> For the complete documentation index, see [llms.txt](https://docs.panther.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.panther.com/ko/resources/panther-architecture.md).
# Panther 시스템 아키텍처
## Panther 시스템 개요
위의 다이어그램은 대략 왼쪽에서 오른쪽으로 흐르며, 다음 단계로 읽을 수 있습니다:
1. 원시 로그 데이터는 SaaS puller(예: [Okta](/ko/data-onboarding/supported-logs/okta.md)) 및 데이터 전송 소스(예: [AWS S3](/ko/data-onboarding/data-transports/aws/s3.md)). 이러한 원시 로그는 [로그 처리](#log-processing-subsystem) 하위 시스템에서 구문 분석, 필터링 및 정규화됩니다.
* 출력은 [로그 처리](#log-processing-subsystem) 다음 두 하위 시스템으로 흐릅니다: [데이터 레이크](#data-lake-subsystem) 그리고 [디택션](#detection-subsystem).
2. 활성화된 경우, [클라우드 보안 스캔](/ko/cloud-scanning.md) 온보딩된 클라우드 인프라를 스캔한 다음, 발견한 리소스를 [디택션](#detection-subsystem) 하위 시스템에서 구문 분석, 필터링 및 정규화됩니다.
3. 해당 [보강](#enrichment-subsystem) 하위 시스템은 데이터 흐름에 추가 컨텍스트를 선택적으로 추가합니다. [디택션](#detection-subsystem) 하위 시스템은 디택션 효율을 향상시키는 데 사용할 수 있는 추가 컨텍스트를 선택적으로 더합니다(예: [IPinfo](/ko/enrichment/ipinfo.md), [Okta Profiles](/ko/enrichment/okta.md)).
4. 해당 [디택션](#detection-subsystem) 하위 시스템은 다음 입력에 디택션을 적용합니다:
* 다음에서 [로그 처리](#log-processing-subsystem): 로그 이벤트
* 다음에서 [예약 검색](/ko/search/scheduled-searches.md): 로그 이벤트
* 다음에서 [클라우드 보안 스캔](/ko/cloud-scanning.md): 인프라 리소스
5. 해당 [AI](#ai-subsystem) 하위 시스템은 알러트 분류에 사용되며, 알러트가 생성될 때 자동으로 트리거되도록 구성할 수 있습니다. AI 서비스는 API 및 다양한 [콘솔 UI 진입점](/ko/ai.md#where-to-use-panther-ai).
6. 디택션이 알러트를 생성하면, 해당 알러트는 [알러팅](#alerting-subsystem) 하위 시스템으로 전송되어 적절한 알러트 [대상](/ko/alerts/destinations.md) (예: Slack, Jira, 웹훅 등)로 전달됩니다. 하나의 알러트는 하나 이상의 대상에 라우팅될 수 있습니다.
다이어그램 하단에서 Control Plane은 위의 하위 시스템(데이터 평면)을 구성하고 제어하는 교차 기능 인프라를 나타냅니다. 이는 아래 각 하위 시스템 설명에서 더 자세히 다뤄집니다. [API Server](#api-subsystem) 는 오른쪽 상단에 표시된 Control Plane으로의 외부 진입점입니다.
### 일반 고려 사항
#### AWS
* 각 Panther 고객은 전용 AWS 계정에 Panther 인스턴스를 배포합니다.
* 고객은 AWS 계정을 직접 소유하거나 Panther가 해당 계정을 관리하도록 선택할 수 있습니다.
* 고객 간에는 어떤 데이터도 공유되거나 접근되지 않습니다.
* AWS 계정은 애플리케이션의 권한 경계를 형성합니다.
* 네트워킹이 필요한 서비스에는 단일 VPC가 사용됩니다.
* 처리는 AWS Lambda 및 Fargate 인스턴스를 통해 수행됩니다.
* 독점적인 Control Plane이 비용을 최소화하기 위해 최적의 컴퓨팅을 동적으로 선택합니다(아래 참조).
