umassd.edu

이 이메일 도메인이 관측된 논문 1건

arXiv:2606.12075v1cs.CR

머신러닝 기반 네트워크 침입 탐지 시스템을 위한 범주형 강건성 평가

Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems

네트워크 침입 탐지 시스템(NIDS)은 머신러닝(ML)을 적극적으로 활용하지만, ML 모델은 적대적 공격을 통해 조작될 수 있습니다. 이러한 공격은 네트워크 트래픽 데이터에 정교하게 설계된 섭동(perturbations)을 추가하여 오분류를 유발합니다. 기존 연구는 제한된 환경에서 적대적 취약성을 입증했으나, 통제된 공격 조건 하에서 체계적인 아키텍처 간 비교뿐만 아니라 공격의 클래스 및 범주에 기반한 비교는 여전히 부족하여, 실무자들이 적대적 환경에 배치할 모델을 선택할 때 명확한 지침을 얻지 못하고 있습니다. 본 논문은 간단한 질문을 던집니다: 공격자가 시스템을 조작하려 할 때 실제로 어떤 유형의 분류기 아키텍처가 견디는가? 우리는 1D 합성곱 신경망(CNN), Long Short-Term Memory(LSTM) 네트워크, 랜덤 포레스트(RF) 앙상블이라는 세 가지 대표적인 아키텍처를 검증했습니다. ACI-IoT-2023 데이터셋(12가지 공격 유형에 걸친 120만 개 이상의 샘플)을 사용하여, 확립된 적대적 ML 평가 프로토콜에 따라 정규화된 특징 공간에서 그래디언트 기반 섭동을 적용하는 FGSM 및 PGD 적대적 공격을 각 모델에 수행했으며, 섭동 예산은 $ε=0.01$에서 $ε=0.1$까지 다양하게 설정했습니다. 놀랍게도 랜덤 포레스트는 거의 완벽한 기준선 정확도(99.98\%)를 달성했지만, 공격을 받으면 치명적으로 붕괴하여 우리가 테스트한 가장 작은 섭동에서 73퍼센트포인트나 떨어졌습니다. 반면 CNN은 $ε=0.01$에서 95.5\%의 정확도를 유지했으며, 섭동이 증가함에 따라 점진적으로 성능이 저하되었습니다. LSTM은 이 두 모델 사이의 성능을 보였습니다. 이러한 발견은 높은 기준선 정확도가 모델이 적대적 압력의 첫 징후에 무너지면 아무 의미가 없다는 통념을 뒤집습니다. 적대적 환경에서 침입 탐지를 배치하는 실무자들을 위해, 우리는 CNN 기반 아키텍처를 추천하며 시나리오별 배치 지침을 제공합니다.