

연구진은 Qwen3-4B-Instruct에서 학습된 습관을 제거하기 위해 증류(distillation) 방법을 사용했으며, 스타일 가이드에 기반한 검출기(slop detector)를 통해 글쓰기 습관을 측정했습니다. 그 결과, 40개의 테스트 프롬프트에서 슬롭 점수가 121에서 12.5로 크게 감소했으며, 엠 대시 사용률은 20.5/1000단어에서 0으로 줄어들었습니다.

이 과정에서 모델은 인간의 글쓰기 범위 내에 있는 답변을 68% 달성했으며, 30개의 사실 질문에 대해 정확하게 답하는 능력을 유지했습니다. 하지만 모델은 여전히 인명이나 장소를 지어내거나 문장 연결 시 쉼표 사용을 과도하게 하는 등 일부 오류를 보였으며, 이는 추가적인 규칙 기반 검사를 통해 수정되었습니다.

최종적으로 이 모델은 특정 작문 규칙을 따르도록 훈련되었으나, 결과는 사용된 교사 모델과 스타일 가이드에 따라 달라지며, 독자 대상의 블라인드 테스트는 아직 진행되지 않았습니다. 향후에는 더 나은 기반 모델을 사용하여 이러한 훈련 파이프라인을 확장하고 더 나은 결과물을 도출할 계획입니다.

미국 국민의 80%가 라이브 스트리밍 집행에 반대한다는 여론조사 결과가 나왔습니다. 이 조사는 포트 후드 총격 사건과 관련하여 라이브 스트리밍 집행에 대한 대중의 의견을 조사한 것입니다.

조사 결과에 따르면 미국인 대다수가 라이브 스트리밍 집행에 반대하는 입장을 보였습니다. 이는 특정 사건에 대한 사회적 논의와 미디어의 역할에 대한 복잡한 감정을 반영하는 것으로 해석됩니다.

이러한 여론은 라이브 스트리밍이 사회적 이슈를 다루는 방식과 그에 대한 대중의 수용도에 대한 근본적인 질문을 제기합니다. 따라서 라이브 스트리밍 콘텐츠가 사회적 민감성을 다룰 때 발생할 수 있는 윤리적, 법적, 사회적 쟁점에 대한 논의가 중요해지고 있습니다.

메타는 최근 출시된 Muse 계열의 기반 모델을 훈련하는 데 필요한 인프라 구축을 위해 기가와트 규모의 슈퍼클러스터인 프로메테우스(Prometheus) 프로젝트를 진행하고 있습니다. 현재 프로메테우스의 첫 번째 단계가 완료되었으며, 이 시스템을 향후 약 100만 개의 GPU로 확장하는 작업을 진행 중입니다. 이 슈퍼클러스터는 폐쇄 루프 액체 냉각과 같은 기술을 통해 효율적인 운영을 보장하며, 대규모 AI 모델 훈련에 필수적인 인프라를 제공합니다.

프로메테우스는 메타의 뉴올라니, 오하이오 데이터 센터에 위치하며, 차세대 기반 모델을 훈련하는 데 사용됩니다. 이 시스템은 Muse 모델을 훈련하는 데 사용되었으며, 단일 호스트의 안정성과 신뢰성을 개선함으로써 훈련 작업의 성능을 극대화했습니다. 특히, 사전 훈련 실행에서 85% 이상의 성능과 강화 학습(RL) 실행에서 90% 이상의 성능을 달성했으며, 시스템 안정성을 개선하여 중단 간 평균 시간(MTBI)을 47k GPU 시간에서 54K GPU 시간 이상으로 늘리는 성과를 거두었습니다.

이러한 성과는 하드웨어 발전과 시스템 안정화 덕분이며, 프로메테우스는 현재 카탈리나(Catalina)와 베라 루빈(Vera Rubin) NVL72와 같은 NVIDIA GPU 플랫폼을 활용하고 있습니다. 향후 프로메테우스는 메타 슈퍼인텔리전스 랩의 차세대 모델을 위해 계속 확장될 예정이며, 이 경험은 향후 슈퍼클러스터 설계의 청사진을 제시하고 있습니다.

프로메테우스의 기술적 성과는 향후 하이페리온(Hyperion) 슈퍼클러스터 설계에 반영되어, 액체 냉각 및 차세대 네트워크 설계와 같은 혁신적인 접근 방식을 가능하게 할 것입니다.

최근 소프트웨어 시스템 운영에 에이전트 기반 모니터링(Agentic Monitoring)을 적용하여 운영 우수성을 새로운 수준으로 끌어올릴 수 있다는 주장이 제기되었습니다. 이는 Claude Tag와 같은 LLM을 '슈퍼팬'으로 활용하여 시스템의 각 구성 요소에 대해 집요하게 모니터링하게 함으로써, 기존의 전통적인 알림으로는 포착하기 어려운 미묘하고 새로운 문제를 감지할 수 있게 합니다.

현대 소프트웨어 시스템은 설계된 것보다 더 '성장'하고 있으며, 코드 양이 기하급수적으로 늘어나면서 인간 운영자가 시스템에 대한 실제 코드 지식을 유지하기가 점점 어려워지고 있습니다. 기존의 관측 가능성(Observability) 도구는 비용이 많이 들고 전문적인 인간 기술을 요구하기 때문에, 에이전트는 이러한 모니터링 문제를 해결하고 운영 효율성을 높이는 데 중요한 역할을 합니다.

특히 변경 지점 모니터링과 같은 영역에서 에이전트는 기존 알림 시스템보다 더 나은 정밀도와 재현율을 저렴하게 달성할 수 있습니다. 나아가 에이전트는 단순히 데이터를 읽는 것을 넘어, 인스턴스 크기 조정이나 설정 변경 롤백과 같은 실제 조치(Action)를 수행할 수 있는 잠재력을 가지고 있습니다.