* 컴퓨팅 리소스는 서로 직접 통신하지 않으며, 대신 AWS 서비스를 통해 통신합니다. 다시 말해, "east/west" 네트워크 트래픽은 없고 "north/south" 네트워크 트래픽만 있습니다
* 해당[ 최소 권한 원칙](https://en.wikipedia.org/wiki/Principle_of_least_privilege) 은 각 인프라 구성 요소에 대해 최소 범위의 IAM 역할을 사용하여 따릅니다.
#### 데이터 레이크
각 Panther 고객은 [Snowflake](/ko/search/backend/snowflake.md) 또는 [Databricks](/ko/search/backend/databricks.md) 인스턴스 중 하나를 보유합니다.
Snowflake
* 전용 Snowflake 계정에 배포된 Panther Snowflake 인스턴스입니다.
* 고객은 Snowflake 계정을 직접 소유하거나 Panther가 해당 계정을 관리하도록 선택할 수 있습니다.
* 고객 간에는 어떤 데이터도 공유되거나 접근되지 않습니다.
* Snowflake 비밀은 RSA 키를 사용하여 AWS Secret Manager에 의해 관리되며, 매일 순환됩니다.
Databricks
* 고객은 자신의 Databricks 인스턴스를 보유해야 합니다.
* 고객 간에는 어떤 데이터도 공유되거나 접근되지 않습니다.
#### 기타
* 모든 데이터는 전송 중과 저장 시 암호화됩니다.
* 모든 외부 상호작용은 [API](#api-subsystem):
* 를 통해 수행됩니다. Panther Console은 API 서버와 연결되는 React 애플리케이션입니다.
* 공개 API는 [GraphQL](/ko/panther/api/graphql.md) 그리고 [REST](/ko/panther/api/rest.md) 엔드포인트를 제공합니다.
* 모든 API 작업은 [Panther Audit Logs](/ko/data-onboarding/supported-logs/panther-audit-logs.md)로 기록되며, 이후 Panther에서 로그 소스로 수집할 수 있습니다.
* 외부 통합과 관련된 비밀은 [Amazon DynamoDB](https://aws.amazon.com/dynamodb/) 에서 KMS 암호화 필드를 사용해 관리됩니다.
* 시스템은 부하에 따라 확장 및 축소됩니다.
* Panther 인프라는 [Pulumi](https://www.pulumi.com/).
* 로 관리됩니다. 모든 인프라는 태그가 지정되어 있어(예: 리소스 이름, 하위 시스템) 효과적인 청구 분석이 가능합니다.
* 자신의 AWS 계정을 소유한 고객은 [자체 태그를 추가하여](/ko/system-configuration/panther-deployment-types/cloud-connected.md#custom-tags-on-aws-resources) 더 큰 조직의 청구 보고에 통합할 수 있습니다.
* 모니터링은 다음의 조합을 사용해 수행됩니다. [CloudWatch](https://aws.amazon.com/cloudwatch/), [Sentry](https://sentry.io/), 그리고 [Datadog](https://www.datadoghq.com/).
## API 하위 시스템
해당 [Panther API](/ko/panther/api.md) 은 Panther와의 모든 외부 상호작용의 진입점입니다. Console, [GraphQL](/ko/panther/api/graphql.md), 그리고 [REST](/ko/panther/api/rest.md) 클라이언트는 AWS ALB를 통해 연결합니다. 고객은 IP CIDR을 사용하여 ALB 액세스를 위한 허용 목록을 선택적으로 구성할 수 있습니다.
API 인증은 AWS Cognito를 사용해 수행됩니다. GraphQL 및 REST 클라이언트는 [토큰을](/ko/panther/api.md#how-to-create-a-panther-api-token)사용하는 반면, Panther Console은 [JWT를](https://docs.aws.amazon.com/cognito/latest/developerguide/amazon-cognito-user-pools-using-tokens-with-identity-providers.html) AWS Cognito가 관리합니다. Console은 [Single Sign-On (SSO)](/ko/system-configuration/saml.md) 를 AWS Cognito를 통해 지원합니다.
내부 API 서버가 요청을 처리합니다. 일부 요청은 API 서버 내부에서 완전히 처리되지만, 다른 요청은 AWS Lambda 함수로 구현된 하나 이상의 다른 내부 서비스 호출을 필요로 합니다.
