GPT-5.6 → DeepSeek V4/Kimi K3/Qwen: 폐쇄형 보안 스캐너를 오픈웨이트로 전환할 때의 아키텍처 결정과 위협 모델 변화

1. 배경

2026년 7월, OpenAI는 @openai/codex-security를 공개했다. 이는 GPT-5.6 계열 모델을 백엔드로 사용하는 CLI + TypeScript SDK 기반의 코드 보안 취약점 스캐너다. 그러나 이 도구는 @openai/codex라는 폐쇄형 Rust 바이너리에 의존하며, API 엔드포인트와 모델 선택이 하드코딩되어 있다.

Vibe Quant Insight #001에서 분석한 바와 같이, 2026년 7월 현재 DeepSeek V4, Kimi K3, Qwen3 등 오픈웨이트 모델이 프론티어 성능에 도달했으며, 코드 분석 태스크에서도 폐쇄형 모델과 동등하거나 우수한 성능을 보인다.

이 보고서는 OpenAI Codex Security를 오픈웨이트 모델로 전환(@gameworkerkim/codex-open-security)하는 과정의 기술적 분석, 아키텍처 결정, 그리고 남은 과제를 문서화한다.

2. 원본 아키텍처 분석 — @openai/codex-security

2.1 의존성 체인

codex-security CLI (Node.js)
  ├── @openai/codex-sdk (TypeScript wrapper)
  │     └── @openai/codex (Rust binary, closed-source)
  │           ├── Multi-agent orchestration
  │           ├── Plugin marketplace
  │           └── Direct OpenAI API calls (hardcoded endpoint)
  └── _bundled_plugin/ (Python security scanning skills)

2.2 폐쇄형 의존성이 만드는 위험

위험 설명
API 종속성 OpenAI API 장애 시 전체 파이프라인 중단
공급망 단일 장애점 @openai/codex 바이너리 하나가 모든 보안 스캔의 유일 통로
검증 불가능성 Rust 바이너리의 내부 로직 감사 불가
비용 예측 불가 GPT-5.6 계열의 가격 정책이 벤더에 의해 일방적으로 결정됨
수출 통제 리스크 API 접근이 규제 대상이 될 경우 모든 CI 파이프라인이 영향을 받음

2.3 포팅 시 핵심 도전 과제

컴포넌트 원본 포팅 접근법
모델 호출 @openai/codex Rust 바이너리 openai npm SDK → DeepSeek/Kimi/Qwen API
인증 ChatGPT OAuth + API Key API Key only (환경변수)
비용 추적 세션 JSONL 파일 파싱 Provider-native pricing 반영
멀티에이전트 features.multi_agent_v2 미지원 (단일 모델 배치 처리)
플러그인 Python _bundled_plugin/ 프롬프트 엔지니어링 기반
구조화 출력 response_format: { type: "json_object" } OpenAI 호환 포맷 사용
스캔 이력 ~/.codex/sessions/ local DB 미구현 (향후 추가)

3. 포팅된 아키텍처 — @gameworkerkim/codex-open-security

3.1 의존성 그래프

codex-open-security CLI (Node.js, TypeScript)
  ├── openai npm SDK
  │     └── OpenAI-compatible REST API
  │           ├── DeepSeek (api.deepseek.com)
  │           ├── Kimi K3 (api.moonshot.cn)
  │           └── Qwen (dashscope-intl.aliyuncs.com)
  ├── Commander (CLI framework)
  └── Zero native dependencies

3.2 설계 원칙

  1. Zero native binary dependency — 순수 TypeScript + npm만으로 동작
  2. Provider abstraction — providers.ts에서 제공자 설정을 중앙 관리
  3. OpenAI-compatible protocol — OpenAI SDK가 지원하는 모든 호환 API를 provider 추가만으로 지원
  4. Batch-based scan — 단일 모델 호출로 5개 파일씩 배치 처리

