머신러닝 기반 침입 탐지 시스템(IDS)은 산업용 사물인터넷(IIoT) 환경의 보안을 유지하는 데 매우 중요합니다. 이에 대응하는 대부분의 적대적 공격 연구는 특징(feature) 벡터나 이를 생성하는 트래픽을 섭동(perturbation)하며, 그래디언트(gradient) 접근, 반복적인 모델 쿼리, 또는 정상 트래픽에 대해 학습된 모델에 의존합니다. 일부 연구에서는 탐지기에 쿼리하지 않고 패킷 타이밍을 재구성하기도 하지만, 악성 트래픽이 정상 타이밍의 학습된 모델을 모방하도록 만듭니다. 이러한 접근법 전반에서 산업 모니터링 파이프라인의 중요한 가정 하나가 거의 주목받지 못했는데, 바로 시간 동기화(temporal synchronization)입니다. IDS는 텔레메트리를 슬라이딩 또는 텀블링 윈도우로 집계하여 운영 상태를 재구성하므로, IDS의 관점은 무엇이 관측되었는지뿐만 아니라 각 관측치가 윈도우 경계와 비교하여 언제 발생하는지에도 의존합니다. 본 논문에서는 수동적이고 쿼리가 없는(zero-query) 위협 모델 하에서 이러한 의존성을 악용하는 유령 상태 공격(Phantom State Attack, PSA)을 소개합니다. PSA는 패킷을 수정하거나, 특징을 섭동하거나, 분류기에 쿼리하거나, 정상 트래픽 모델을 피팅하는 대신, 공격 흐름 자체의 패킷 도착 간 변동성에 맞춰 보정된 유계 타이밍 드리프트(bounded timing drift)를 주입하여 관측치를 가장 가까운 윈도우 경계 너머로 필요한 최소한의 이동량만큼 이동시킵니다. 그러면 IDS는 실제 프로세스 상태와 다른 유령 상태(phantom state)를 재구성하게 됩니다. 저자들은 ToN-IoT 및 CIC IIoT 2025(DataSense) 데이터셋에서 Random Forest, MLP, XGBoost를 대상으로 PSA를 평가하고, 탐지 성능 저하, 동기화 왜곡, 은닉성, 공격자 비용을 측정했습니다. PSA는 윈도우 경계 재배치가 가능할 만큼 충분한 패킷을 가진 플로우에서는 탐지 성능을 저하시키고 다른 플로우는 거의 변화시키지 않으므로 그 효과는 조건부입니다. 쿼리 기반 기준선(baseline)은 더 높은 원시 성공률에 도달하지만 윈도우당 많은 쿼리를 필요로 하는 반면, PSA는 쿼리를 전혀 필요로 하지 않습니다. 본 결과는 시간적 집계(temporal aggregation)가 기존 회피 기법보다 더 완화된 가정 하에서도 도달 가능한 공격 표면임을 입증합니다.
산업 인터넷(IoT)(IIoT) 환경이 수만 대의 연결 장치 규모로 확장되면서, 중앙집중형 보안 아키텍처는 지연 병목을 유발하며, 정교한 공격자가 이를 악용해 전체 제조 생태계를 침해할 수 있다. 본 논문은 각 엣지 게이트웨이에 자율 에이전트를 배치하고 IIoT 네트워크를 위한 분산 방어 층을 형성하는 분산형 다중 에이전트 스웜(DMAS) 아키텍처를 제안한다. 정적 방화벽이나 클라우드로 전달되는 원격 측정에 의존하는 대신, DMAS 에이전트는 경량 피어 투 피어 프로토콜을 통해 협조하며 클라우드 의존 없이 로컬에서 위협을 탐지한다. 우리는 에이전트들이 탐지된 위협에 대해 집단적으로 투표하여 침해된 노드의 거의 즉각적인 격리를 가능하게 하는 합의 기반 위협 검증(CVT) 프로토콜을 설명한다. 2000대 장치 하드웨어 테스트베드에서의 실험 결과, DMAS는 밀리초 미만의 응답 시간(평균 0.85ms), 고부하 하에서 97.3%의 탐지 정확도, 제로데이 공격에서 87%의 정확도를 달성했으며, 이는 모두 중앙집중형 및 엣지 컴퓨팅 기준선을 능가한다. 대역폭 소비는 클라우드 기반 솔루션 대비 89% 감소한다.
운영 기술에 대한 사이버 공격이 점점 더 많은 비용의 다운타임과 물리적 피해를 야기하고 있으며, 이는 산업용 IoT 환경에서 전통적인 규칙 기반 모니터링의 한계를 드러내고 있다. 대규모 언어 모델(LLM)은 의사결정 지원에 있어 강력한 의미론적 추론 능력을 보유하고 있으나, 환각(hallucination) 특성으로 인해 폐루프 제어에 허용할 수 없는 안전성 위험을 초래한다. 본 논문은 물리 기반 자율 방어를 달성하기 위해 LLM 기반 플래너(예: Gemini 2.5 Flash-Lite)와 사전학습된 시계열 기반 모델(TimesFM)을 결합한 새로운 아키텍처인 뉴로-에이전틱 제어 프레임워크를 소개한다. 본 논문은 기반 모델의 수치적 잠재 공간 내에서 LLM이 제안한 개입의 영향을 작동 전에 시뮬레이션하는 동시에, 환각적이거나 안전하지 않은 행동을 시스템이 거부할 수 있도록 하는 '반사실적 물리 주입(Counterfactual Physics Injection)' 메커니즘을 도입한다. 확률적 공격 시나리오를 맥락으로 하는 산업용 데이터셋(예: Secure Water Treatment(SWaT))에서 평가한 결과, 본 프레임워크는 LSTM 및 TCN 기준 모델 대비 더 나은 성능을 보였다. 뉴로-에이전틱 루프는 임계값 이하에서 LSTM(26.7%) 및 TCN(13.3%) 대비 5건의 침해(33.3%)를 방지하였으며, 물리적으로 유효하지 않은(환각된) 행동은 단 한 건도 실행되지 않았다. 이러한 결과는 중요 인프라에서 에이전틱 AI를 보호하기 위해 기반 모델을 결정론적 '감시자(Sentinel)'로 활용하는 것의 효용성을 입증한다.
산업 IoT(IIoT) 이상 탐지의 실센서 데이터 의존, 라벨 부족, 오경보, 프라이버시 문제를 해결하기 위해 디지털 트윈과 연합 학습(federated learning)을 통합한 DTFL 방법군(DTML, FPF, LPE, CWA, DTKD)을 제안하고, 합성·실세계 지식을 결합해 전역 모델 성능과 통신 효율을 높인다. 공개 사이버-물리 이상 탐지 데이터셋에서 목표 정확도 80%를 CWA는 33라운드, FPF는 41라운드에 달성했으며 FedAvg와 DTKD는 100라운드 내에 미달해 DT 지식 통합이 수렴을 크게 가속함을 보였다.