## 로그 처리 하위 시스템
이 하위 시스템에 입력되는 모든 데이터는 AWS S3 및 S3 알림을 통해 전달됩니다. S3 기반이 아닌 상위 소스(예: SaaS puller, [HTTP 소스](/ko/data-onboarding/data-transports/http.md), [Google Cloud Storage Source](/ko/data-onboarding/data-transports/google/cloud-storage.md))는 [Amazon Data Firehose](https://docs.aws.amazon.com/firehose/latest/dev/what-is-this-service.html) 를 사용해 이벤트를 S3 객체로 집계합니다. 이러한 알림은 마스터 [Amazon SNS](https://docs.aws.amazon.com/sns/latest/dg/welcome.html) 토픽을 통해 라우팅됩니다. Log Processing 및 Event Sampling 워크플로는 각각 이 SNS 토픽을 구독합니다.
로그 처리 컴퓨팅은 AWS Lambda 및 Fargate로 구현됩니다.
{% hint style="info" %}
동적 컴퓨팅 비용 최적화
Panther는 컴퓨팅 선택, 집계 및 확장을 조율하는 효율적인 독점 Control Plane을 사용합니다.
트래픽이 증가하면 추가 컴퓨팅이 필요합니다. Panther의 Control Plane은 트래픽에 맞게 확장되며, 이는 사용되는 컴퓨팅 인스턴스 수를 최소화하여 데이터 집계를 극대화하고 비용을 최소화한다는 의미입니다.
Lambda는 Panther의 핵심 컴퓨팅으로 사용됩니다. 낮은 지연 시간 덕분에 트래픽 변화를 빠르게 따라갈 수 있어, 급증하고 가벼운 트래픽 부하에 비용 효율적입니다. 그러나 Lambda는 단위 시간당 비용이 다른 컴퓨팅 옵션보다 높습니다. 지속적이고 예측 가능한 트래픽의 경우 Lambda는 다른 컴퓨팅 옵션만큼 비용 효율적이지 않습니다. 따라서 Control Plane이 높은 볼륨의 안정적인 트래픽을 감지하면, 비용을 최소화하기 위해 Lambda 대신 Fargate(Fargate Spot, 사용 가능한 경우)가 사용됩니다.
{% endhint %}
수신된 각 알림에 대해 다음 단계가 수행됩니다:
1. S3 객체와 연결된 통합 소스는 DynamoDB에서 조회되고, 읽기를 위해 관련 역할이 가정됩니다.
2. 데이터는 S3에서 읽힙니다.
3. 각 이벤트는 관련 [스키마](/ko/data-onboarding/custom-log-types/reference.md) 스키마에 따라 구문 분석됩니다.
* 분류 또는 구문 분석 오류가 발생하면, [시스템 오류](/ko/system-configuration/notifications/system-errors.md) 알러트가 생성되고 관련된 "잘못된" 데이터는 Data Lake의 `classification_failures` 테이블.
4. [수집 필터](/ko/data-onboarding/ingestion-filters.md) 그리고 [변환](/ko/data-onboarding/custom-log-types/transformations.md) 이 적용됩니다.
5. [지표 필드](/ko/search/panther-fields.md#indicator-fields) (`p_any` 필드)가 추출되고, [표준 필드](/ko/search/panther-fields.md) 가 삽입됩니다.
6. 처리된 이벤트는 S3 객체로 작성되고 알림은 내부 SNS 토픽으로 전송되며, [데이터 레이크](#data-lake-subsystem) 그리고 [디택션](#detection-subsystem) 하위 시스템이 이를 구독합니다.
선택적으로 [이벤트 임계값 알러트](/ko/data-onboarding.md#configuring-event-threshold-alarms) 를 각 온보딩된 로그 소스에 대해 구성하여 트래픽이 예기치 않게 중단되면 알러트하도록 할 수 있습니다.
{% hint style="info" %}
S3 알림은 Event Sampling 하위 시스템으로도 라우팅되며, 이는 [로그 스키마 필드 탐색](/ko/data-onboarding/custom-log-types.md#enabling-field-discovery). 데이터에서 새 속성이 발견되면, 이를 분석하고 스키마(및 관련 Data Lake 테이블)에 자동으로 추가합니다.
