그래프 신경망을 활용한 클라우드 사이버보안 이상 탐지 개선을 향하여
Towards Improved Anomaly Detection for Cloud Cybersecurity via Graph Neural Networks
클라우드 인프라에 대한 의존도 증가로 인해 조직의 클라우드 컴퓨팅 환경에서 보안 위협을 탐지하는 것이 필수적이 되었다. 모든 클라우드 컴퓨팅 이벤트의 로깅은 인시던트 탐지 이후 사후 조사를 가능하게 한다. 휴리스틱 또는 이상 탐지(anomaly detection) 기반의 로그를 활용한 자동화된 위협 탐지는 비교적 정적인 특성으로 인해 높은 오탐률(false positive rate)을 초래할 수 있다. 본 논문에서는 AWS CloudTrail 로그에 그래프 신경망(GNN)을 적용한 자기지도학습(self-supervised learning) 방법의 산업 사례 연구를 제시하여, 분석가 검토를 위한 의심스러운 이벤트를 탐지한다. 모델은 각 이벤트에 대한 이상 점수를 생성하며, 주기적인 재학습 없이 조직 내 변화에 동적으로 적응한다. 5개 조직에 걸친 실험 결과, 제안된 모델은 거의 모든 경우에서 도메인 전문가 규칙 기반 기준선보다 훨씬 적은 알림을 생성하였으며, 기존 방법이 생성하는 수천 건의 알림을 시간당 약 1건으로 줄였다. 이 평가는 플래그가 지정된 이벤트만을 대상으로 하며, 현재 데이터로는 미탐율(false negative)을 추정할 수 없음을 유의해야 한다. 따라서 본 연구의 결과는 완전히 검증된 탐지 시스템이 아닌, 실제 운영 환경의 제약에 대한 통찰을 제공하는 실용적 배포 연구로 해석되어야 한다. 향후 연구로서 이러한 한계점과 해당 접근법을 다른 클라우드 환경으로 확장하기 위한 요건을 논의한다.