IoT 엣지 네트워크 효율적 DDoS 탐지 위한 적응형 연합 학습

사물 인터넷(IoT)의 급증은 네트워크 공격 표면을 확장하며, 자원 제약적인 환경에서 DDoS 및 봇넷 활동을 정확하게 탐지할 필요성을 증대시켰습니다. 기존 중앙 집중식 침입 탐지 시스템(IDS)은 프라이버시, 확장성, 이질성 문제로 인해 IoT 환경에 부적합합니다. 본 연구는 이러한 한계를 극복하고자 IoT 엣지 네트워크를 위한 연합 학습 기반 침입 탐지 시스템(FL-IDS)을 제안합니다. 제안된 FL-IDS는 각 클라이언트가 하이브리드 CNN-LSTM 모델을 로컬에서 훈련하고, 중앙 서버는 연합 평균화(FedAvg)를 통해 클라이언트 업데이트를 집계합니다. 특히, 클래스 불균형 문제를 해결하기 위해 훈련 후 전역 모델의 예측값에 적응형 전역 결정 임계값 최적화 기법을 적용합니다. 시스템은 N-BaIoT 벤치마크와 최신 헬스케어 IoT 데이터셋을 사용하여 평가되었습니다. N-BaIoT의 9개 장치를 독립적인 연합 클라이언트로 설정한 주 평가에서, 전역 모델은 최적 운영 지점(τ = 0.15)에서 0.9238의 정확도, 0.9265의 정밀도, 0.9963의 재현율, 0.9601의 F1-점수, 0.8133의 ROC-AUC, 0.969의 PR-AUC를 달성했습니다. SHAP 기반 사후 분석을 통해 모델 결정에 가장 큰 영향을 미치는 트래픽 특성들을 식별했습니다. 이 연구는 IoT 엣지 환경에서 분산된 방식으로 DDoS 공격을 효과적으로 탐지할 수 있는 실용적인 연합 학습 기반 솔루션을 제시하며, 향후 IoT 보안 강화에 기여할 수 있습니다.