{% endhint %}
## 보강 하위 시스템
[보강](/ko/enrichment.md) in Panther is implemented via Lookup Tables (LUTs). A LUT is a table containing data associated to a unique primary key. A LUT also has a mapping from schemas to primary key, which allows for automatic enrichment in the [디택션](#detection-subsystem) 하위 시스템에서 자동 보강을 가능하게 합니다. 디택션은 데이터 조회를 위해 함수 호출 인터페이스도 사용할 수 있습니다.
[IPinfo](/ko/enrichment/ipinfo.md), 예를 들어, 는 지리 위치 데이터를 포함하는 Panther 관리 보강 제공자입니다. 로그 이벤트의 IP 주소는 위치, ASN 및 개인정보 정보로 자동 보강됩니다. 고객은 또한 자신만의 [커스텀 LUT](/ko/enrichment/custom.md) 를 만들어 비즈니스 및 보안 우려와 관련된 컨텍스트를 가져올 수 있습니다.
LUT는 Panther Console 또는 CLI 워크플로(YAML 사양 파일 사용)를 통해 생성됩니다. LUT용 데이터는 여러 방법으로 Panther에서 사용할 수 있게 할 수 있습니다. Console에 업로드하거나, CLI 구성에 파일로 포함하거나, S3 객체로 저장할 수 있습니다. 일반적으로 LUT 데이터를 관리하는 가장 유용한 방법은 S3 객체 참조입니다. 자신의 계정에서 S3 객체를 생성할 수 있고, Panther가 변경 사항을 폴링합니다.
LUT와 연관된 메타데이터는 DynamoDB에 저장됩니다. 새 데이터가 있으면 Lookup Table Processor는 메타데이터에서 지정된 역할을 가정하고 S3 데이터를 처리합니다. 이는 두 개의 출력을 생성합니다: EFS의 실시간 데이터베이스는 [디택션](#detection-subsystem) 하위 시스템에서 사용되며, 그리고 테이블은 [데이터 레이크](#data-lake-subsystem)Data Lake의 테이블은 [예약 검색](/ko/search/scheduled-searches.md) 조인을 사용하여 이벤트를 보강하는 데 사용할 수 있습니다.
## 디택션 하위 시스템
스트리밍 디택션 프로세서는 Python 기반 디택션이 [로그 처리](#log-processing-subsystem) 그리고 [예약 검색](/ko/search/scheduled-searches.md)에서 오는 로그 이벤트와 [클라우드 보안 스캔](/ko/cloud-scanning.md)의 리소스에서도 실행될 수 있게 합니다. 스트리밍 디택션 프로세서는 Python의 고속 실행에 최적화된 AWS Lambda 함수(또는 Fargate 인스턴스)로 실행됩니다. (그러나 이 프로세서는 단순한 Python Lambda는 아닙니다. Panther 인프라의 초기 버전에서는 그랬지만, 수년간의 경험을 통해 순진한 Python Lambda 구현은 효율적이지도 비용 효율적이지도 않다는 것을 배웠습니다.)
스트리밍 디택션 프로세서는 다음 유형의 디택션을 평가합니다:
* [스트리밍 디택션](https://docs.panther.com/detections/rules) (룰): 하나 이상의 로그 스키마(라고도 함 `LogTypes`)
* [예약 디택션](https://docs.panther.com/detections/rules) (예약 룰): 하나 이상의 [예약 검색](/ko/search/scheduled-searches.md)
* [정책 디택션](/ko/detections/policies.md): 리소스 대상
이 소스의 데이터 처리는 다음 단계로 진행됩니다:
1. 활성 상태인 각 룩업 테이블에 대해 일치 항목은 `p_enrichment` 필드에 적용되어 해당 정보가 디택션에 사용 가능하게 됩니다.
2. 주어진 `LogType`, 클라우드 리소스, 또는 예약 검색과 연관된 모든 디택션을 찾습니다.
3. 각 디택션의 `룰()` 함수가 이벤트/리소스에서 실행됩니다. 반환값이 `True`이면, 다른 선택적 함수들이 실행되고, 알러트가 [알러팅](#alerting-subsystem) 하위 시스템으로 전송됩니다. 룰 및 예약 룰의 경우, 알러트는 디택션의 [중복 제거 창](/ko/detections/rules.md#deduplication-of-alerts).
