목차
- 왜 신뢰연구환경(TRE, Trusted Research Environment)인가?
1.1 데이터를 확보해도, 허들은 남아 있습니다
1.2 AI·RE: 데이터도, 연구도, 격리된 환경 안에서 안전하고 빠르게
1.3 AI·RE가 신뢰연구환경을 유지하는 방법 - 연구자는 무엇을 하고, 플랫폼은 무엇을 하는가
2.1 연구 흐름
2.2 AI·RE 핵심 기능을 구현한 AWS 서비스 - 핵심 기능은 AWS에서 어떻게 구현되었는가
3.1 Enclave: 인터넷과 격리된 분석환경
3.2 Air-lock: 데이터셋 자동 검사와 승인을 거치는 반출입 과정
3.3 AI Core: 단일 Gateway로 통제된 AI
3.4 IaC: 코드로 관리하는 인프라와 온보딩 자동화 - 맺으며
1. 왜 신뢰연구환경(TRE, Trusted Research Environment)인가?
1.1 데이터를 확보해도, 허들은 남아 있습니다
정밀 의료의 시대에 연구 기관의 경쟁력은 데이터를 얼마나 가졌는가가 아니라, 얼마나 안전하게 쓸 수 있는가로 옮겨 가고 있습니다. 방대한 임상·유전체 데이터가 축적되었고, 생성형 AI는 분석과 모델링에 걸리는 시간을 획기적으로 줄이고 있습니다.
그런데 데이터를 확보하더라도, 연구를 위한 허들은 많이 남아 있습니다. 누가 어떤 데이터에 접근할 수 있는지, 프로젝트는 어떻게 격리할지, 보안과 규제는 어떻게 지킬지, 분석환경은 누가 어떻게 안전하게 만들지를 정한 뒤에야 연구가 시작됩니다.
여기에 더 큰 문제가 있습니다. 보안을 위해 닫아 둔 환경에서는 최신 AI 도구를 쓸 수 없고, 그러면 연구자는 통제된 환경 밖에서 도구를 찾습니다. 통제를 풀면 관리되지 않는 환경에서 데이터가 노출될 수 있고, 통제를 조이면 연구는 느려집니다. 어느 쪽을 택해도 잃는 것이 있고, 연구 현장의 AX(AI Transformation)는 이 사이에서 멈춥니다.
이 글은 이 문제를 풀기 위해 개발한 솔루션을 소개하고, AWS 위에서 어떻게 구현했고 그로써 무엇을 얻었는지를 중심으로 이야기합니다.
1.2 AI·RE: 데이터도, 연구도, 격리된 환경 안에서 안전하고 빠르게
NDS AI·RE(에어) 는 이 문제에 답하려고 만든, 의료·연구 민감데이터를 위한 신뢰연구환경(TRE, Trusted Research Environment) 솔루션입니다. 한 문장으로 요약하면 이렇습니다.
데이터도, 연구도, 격리된 환경 안에서 안전하고 빠르게.
데이터는 외부와 격리된 저장소를 벗어나지 않고, 연구자는 인터넷과 격리된 분석환경 안에서만 그 데이터를 다룹니다. 여기에 생성형 AI 에이전트를 통제된 경로로 더해, 보안을 지키면서도 분석의 속도와 품질을 함께 끌어올리는 것이 목표입니다.
이러한 목표를 달성하기 위해 AI·RE는 6가지 핵심 기능으로 구성됩니다.
| 기능 | 하는 일 | |
|---|---|---|
| 1 | Smart Researcher Portal | 연구 자원 신청·관리·모니터링을 한 화면에서 관리 |
| 2 | AI-Powered Analytics | AI 에이전트가 데이터 탐색과 모델 개발까지 지원 |
| 3 | AI-Optimized Enclave | 인터넷이 차단된 격리 공간에서 분석 도구 즉시 사용 |
| 4 | AI-Powered Air-lock | 반입·반출 데이터의 자동 검증으로 단일 보안 관문 운영 |
| 5 | Secure Data Fabric | Zero-Copy 아키텍처로 원본 훼손 없는 안전한 데이터 공급망 제공 |
| 6 | Immutable Audit & Compliance | 국내외 보건의료 가이드라인에 대응 |
1.3 AI·RE가 신뢰연구환경을 유지하는 방법
현황, 한계, 그리고 새로운 표준.