에이전트 기반 모니터링은 코딩 에이전트가 더 많은 배포를 가능하게 하고, 모니터링 에이전트가 더 많은 시스템을 지원하며, 결과적으로 인간이 더 많은 작업을 처리할 수 있도록 시간을 확보하는 선순환 구조를 만듭니다. 비용이 더 이상 제약이 되지 않으며, 에이전트 기반 시스템은 궁극적으로 자가 치유 시스템으로 발전할 수 있습니다.

와이즈(Wyze)가 새로운 Ultra BodyScan 스마트 체중계의 디자인을 개선하여 사용 편의성을 높였다고 발표했습니다. 이 제품은 이전 버전에서 팔, 다리, 몸통 전반의 다양한 건강 지표를 측정하기 위해 수납 가능한 핸들에 추가 전극을 장착한 형태였습니다.

새롭게 출시된 Ultra BodyScan Plus 모델은 이 측정 데이터를 표시하는 4.3인치 맞춤형 컬러 화면을 수납 가능한 핸들로 옮겼습니다. 이를 통해 사용자는 측정 결과를 눈높이에 가깝게 볼 수 있게 되어 데이터를 훨씬 쉽게 읽고 확인할 수 있게 되었습니다.

이 새로운 Ultra BodyScan Plus는 현재 Wyze 온라인 스토어에서 검은색 또는 흰색 옵션으로 149달러에 판매되고 있습니다. 이는 이전 Ultra BodyScan 모델(119.98달러)보다 약 30달러 더 높은 가격입니다.

이 스마트 체중계는 전도성 인듐 주석 산화물(ITO) 코팅 유리 표면을 사용하여 발의 위치에 관계없이 생체 전기 임피던스(BIA) 측정이 가능합니다.

Citrix NetScaler Gateway에서 발견된 심각한 제로데이 취약점 CVE-2026-88771과 CVE-2026-88772는 사용자가 로그인하지 않은 상태에서도 공격자가 게이트웨이에서 명령을 실행할 수 있게 하는 문제를 포함하고 있습니다. 이 취약점은 로그인 페이지가 공격 표면이 될 수 있음을 보여주며, 공격자가 애플리케이션 서버에 접근하고 명령을 실행할 수 있는 심각한 보안 위험을 초래합니다.

이러한 보안 문제에 대응하기 위해 Citrix는 소프트웨어 업데이트를 배포했으며 Cloudflare는 긴급 웹 애플리케이션 방화벽(WAF) 규칙을 배포했습니다. 하지만 패치 적용 과정은 시스템 중단이나 사용자 접근 차단을 유발할 수 있어 관리자들에게 큰 부담이 됩니다. 따라서 패치 적용 후에도 추가적인 보안 통제를 마련하여 향후 유사한 공격을 방지하는 것이 중요합니다.

보안 업데이트만으로는 충분하지 않기 때문에, 시스템 전체에 걸쳐 '다중 방어(defense in depth)' 전략을 구축해야 합니다. 이는 접근 정책, 웹 애플리케이션 보안, 원본 연결 제한을 결합하여 인증 서비스와 애플리케이션 서버를 보호하는 방식입니다. 접근 통제를 통해 서버에 대한 접근을 제한하고 WAF 검사를 통해 웹 요청을 평가하며 원본 제한을 통해 우회 경로를 차단함으로써 노출을 줄일 수 있습니다.

궁극적으로 접근 결정, 웹 검사, 가용성 통제를 NetScaler 앞에 통합하여 원본으로의 연결을 제한하는 아키텍처를 구축해야 합니다. 이는 특정 소프트웨어 실패나 취약점으로부터 발생할 수 있는 심각한 보안 문제를 예방하는 데 필수적입니다.

애플이 앱 심사 기준을 강화하여 인공지능을 사용하여 부적절한 콘텐츠를 생성하거나 일반 앱으로 위장한 앱을 금지하는 지침을 업데이트했습니다. 개발자들은 사용자 생성 콘텐츠를 호스팅하는 앱에 대해 부적절한 자료를 필터링하고, 사용자가 부적절한 콘텐츠를 신고하며, 악성 계정을 차단할 수 있는 조치를 포함하도록 요구받습니다.

또한 애플은 심사 과정에서 숨겨진 기능이나 문서화되지 않은 기능을 포함하는 앱을 금지하며, 승인 후에만 유해한 기능, 예를 들어 ‘넛지피케이션(nudification)’과 같은 기능을 노출하는 행위를 금지했습니다. 이는 앱이 제출된 버전에서 존재하지 않는 기능을 추가하는 것을 막고, 심사 과정에서 목적을 잘못 표현하거나 유해한 기능을 숨기는 ‘미끼-교체(bait-and-switch)’ 전술을 차단하기 위함입니다.

애플은 이러한 업데이트를 통해 앱이 사용자에게 유해한 기능을 노출하는 것을 방지하고, 인권 침해나 아동 착취를 조장하는 앱을 막기 위해 법적 섹션의 언어도 강화했습니다. 과거 애플은 사기 및 남용으로 인해 15만 개 이상의 앱을 차단하고 19만 3천여 개의 개발자 계정을 삭제한 바 있습니다.

이러한 정책 변화는 앱 스토어 심사 과정에서 개발자들이 콘텐츠 및 기능의 투명성을 확보하고, 사용자 안전을 보장하는 데 더 많은 예방 조치를 포함해야 함을 의미합니다. 개발자들은 AI 기능과 사용자 생성 콘텐츠에 대한 명확한 가이드라인을 준수하여 앱을 출시해야 합니다.