4. 과 연관된 이벤트는 S3 객체로 작성되고 S3 알림은 내부 SNS 토픽으로 전송됩니다.
* 해당 [데이터 레이크](#data-lake-subsystem) 하위 시스템은 SNS 토픽을 구독하여 룰 매치 및 [신호](/ko/detections/signals.md) 테이블로 데이터를 수집합니다.
어떤 [예약 검색](/ko/search/scheduled-searches.md) 이 실행을 마치면, 스트리밍 디택션 프로세서 Lambda가 쿼리 결과에 대한 참조와 함께 호출됩니다. 결과를 읽고 각 이벤트는 위의 단계에 따라 처리됩니다.
[데이터 리플레이](/ko/detections/testing/data-replay.md) 는 과거 데이터에서 디택션을 테스트할 수 있게 합니다. 이는 라이브 인프라와 독립적인 '미러' 인프라 세트를 통해 구현됩니다.
## 데이터 레이크 하위 시스템
Panther 고객은 다음 중 하나를 [Snowflake](/ko/search/backend/snowflake.md) 또는 [Databricks](/ko/search/backend/databricks.md) 보안 데이터 레이크로 사용할 수 있습니다.
#### Snowflake
Panther는 [Snowflake Snowpipe 서비스](https://docs.snowflake.com/en/user-guide/data-load-snowpipe-intro) 를 사용해 Snowflake로 데이터를 수집합니다. 이 서비스는 AWS IAM 권한을 사용하므로 쿼리 및 관리를 위해 구성된 Snowflake 사용자에 의존하지 않습니다. Panther에서 새 데이터 소스를 온보딩하면 Admin database API Lambda를 사용하여 관련 테이블과 Snowpipe 인프라가 생성됩니다. 이 Lambda에는 다음을 가진 관련 사용자 계정이 있습니다 `읽기/쓰기` 권한이 Panther 데이터베이스와 스키마에 대해 부여됩니다. 이 Lambda를 호출하기 위한 직접적인 외부 연결은 없으며, 대신 이 Lambda는 내부 Control Plane에 의해 구동됩니다.
테이블은 `p_event_time` 클러스터 키로 사용됩니다.
Snowflake 비밀은 [AWS Secrets Manger에](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html). [RSA 비밀이 사용되며 매일 순환됩니다.](https://docs.snowflake.com/en/user-guide/key-pair-auth).
#### Databricks
Panther에는 로드할 파일에 대한 S3 알림을 내부 SNS 토픽에서 수신하는 로더 프로세스가 있습니다. 로더 프로세스는 모든 테이블을 관리하고, S3 파일을 대량 로드하기 위해 `COPY INTO` 명령을 사용합니다.
테이블은 [리퀴드 클러스터링](https://docs.databricks.com/aws/en/delta/clustering) 을 `p_event_time` 열.
[Databricks OAuth ](https://docs.databricks.com/aws/en/dev-tools/auth/oauth-u2m#automatic-authorization-with-unified-authentication)자격 증명은 [AWS Secrets Manger에](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html) 고객의 Databricks AWS 계정에 저장됩니다.
#### 쿼리
쿼리는 다음을 사용해 실행됩니다 `읽기 전용` database API Lambda. 이 Lambda에는 다음 권한을 가진 관련 사용자가 있습니다 `읽기 전용` 권한.
쿼리는 비동기식입니다. API 요청으로 쿼리 실행을 요청하면, 관련 SQL이 Datalake에서 실행되고 `queryId`. 이후 API 호출은 `queryId` 를 사용해 상태를 확인하고 관련 결과를 읽습니다. 쿼리 실행 상태는 DynamoDB에서 추적됩니다.
쿼리 결과는 EFS에 30일 동안 저장됩니다(이 기간은 구성 가능). 고객은 [검색 기록](/ko/search/search-history.md) 을 Panther에서 사용하여 과거 검색 결과를 볼 수 있습니다.
