불균형 데이터 증강과 다기준 의사결정 기반 네트워크 침입 탐지 및 대응 우선순위화 기법 연구 = Research on Network Intrusion Detection and Response Prioritization Methods Based on Imbalanced Data Augmentation and Multi-Criteria Decision-Making|RISS 상세보기

국문 초록 (Abstract)

최근 사이버 공격의 정교함과 규모가 확대됨에 따라 침입 탐지 시스템 （IDS）의 중요성이 크게 부각되고 있다. 이에 따라 IDS에 인공지능 기술을 접목하려는 노력이 강화되면서, 머신러닝 및 딥러닝 기반 IDS에 관한 수많은 연구 제안이 쏟아져 나오고 있다. 그러나 이러한 연구에서 사용되는 훈련 데이터는 실제 보안 운영 환경에서 수집된 트래픽과 마찬가지로 심각한 클래스 불균형 문제를 겪고 있는데, 이는 정상 트래픽에 비해 공격 트래픽의 비율이 극히 낮다는 것을 의미한다. 이로 인해 정교하고 끊임없이 진화하는 공격 변종에 대한 탐지 성능이 현저히 저하된다. 또한, 제한된 보안 자원을 효율적으로 배분하고 위협 탐지 후 최적의 대응 조치를 실행하기 위한 정량적 의사결정 프레임워크가 여전히 부족하다. 이러한 문제를 해결하기 위해, 본 논문은 데이터 증강을 통한 탐지 성능 향상과 정량적 평가에 기반한 보안 대응 조치의 우선순위 설정을 결합한 통합 보안 프레임워크를 제안한다. 먼저, 불균형 데이터셋에서의 훈련 효율을 극대화하기 위해, 본 논문은 하이브리드 글로벌-스플릿 WGAN-GP（Wasserstein Generative Adversarial Networks with Gradient Penalty） 모델을 소개한다. 이 모델은 전체 데이터 분포를 학습하는 글로벌 생성기와 개별 공격 클래스의 세밀한 특성을 포착하는 분할 판별기를 결합하여, 합성 샘플의 유사성과 다양성을 모두 보장한다. 이러한 설계를 통해 제안된 접근 방식은 기존의 오버샘플링 기법 및 기존 GAN 기반 모델에 비해 소수 공격 클래스의 정밀도와 재현율을 크게 향상시킨다. 둘째, 탐지된 위협에 신속하고 효과적으로 대응할 수 있도록 보안 조치에 대한 정량적 우선순위 결정 모델을 제시한다. 위협 심각도, 자산 가치, 구현 비용, 대응 조치의 기술적 난이도 등 다양한 기준을 정량화한 후, 다중 기준 의사결정（MCDM） 알고리즘을 적용하여 보안 조치의 최적 순위를 도출한다. 이 접근 방식은 보안 운영자의 주관적 판단에 크게 의존하는 기존 방법을 넘어, 객관적이고 데이터 기반의 대응 지침을 제공한다. 제안된 통합 프레임워크의 유효성을 검증하기 위해, 널리 사용되는 침입 탐지 벤치마크 데이터셋 중 하나인 CIC-IDS2017을 사용하여 실험을 수행했다. 그 결과, Hybrid Global-Split WGAN-GP로 강화된 탐지 모델은 심각한 데이터 불균형 조건에서도 기준 모델 대비 F1-Score에서 6% 이상의 향상을 보였으며, 외부 IDS/IoT 데이터에 대한 교차 데이터셋 검증을 통해 평가했을 때 견고한 일반화 성능을 유지하는 것으로 나타났다. 또한 시나리오 기반 우선순위 지정 실험을 통해, 제안된 방법이 제한된 예산과 인력 하에서 방어 효과를 극대화하는 대응 전략을 도출할 수 있음을 입증하였다. 아울러 향상된 탐지 결과는 희귀 공격 클래스에 대한 위험 평가 및 대응책 선정에 직접적으로 기여한다. 본 연구는 데이터 증강을 통한 탐지 단계의 강화와 정량적 분석을 통한 대응 단계의 최적화를 단일 엔드투엔드 파이프라인으로 통합함으로써 학문적으로 중요한 기여를 한다. 이러한 연구 결과는 향후 자율 보안 운영 센터 （SOCs） 및 차세대 보안 오케스트레이션, 자동화 및 대응（SOAR） 시스템의 핵심 기술로 활용될 것으로 기대된다.

번역하기

최근 사이버 공격의 정교함과 규모가 확대됨에 따라 침입 탐지 시스템 （IDS）의 중요성이 크게 부각되고 있다. 이에 따라 IDS에 인공지능 기술을 접목하려는 노력이 강화되면서, 머신러닝 및...

목차 (Table of Contents)