패킷에서 패턴으로: 암호화된 네트워크 트래픽을 종단적 행동 신호로 해석하기
From Packets to Patterns: Interpreting Encrypted Network Traffic as Longitudinal Behavioral Signals
인간의 행동을 대규모로 지속해서 관찰하는 것은 어렵지만, 일상적인 기기 사용 속에는 측정 가능한 흔적이 남습니다. 본 연구에서는 어디에나 존재하며 항상 켜져 있는 수동적 센싱(passive sensing) 양식인 암호화된 스마트폰 네트워크 트래픽이 수면, 스트레스, 외로움과 관련된 행동 패턴을 수동적으로 포착할 수 있는지 검증합니다. 사용자별 어댑터(adapter)를 갖춘 트랜스포머(transformer) 백본을 사용해 공유된 행동 구조를 모델링함으로써, 모델이 전형적인 개인의 행동과 그로부터의 일탈을 모두 표현할 수 있도록 합니다. 이러한 표현을 해석 가능하게 만들기 위해, 희소 오토인코더(sparse autoencoder)를 적용하여 구별되는 활동 패턴에 대응하는 행동 특징을 추출합니다. 그런 다음 먼들락 분해(Mundlak decomposition)를 적용한 일반화 추정 방정식(GEE)을 사용하여 이러한 특징들을 수면 장애, 스트레스, 외로움과 연계하고, 개인 간 차이와 시간에 따른 개인 내 변화를 분리합니다. 연구 결과 세 가지 결과 변수는 서로 다른 시간적 구조를 반영하는 것으로 나타났습니다. 스트레스는 주로 안정적인 개인 간 차이와 연관되고, 외로움은 개인 내 변동과 연관되며, 수면 장애는 두 가지가 결합된 형태를 보였습니다. 특히 이러한 개인 내 역동성은 사전에 정의된 네트워크 트래픽 특징으로는 포착되지 않아, 종단적 행동 센싱을 위한 학습된 표현의 가치를 입증합니다. 이러한 결과는 암호화된 네트워크 트래픽이 실현 가능한 수동적 센싱 양식임을 확립하며, 원시 트래픽 특징에서는 드러나지 않는 해석 가능한 행동 역동성, 특히 개인의 기준선(baseline)으로부터의 일탈을 밝혀냅니다.