[예약 검색](/ko/search/scheduled-searches.md) 사용되는 [디택션](#detection-subsystem) 것은 AWS Step Function을 통해 실행됩니다. 쿼리 실행이 완료되면, 스트리밍 디택션 프로세서가 추가 처리를 위해 쿼리 결과에 대한 참조와 함께 호출됩니다.
있을 때 [로그 유형별 RBAC](/ko/system-configuration/rbac.md#rbac-per-log-type-1) (현재 Snowflake에서만 지원됨)가 활성화되면, 역할마다 고유한 관리형 읽기 전용 사용자가 있습니다.
## 알러팅 하위 시스템
해당 [디택션](#detection) 하위 시스템은 알러트를 DynamoDB 테이블에 삽입하며, 알러트 배포 Lambda는 스트림에서 이를 수신합니다. 이 Lambda는 [구성된 통합](/ko/alerts/destinations.md) 을 사용하여 알러트를 대상에 보냅니다.
Panther Console에 알러트를 표시하려면 핵심 알러트 데이터는 DynamoDB에서 검색되고, 알러트와 연관된 이벤트는 Data Lake에서 검색됩니다.
해당 [알러트 제한 기능](/ko/alerts.md#limiting-alerts) 은 아마도 잘못 구성된 디택션에서 발생하는 "알러트 폭풍"이 대상 시스템을 과부하시키는 것을 방지하기 위한 것입니다. 동일한 디택션에서 한 시간 동안 1000개 이상의 알러트가 생성되면 알러트가 억제됩니다. (이 제한은 구성 가능합니다.) 제한에 도달하면 디택션은 계속 실행되고 이벤트는 Data Lake에 저장되므로(데이터 손실은 없음), 알러트는 생성되지 않습니다. 이 경우, [시스템 오류](/ko/system-configuration/notifications/system-errors.md) 가 생성되어 고객에게 알리며, 고객은 Console에서 알러트 억제를 수동으로 제거할 수 있습니다(아마도 일부 디택션 튜닝 후).
Jira와 Slack에는 알러트 상태를 동기화하기 위해 Panther에 "콜백"하기 위한 특별한 인증된 엔드포인트가 있으며(예: 알러트 상태를 `해결됨`).
## AI 하위 시스템
해당 [Panther AI](/ko/ai.md) 하위 시스템은 구조적으로 복잡하지 않습니다. 다음으로 구성됩니다:
* 서버: 요청을 수신하고 응답과 지속 저장을 조율합니다
* 진입점 및 컨텍스트에 따라 시스템 프롬프트를 동적으로 생성합니다
* 할당량과 권한을 강제합니다
* 와 인터페이스합니다 [Amazon Bedrock](https://aws.amazon.com/bedrock/) API
* 을 조율합니다 [도구](/ko/ai.md#tools) 사용(이는 내부 Panther API 호출로 구성됨)
* 에서 응답을 영구 저장하도록 관리합니다 [Amazon DynamoDB](https://aws.amazon.com/dynamodb/)
* [Amazon Bedrock](https://aws.amazon.com/bedrock/): 서버는 모든 AI 추론에 대해 Bedrock과 통신합니다
* [Amazon DynamoDB](https://aws.amazon.com/dynamodb/): AI 응답의 영구 저장에 사용됩니다
* 응답은 명시적으로 [저장](/ko/ai/using-panther-ai/managing-ai-response-history.md#saving-an-ai-response)
### Panther AI 워크플로
[Panther AI](/ko/ai.md) 는 인간 Panther 사용자에게 제공되는 많은 서비스를 [도구](/ko/ai.md#tools)로 노출합니다. Panther AI는 필요에 따라 도구를 사용하므로(즉, 컨텍스트와 작업에 따라), 워크플로는 종종 가변적입니다. 아래에는 일반적인 [알러트 분류](/ko/alerts.md#panther-ai-alert-triage) 워크플로가 표시되어 있습니다.
### FAQ: Panther AI 아키텍처 및 보안
Panther는 AI를 훈련하기 위해 고객 데이터를 사용합니까?
아니요, Panther는 AI를 훈련하기 위해 고객 데이터를 사용하지 않습니다. Panther AI는 [Amazon Bedrock 파운데이션 모델](https://docs.aws.amazon.com/bedrock/latest/userguide/foundation-models-reference.html).