외부 AI 서비스 이용이 제한되는 환경에서는 연구자가 임의로 여러 분석 도구를 찾아 쓰게 됩니다. 보안을 강화한 결과가 오히려 보안 사각지대가 되는 셈입니다. 보안과 연구 속도·품질 사이의 이 트레이드오프를 풀지 못하면 새로운 표준도 없습니다. 신뢰연구환경이 답해야 하는 문제가 바로 이것입니다.
| 구분 | 내용 | 특징 |
|---|---|---|
| 현황: 연구를 움직이는 힘 | 임상·유전체 데이터의 대규모 축적 · 생성형 AI의 빠른 발전 · 정밀 의료로의 전환 | 데이터와 AI가 연구의 속도와 품질을 결정 |
| 한계: 연구 구조적 과제 | TB급 유전체 분석 · 기관을 넘어선 공동 연구의 필요 · 임의 도구 사용으로 보안 사각지대 발생 | 강화된 보안과 연구 속도·품질의 트레이드오프 발생 |
| 새로운 표준: AI·RE가 제시하는 방향 | 인터넷과 격리된 분석환경에서의 데이터 취급 · AI 기반 연구 가속 · AX 실현 | 격리된 환경과 AI를 활용한 안전한 연구환경 운영 |
Five Safes, 그리고 AI 시대의 요건
격리된 환경은 만드는 것보다 유지하는 것이 어렵습니다. AI·RE는 신뢰연구환경에서 널리 쓰이는 Five Safes*(안전한 데이터 이용을 위해 통제해야 할 다섯 가지 요소)에 AI 시대의 요건 하나를 더해 설계 원칙으로 삼았습니다.
| 요건 | 질문 | AI·RE가 지키는 방법 | |
|---|---|---|---|
| 1 | Safe People | 누가 | MFA 인증과 역할 기반 권한(RBAC)으로 승인된 연구자만 접근. 역할에 따라 접근 가능한 데이터 범위 구분 |
| 2 | Safe Projects | 무엇을 위해 | 승인된 프로젝트마다 독립된 분석 공간 자동 배포. 프로젝트별 리소스 사용 한도 설정 |
| 3 | Safe Settings | 어디서 | 인터넷이 차단된 격리 분석환경에서만 분석. 검증된 분석 도구·라이브러리만 제공 |
| 4 | Safe Data | 어떤 데이터로 | 원본 복제 없이 읽기 전용 마운트. 메타데이터 카탈로그로 데이터셋 검색 |
| 5 | Safe Outputs | 무엇을 가지고 나가는가 | 반출 파일의 민감정보 포함 여부 검사 후, 관리자 승인을 거친 결과물만 반출 |
| + | AI-Enabled | 그리고 AI는 | 연구 전 과정에 AI 에이전트 적용. 단, 위 다섯 가지 통제 범위 안에서만 동작 |
* Five Safes: 영국 통계청(ONS)에서 시작되어 호주 통계청(ABS), 뉴질랜드 통계청, 영국 HDR UK 등 각국 통계 기관과 신뢰연구환경이 채택한, 안전한 연구 데이터 이용을 위한 프레임워크.
여섯째 줄이 AI·RE와 기존 신뢰연구환경의 차이점입니다. 지능형 연구를 위한 새로운 표준으로, AI 기반 연구 가속화와 AX를 실현할 수 있습니다.
