Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks
산업용 사물인터넷(IIoT) 네트워크의 침입 탐지를 위한 경량 머신러닝 모델이 동일 데이터셋 내에서는 높은 성능을 보이더라도, 재학습 없이 다른 IIoT 네트워크에 적용하면 성능이 크게 저하됨을 교차 데이터셋 평가를 통해 실증하였다. 설명가능성(explainability) 분석 결과, 모델들이 포트 카테고리 특성에 과도하게 의존하는 숏컷(shortcut)을 학습하며, 포트 해상도를 낮춰도 이 의존성이 제거되지 않고 이동될 뿐이고, 균형 잡힌 클래스 분포 대신 자연적으로 불균형한 분포로 평가하면 일반화 성능에 대한 판단이 달라질 수 있음을 보였다.