3.3 모델 선택 매트릭스

사용 사례 추천 모델 이유
일반 코드 보안 스캔 DeepSeek V4 (deepseek-chat) 가성비 최상 ($0.27/1M input), SWE-bench 80.6
딥 다이브 분석 DeepSeek V4-Pro (deepseek-reasoner) Chain-of-thought 추론, 복잡한 취약점 패턴 탐지
프론트엔드 코드 Kimi K3 (kimi-k3) Frontend Code Arena 1위, JSX/TSX 분석 특화
멀티랭귀지 대량 스캔 Qwen3-Max (qwen-max) 다국어 취약점 패턴 인식 우수
CI 통합 (비용 제약) Qwen3-Plus (qwen-plus) $0.80/1M input, 대량 스캔에 적합

4. CTI 함의 — 오픈웨이트 보안 도구의 등장

4.1 위협 모델의 변화

이 포크가 단순한 "무료 대체제" 이상인 이유는 세 가지다:

  1. 검증 가능한 보안 도구 — 폐쇄형 바이너리가 없는 구조는 도구 자체의 공급망 공격 표면을 줄인다. @openai/codex Rust 바이너리를 신뢰해야 하는 원본과 달리, 이 포크는 모든 코드가 감사 가능하다.

  2. 다중 제공자 리던던시 — 단일 LLM 제공자의 장애나 정책 변경이 전체 보안 스캔 파이프라인을 중단시키지 않는다. DeepSeek 장애 → Kimi K3 fallback, Kimi K3 비용 급등 → Qwen으로 전환.

  3. 온프렘 전환 경로 — API 기반이지만, DeepSeek V4와 Qwen3의 오픈웨이트 가중치를 자체 GPU 클러스터에 배포하면 완전한 오프라인 보안 스캔이 가능하다. 이는 망분리 환경(금융·국방)에서 결정적 차이를 만든다.

4.2 공격자 관점

오픈웨이트 모델 기반 보안 도구의 확산은 공격자에게도 동일한 기능을 제공한다:

  • 악성코드 개발자가 Kimi K3로 자신의 코드를 보안 스캔 → 탐지 회피 최적화
  • LLM 보조 리버스 엔지니어링(한화비전 사례 참조)의 경제성이 더욱 개선됨

이는 보안 도구의 민주화가 공격과 방어 양측에 대칭적으로 적용된다는 점을 재확인한다.

5. 남은 과제

과제 심각도 비고
Python 플러그인 미지원 Medium 원본의 _bundled_plugin/ (Python security skills) 없음
멀티에이전트 미지원 Low 단일 모델로도 충분한 정확도 확보 가능
스캔 이력 관리 Low scans list/show/rerun/compare 미구현
CSV 벌크 스캔 Low 다수 레포지토리 일괄 스캔 미지원
비용 추적 UI Low Provider-native pricing만 제공
응답 포맷 호환성 Medium 일부 모델(Kimi K3)에서 JSON structured output 미지원 가능성

6. 결론

OpenAI Codex Security의 오픈웨이트 전환은 기술적으로 실행 가능하며, DeepSeek V4와 Kimi K3의 현재 벤치마크 성능을 고려할 때 실무에서 충분한 정확도를 기대할 수 있다.

핵심 제약은 @openai/codex Rust 바이너리가 제공하는 멀티에이전트 오케스트레이션과 Python 플러그인 시스템의 부재다. 그러나 단일 모델 + 프롬프트 엔지니어링만으로도 OWASP Top 10 및 CWE Top 25 수준의 취약점 탐지에는 충분한 정확도를 확보할 수 있다.

오픈웨이트 진영이 프론티어 성능에 도달한 현 시점에서, 보안 도구의 오픈웨이트 전환은 더 이상 "가능한가"의 문제가 아니라 "얼마나 빨리"의 문제다.

변경 이력

버전 일자 내용
v1.0 2026-07-29 최초 발행 — OpenAI Codex Security 분석 및 오픈웨이트 포팅 보고

© 2026 Dennis Kim (김호광) · Cyber Threat Intelligence Division [email protected] · github.com/gameworkerkim

본 리포트는 교육·연구 목적의 기술 분석입니다. TLP:GREEN — 커뮤니티 내 공유 가능.