불균형 데이터 환경의 침입 탐지 시스템

사물 인터넷(IoT) 인프라에서 생성되는 대규모 정보 시스템 데이터는 심각한 클래스 불균형 문제를 내포하며, 이는 드물지만 치명적인 보안 위협을 탐지하는 침입 탐지 시스템(IDS)의 성능을 저하시킵니다. 기존의 오버샘플링 기법은 소수 클래스 데이터를 합성하여 불균형을 완화하지만, 상당한 계산 오버헤드를 발생시켜 시스템 효율성과 확장성을 저해합니다. 이는 모델의 효과성과 실제 IS 인프라에서의 배포 가능성 사이의 중요한 격차로 작용합니다. 본 연구는 이러한 한계를 극복하기 위해 계산 효율적인 클래스 리샘플링 전략을 제안합니다. 이 전략은 모든 클래스를 균일하게 리샘플링하는 대신, 성능이 저조한 소수 클래스를 선택적으로 타겟팅합니다. 이를 통해 대규모 IS 환경에서 확장 가능하고 비용 효율적인 침입 탐지를 가능하게 하여 실시간 위협 탐지를 지원합니다. 제안된 방법론은 기존 기법 대비 계산 오버헤드를 크게 줄이면서도, 희귀 위협 탐지 성능을 효과적으로 향상시킵니다. 이는 실제 운영 환경에서 IDS의 효율성과 배포 가능성을 동시에 개선하는 데 기여합니다. 본 연구의 결과는 대규모 정보 시스템 환경에서 발생하는 심각한 클래스 불균형 문제에 대한 실용적인 해결책을 제시합니다. 특히, 실시간 보안 위협 탐지의 효율성과 확장성 요구사항을 충족시키며, 향후 지능형 보안 시스템 개발에 중요한 기반을 제공할 것으로 기대됩니다.