본 논문은 대규모 언어 모델(LLM)에 대한 서비스 거부 공격(DoS)의 새로운 자동화된 방법인 AutoDoS를 제안합니다. 기존 연구가 주로 화이트박스 공격에 집중한 것과 달리, AutoDoS는 블랙박스 환경에서도 효과적으로 작동하도록 설계되었습니다. AutoDoS는 DoS 공격 트리를 구성하고 노드 범위를 확장하여 효과적인 공격을 수행하며, 전이 학습 기반의 반복적 최적화를 통해 여러 모델에 걸쳐 하나의 프롬프트로 작동합니다. 또한, 길이 트로이 목마를 포함하여 기존 방어 기법을 더 효과적으로 우회하는 방법을 제시합니다. 실험 결과, AutoDoS는 서비스 응답 지연 시간을 250배 이상 증가시키고 GPU 사용률 및 메모리 사용량 측면에서 심각한 자원 소모를 유발하는 것으로 나타났습니다. 이는 LLM-DoS 공격 및 보안 방어에 대한 새로운 관점을 제시하며, 소스 코드는 공개되어 있습니다.
