대규모 언어모델(LLM) 기반 프롬프트 엔지니어링과 파인튜닝을 활용한 데이터 인사이트 추출 및 DDos 공격 탐지 모델 개발에 관한 연구

국문 초록 (Abstract)

데이터 중심의 기업 비즈니스 및 시스템 접근 방식이 강조됨에 따라, 본 연구는 대규모 언어 모델(LLM) 기반 기업 데이터 활용을 목표로 하고 있다. 특히 생성형 인공지능(AI) 기술을 활용하여 웹서버 로그 데이터 기반 사용자 UX 경험, 시스템 성능 분석, 오류분석 등의 인사이트를 얻을 수 있는지 여부에 대한 가설 확인과 파인튜닝 과정을 통해 사이버 보안의 중요한 측면인 DDoS 공격 탐지 모델개발을 가능한지 여부에 대한 가설 확인 등 2가지 실험에 대한 결과 확인을 목표로 두고 있다.
첫번째 실험에서는 웹서버 로그 데이터의 특성과 구조를 분석하고, 이를 기반으로 생성형 AI를 활용한 데이터 분석 방법론을 연구하였다. 이후, 프롬프트 엔지니어링 기법을 적용하여 사용자 경험(UX) 분석을 수행하고, 이를 통해 데이터에서 중요한 인사이트를 추출해보았다.
두번째 실험에서는 대규모 언어모델(LLM) 파인튜닝을 이용한 DDoS 공격 탐지 모델을 개발하여 그 성능을 평가하였다. 폐쇄형 LLM 모델과 개방형 LLM 모델을 각각 개발하여 상호 성능을 비교하였다. 이 모델은 실제 DDos 공격시 발생한 웹서버 로그를 학습을 시켜서 DDos 공격 여부를 판단할 수 있는 모델을 개발하였다.
최종 실험 결과, 프롬프트 기반의 웹서버 로그 분석 및 파인튜닝 기법을 적용한 모델은 고차원의 유연한 인사이트를 얻을 수 있었고 머신러닝 및 통계적 기법 보다 쉬운 데이터 전처리 등의 방법으로 DDos 탐지 모델을 만들 수 있었다. 이는 생성형 AI가 웹서버 로그 분석 및 사이버 보안 분야에서 갖는 잠재력을 시사한다. 본 연구는 이러한 기술의 적용을 통해 보다 발전된 사이버 보안 솔루션을 개발할 수 있는 기반을 마련하였다.
연구의 주요 기여도는 기업이 보유하고 있는 데이터에 생성형 AI 기술을 적용하여 인사이트를 얻을 수 있는 실질적인 방법론을 제공하였다는 점과 파인튜닝을 통한 대규모 언어 모델(LLM)의 기업 시스템 보안 문제에 적용하여 그 효과를 입증한 점에 있다.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 목적 2
• 1.3 연구 방법 3
• 1.3.1 프롬프트 엔지니어링 기반 웹서버 로그 데이터 인사이트 추출 3
• 1.3.2 파인튜닝 기반 DDoS 공격 탐지 모델 개발 3
• 1.3.3 실험 설계 및 평가 4
• 제2장 이론적 배경 및 관련 연구 5
• 2.1 생성형 AI의 이해 5
• 2.1.1 생성형 AI의 정의 5
• 2.1.2 생성형 AI의 주요 기술 5
• 2.2 대규모 언어 모델(Large Language Model) 개념과 종류 6
• 2.2.1 대규모 언어 모델(LLM)의 개념 6
• 2.2.2 대규모 언어 모델의 종류 7
• 2.3 프롬프트 엔지니어링과 파인튜닝에 대한 설명 11
• 2.3.1 프롬프트 엔지니어링의 개념 11
• 2.3.2 파인튜닝의 개념 12
• 2.4 웹서버 로그 데이터 포맷 및 특성 13
• 2.5 DDos 공격의 개념 및 웹서버 로그와의 관계 16
• 2.5.1 DDos 공격의 정의 16
• 2.5.2 DDos 공격의 특징 16
• 2.5.3 DDos 공격과 웹서버 로그와의 관계 17
• 2.6 기존 웹서버 로그 분석 기법의 한계 18
• 제3장 프롬프트 엔지니어링 기반 웹서버 로그 데이터 인사이트 추출 20
• 3.1 웹서버 로그 데이터 셋 21
• 3.2 프롬프트 기반 웹서버 로그 분석 과정 및 결과 22
• 3.2.1 페르소나 설정 22
• 3.2.2 프롬프트 기반 웹서버 로그 분석 23
• 3.2.3 실험을 통한 비즈니스 인사이트 도출 결과 28
• 제 4장 파인튜닝 기반 DDos 공격 탐지 모델 개발 35
• 4.1 웹서버 로그 데이터 셋 및 데이터 전처리 36
• 4.2 GPT 기반 파인튜닝 모델 개발 43
• 4.3 FlanT5 기반 파인튜닝 모델 개발 49
• 4.4 GPT 및 FlanT5 모델 성능 평가 비교 55
• 4.4.1 성능 검증을 위한 데이터 셋 55
• 4.4.2 성능 평가 방법 56
• 4.4.3 GPT 및 FlanT5 파인튜닝 모델 성능 평가 비교 56
• 제5장 결론 62
• 5.1 연구 요약 및 주요 발견 62
• 5.2 연구의 한계 및 실용적 응용 62
• 5.3 마무리 의견 및 제안 63
• 참고문헌 64
• 부록 66