2. 연구자는 무엇을 하고, 플랫폼은 무엇을 하는가
2.1 연구 흐름
AI·RE에서는 접근 권한 확인부터 결과물 반출까지, 연구의 전 과정이 하나의 흐름으로 이어집니다.
| 단계 | 과정 | AI·RE 이용방식 |
|---|---|---|
| 1 | 누가, 어떤 데이터에 접근할 수 있는가 | 기관 관리자가 연구자를 등록하고 조직·역할에 따라 권한 부여. 데이터를 열기 전에 접근 자격부터 확인 |
| 2 | 어떤 목적으로 데이터를 사용하는가 | 승인된 프로젝트 안에서만 연구 진행. 목적과 참여자가 정해지면 그 범위 밖의 데이터와 기능은 비노출 |
| 3 | 연구마다 필요한 환경을 매번 다시 만들어야 하는가 | 프로젝트·연구자별 독립 분석환경 제공. 브라우저로 접속해 익숙한 분석 도구(JupyterHub·RStudio) 즉시 사용. 다른 연구자의 환경과 상호 영향 없음 |
| 4 | 어떤 데이터를 연구에 제공하는가 | 외부 데이터·코드는 반입 검사를 거쳐 반입. 승인된 데이터셋은 복사 없이 분석환경 안에서 읽기 전용으로 사용 |
| 5 | 어떤 결과물을 외부로 가져갈 수 있는가 | 결과물의 민감정보·악성코드 포함 여부 검사 후 승인된 결과만 반출. 반입부터 반출까지 통제·기록 |
| 6 | AI를 어떻게 활용해 연구 효율을 높이는가 | 연구자가 자연어로 분석 목적을 말하면 AI 에이전트가 데이터 구조 해석, 분석 코드 생성, 시각화 코드 생성. 단, 앞의 다섯 통제 안에서만 동작 |
2.2 AI·RE 핵심 기능을 구현한 AWS 서비스
AI·RE의 핵심 기능 중 3가지를 어떤 AWS 서비스로 구현했는지 소개합니다.
| 핵심 기능 | 연구자 Action | 적용 AWS 서비스 |
|---|---|---|
| Enclave: 격리 분석환경 | 프로젝트 생성 후 사양 신청, 분석환경 접속, 승인된 데이터셋 사용 | VPC · EC2 · S3 · Systems Manager · KMS etc. |
| Air-lock: 반입·반출 통제 | 외부 데이터·코드 반입 신청, 결과물 반출 신청 | S3 · GuardDuty · Macie · EventBridge · SQS etc. |
| AI Core: 연구 어시스턴트와 모델 호출 통제 | 에이전트에 자연어로 탐색·분석·모델·코드 등 생성 요청 | Bedrock · EKS · Secrets Manager · S3 etc. |
3. 핵심 기능은 AWS에서 어떻게 구현되었는가
3.1 Enclave: 인터넷과 격리된 분석환경
연구 데이터셋이 외부로 노출되지 않도록, 연구자가 들어가는 격리 분석환경(Enclave)의 VPC에는 인터넷으로 나가는 경로가 없습니다. 차단 규칙으로 막은 것이 아니라 Internet Gateway 자체를 붙이지 않은 것이라, 규칙 하나를 잘못 넣어 인터넷이 열리는 일은 생기지 않습니다. Enclave가 밖과 통하는 곳은 데이터 저장소와 상태 게시 통로 둘뿐이고 둘 다 AWS 내부망 안에서 끝나며, 연구자의 접속은 인증을 거친 플랫폼을 통해서만 들어옵니다. 격리는 정책 문서가 아니라 네트워크 구성 자체로 보장됩니다.
인터넷 없이도 데이터셋을 쓸 수 있도록, 데이터는 객체 저장소에 두고 Enclave가 읽기 전용으로 마운트합니다. 프로젝트마다 데이터를 복사하는 대신 원본 하나에 각 분석환경이 붙는 Zero-Copy 방식이라 관리해야 할 복제본이 늘어나지 않고, 연구자에게는 로컬 디렉터리처럼 보입니다.