Panther AI는 어떤 파운데이션 모델을 사용합니까?
Panther AI는 [Anthropic Claude](https://www.anthropic.com/claude) 모델을 사용합니다.
AI 응답은 어떻게 저장되고 보호됩니까?
AI 응답은 [Amazon DynamoDB](https://aws.amazon.com/dynamodb/)Panther 고객 계정의 DynamoDB에 저장됩니다. [저장](/ko/ai/using-panther-ai/managing-ai-response-history.md#saving-an-ai-response).
모든 AI 추론은 호출한 사용자의 신원과 권한으로 실행됩니다. 즉, Panther AI는 사용자가 Console 또는 API를 통해 직접 수행할 수 없는 데이터에 접근하거나, 리소스를 수정하거나, 작업을 수행할 수 없습니다.
Panther AI는 [로그 유형 액세스 제한](/ko/system-configuration/rbac.md#how-to-restrict-log-types-for-a-certain-role)이 현재 사용자의 역할에 설정되어 있다면 적용합니다. 이는 다음을 의미합니다:
* 알러트에 대한 응답은 사용자의 알러트 권한에 따라 접근이 제한됩니다.
* 검색 결과에 대한 응답은 사용자의 데이터 레이크 권한에 따라 접근이 제한됩니다.
AI 대화의 기본 공개 범위는 진입점에 따라 다릅니다. Panther AI 페이지에서 시작된 대화는 기본적으로 비공개이며(개인정보 보호 제어가 활성화된 경우), 알러트 분류 및 기타 진입점은 기본적으로 공유로 설정됩니다. 사용자는 언제든지 모든 대화를 공유와 비공개 사이에서 전환할 수 있습니다. 다른 사용자 중 **AI 개인 응답 보기** 권한을 가진 사용자는 비공개 대화도 볼 수 있습니다.
Panther AI에 가드레일이 있습니까?
Panther AI에는 다음과 같은 비용 안전 제어 할당량이 있습니다(요청 시 변경될 수 있습니다):
* 시간당 추론 수(기본값은 100)
* 시간당 실행되는 데이터 레이크 쿼리 수(기본값은 100)
또한, [Cloud Connected](/ko/system-configuration/panther-deployment-types/cloud-connected.md) 고객은 [Amazon Bedrock Guard Rails](https://aws.amazon.com/bedrock/guardrails/).
Panther는 또한 [CloudTrail 디택션](https://github.com/panther-labs/panther-analysis/blob/develop/rules/aws_cloudtrail_rules/aws_bedrock_guardrail_update_delete.py) 을 제공하여 Amazon Bedrock을 모니터링합니다.
Panther에 모든 AI 추론 및 도구 호출에 대한 감사 로그가 있습니까?
예, 각 추론 및 관련 도구 호출은 [Panther 감사 로그](/ko/data-onboarding/supported-logs/panther-audit-logs.md)에 기록되며, 이는 데이터 레이크에서 사용할 수 있습니다. 민감한 데이터는 기록되지 않고 메타데이터만 기록됩니다.
Panther AI를 API 호출을 통해 사용할 수 있습니까?
예, [Cloud Connected](/ko/system-configuration/panther-deployment-types/cloud-connected.md) 고객과 [SaaS](/ko/system-configuration/panther-deployment-types/saas.md) "패스스루 청구"가 있는 고객은 AI API 작업을 사용할 수 있습니다. API를 통해 호출될 때 Panther AI는 요청을 인증하는 데 사용된 API 토큰의 권한으로 실행됩니다 — [도구](/ko/ai.md#tools) 사용, 데이터 레이크 쿼리 및 기타 모든 작업은 토큰과 연관된 권한을 따릅니다.
Panther에서 생성된 오류 또는 운영 로그(예: CloudWatch 또는 Datadog)에 AI 콘텐츠가 있습니까?
아니요, AI 콘텐츠는 Panther 오류나 운영 로그에 기록되지 않습니다. 메타데이터만 기록됩니다.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://docs.panther.com/ko/resources/panther-architecture.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.