IoT 침입 탐지를 위한 불균형 학습 네트워크

사물 인터넷(IoT) 네트워크의 급증은 이질적인 트래픽 특성, 대규모 연결성, 그리고 심하게 불균형한 공격 분포로 인해 사이버 보안 위험을 크게 증가시켰습니다. 기존 침입 탐지 방식은 주로 계산 비용이 높은 딥러닝 아키텍처나 합성 과표집 기법을 통해 전반적인 탐지 성능을 향상시키는 데 초점을 맞추지만, 트래픽 특징 간의 의미론적 관계를 간과하고 계산 복잡성을 증가시키며 소수 공격 패턴 학습 능력이 제한적이라는 한계가 있습니다. 본 논문은 경량의 불균형 학습 기반 IoT 침입 탐지를 위한 트래픽 인식 불균형 학습 네트워크(TAIL-Net)를 제안합니다. 제안하는 프레임워크는 트래픽 인식 의미론적 특징 매핑 메커니즘을 도입하여 네트워크 트래픽 속성을 의미론적 관계에 따라 재구성함으로써 특징 표현 학습을 개선합니다. 매핑된 특징은 경량 CNN-GRU 아키텍처를 통해 처리되며, 합성 과표집 없이 소수 공격 식별 능력을 향상시키기 위해 소수 인식 주의(minority-aware attention)와 적응형 클래스 균형 포컬 손실(Adaptive Class-Balanced Focal Loss, ACB-FL) 함수가 통합되었습니다. BoT-IoT 데이터셋에 대한 실험 평가 결과, 제안된 프레임워크는 99%의 탐지 정확도와 99%의 가중 F1-점수를 달성했습니다. 또한, TAIL-Net은 81,866개의 훈련 가능한 파라미터와 0.3122 MB의 모델 크기로 평균 0.0041 ms/샘플의 추론 지연 시간을 기록했습니다. 이 연구는 IoT 환경에서 효율적이고 정확한 침입 탐지 시스템 개발에 기여하며, 특히 불균형한 데이터 환경에서 소수 클래스 탐지 성능을 크게 향상시키는 실용적인 해결책을 제시합니다.