3.2 Air-lock: 데이터셋 자동 검사와 승인을 거치는 반출입 과정
반입 데이터에 악성코드가 섞여 들어오거나 반출 결과물에 민감정보가 섞여 나가지 않도록, 반입과 반출 양쪽에 같은 관문을 세웠습니다. 이것이 Air-lock입니다. 반출 결과물은 저장소에 올라가는 순간 자동 검사를 거치고, 통과한 것만 승인 단계로 넘어가며, 승인된 것만 내려받을 수 있습니다. 반출은 사용자가 버튼을 눌러서 되는 것이 아니라 이 경로를 통과해야만 가능합니다.
3.3 AI Core: 단일 Gateway로 통제된 AI
AI·RE의 연구 어시스턴트는 자연어로 분석 목적을 말하면 데이터 구조를 해석하고 분석 코드를 만들어 줍니다. 이 기능을 통제 안에 두는 장치는 세 가지입니다. 모든 모델 호출은 LLM Gateway 하나를 거치고, 모델 Key는 Gateway만 보유합니다. 누가 어떤 모델을 얼마나 썼는지는 History에 사용자와 대화 단위로 남습니다. 모델은 Amazon Bedrock에서 호출하므로 별도의 모델 서버를 운영하지 않습니다.
AI Core는 Enclave와 네트워크로 연결되어 있지 않습니다. 어시스턴트는 데이터 구조 정보를 바탕으로 코드를 만들고, 연구자는 그 코드를 Enclave 안에서 실행합니다.
3.4 IaC: 코드로 관리하는 인프라와 온보딩 자동화
AI·RE의 인프라는 전부 코드형 인프라(IaC, Infrastructure as Code) 입니다. 인프라는 Terraform으로, 분석환경 이미지는 Packer로 정의하고, 인프라 변경은 코드 변경으로만 이루어집니다.
이 구성의 효과는 신규 사용자 기관을 추가할 때 나타납니다. 새 기관의 온보딩은 관리자가 콘솔을 여는 작업이 아니라 플랫폼이 Terraform을 실행하는 작업이고, 중간에 실패하면 롤백되어 불완전한 상태로 남지 않습니다. 사용 기관이 늘어도 공유 인프라는 그대로입니다.
이처럼 AI·RE의 핵심 기능은 인터넷과 격리된 네트워크, 악성코드와 민감정보 검사, 모델 호출까지 AWS 관리형 서비스를 활용하고, 인프라 자동화는 IaC 도구를 조합해 구성했습니다.
4. 맺으며
지금까지 신뢰연구환경이 왜 필요한지, 연구자가 AI·RE에서 어떤 흐름으로 연구하는지, 그리고 Enclave·Air-lock·AI Core 세 가지 핵심 기능과 이를 뒷받침하는 IaC가 AWS에서 어떻게 구현되었는지 살펴보았습니다.
AWS 네이티브로 설계하면서 얻은 것은 두 가지입니다. 하나는 통제를 규칙이 아니라 구조로 만들 수 있었다는 점입니다. Internet Gateway가 없는 VPC, 자동 검사와 승인을 거쳐야만 열리는 반출 경로, 하나뿐인 LLM Gateway는 지켜야 할 규칙이 아니라 그렇게 만들어진 구성입니다. 다른 하나는 솔루션에 사용하는 기능을 만들지 않고 관리형 서비스를 사용했다는 점입니다. 격리 네트워크, 악성코드와 민감정보 검사, 모델 호출은 AWS 관리형 서비스를 그대로 활용하고 인프라 자동화는 IaC 도구를 조합하여, 개발기간을 대폭 단축시킬 수 있었습니다.
신뢰연구환경은 한 번 만들고 끝나는 시스템이 아니라, 연구가 이어지는 동안 통제가 유지되어야 하는 환경입니다. AI·RE는 Five Safes의 다섯 가지 통제 위에 AI를 더해, 보안과 맞바꾸지 않고도 연구 현장의 AX를 실현할 수 있도록 설계되었습니다.