PyTorchKR Papers

최신 논문

총 11편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.24669v1cs.CR

엣지 기반 IoT 보안에서의 신뢰: 특징, 과제 및 연구 방향

Trust in Edge-Enabled IoT Security: Features, Challenges and Research Directions

인간의 삶과 산업에 자율적 지능, 유비쿼터스 연결성 및 사용 편의성을 제공함에 따라 사물인터넷(IoT)이 등장하게 되었습니다. 시간에 민감하고 자원이 제한된 애플리케이션을 지원하기 위해 오늘날의 IoT 시스템은 점점 더 엣지 컴퓨팅(edge computing)에 의존하고 있습니다. 이는 연산과 의사결정을 엔드 디바이스에 더 가깝게 만듭니다. 엣지 기반 IoT 아키텍처에서는 지연 시간과 통신 오버헤드가 감소하지만, 더욱 광범위하고 다양한 디바이스, 엣지 노드, 서비스 및 데이터 소스 간의 상호작용 또한 발생합니다. 이러한 환경에서 보안 및 프라이버시 메커니즘은 보호를 위한 기반을 제공하는 한편, 신뢰 관리는 상호작용하는 개체의 신뢰성을 평가하고 안전한 결정을 적응시킬 수 있습니다. 본 논문에서는 엣지 기반 IoT에서의 신뢰 관리 현황을 체계적으로 검토합니다. 이를 위해 물리, 네트워크 및 애플리케이션 아키텍처 IoT 계층을 소비자, 상업, 산업 및 인프라 IoT 도메인에 매핑하는 포괄적인 분류 체계를 제안합니다. 나아가 신뢰 설계, 보안 IoT 운영에 신뢰가 통합되는 방식, 신뢰 관리 프로세스에 영향을 미치는 공격을 기반으로 최신 연구를 조사합니다. 이러한 조사 결과를 바탕으로 현재 연구의 주요 공백을 식별하고 엣지 기반 IoT에서 문맥 인식 및 적응형 신뢰 관리를 위한 향후 방향을 제시합니다.

arXiv:2512.23849v2cs.CR

탐지 없는 보안: 엣지 및 IoT 방어를 위한 경제적 거부 원시 기법

Security Without Detection: Economic Denial as a Primitive for Edge and IoT Defense

정교한 공격자는 암호화, 은밀 전술, 저속 공격 패턴을 사용하여 탐지 기반 보안을 회피할 수 있다. 이 문제는 사물인터넷(IoT) 및 엣지 환경에서 특히 심각한데, 제한된 자원으로 인해 ML 기반 침입 탐지 시스템의 적용이 비현실적이다. 이에 본 논문은 공격을 탐지하려는 대신 경제적으로 실행 불가능하게 만드는 프레임워크인 Economic Denial Security(EDS)를 제안한다. EDS는 근본적인 비대칭성을 이용한다. 방어자는 자신의 환경을 통제하지만, 공격자는 그렇지 않다. 이 프레임워크의 네 가지 메커니즘은 공격 비용을 초선형적으로 증폭시킨다. 이 메커니즘에는 적응형 계산 퍼즐(adaptive computational puzzles), 디코이 기반 상호작용 엔트로피(decoy-driven interaction entropy), 시간적 스트레칭(temporal stretching), 대역폭 과세(bandwidth taxation)가 포함된다. 본 논문은 게임 이론을 사용하여 EDS의 최적 구성을 수학적으로 증명하며, 여러 보안 메커니즘을 결합할 경우 보통 이를 개별적으로 사용할 때보다 2.1배의 비용이 드는 것으로 나타났다. 이는 설계 시 고려해야 할 핵심 트레이드오프이다. 다행히 EDS는 12KB 미만의 메모리만 사용하는 등 매우 효율적이어서, 값비싼 서버가 아닌 마이크로컨트롤러와 같은 소형 임베디드 장치에서 실행하기에 실용적이다. EDS는 네 가지 공격 시나리오 하에서 20종의 서로 다른 IoT 장치에서 테스트되었다. 결과는 공격이 현저히 느려지고, 비용이 비대칭적으로 변하며, 공격 성공률이 감소하고, 시스템이 오탐(false positive) 없이 20ms의 지연만 추가함을 보여주었다. 실제 악성코드(Mirai, Torii, Hajime)에 대해 테스트했을 때, EDS와 머신러닝 탐지를 결합하면 보호율이 67%에서 88%로 향상되었다. 두 기법을 함께 적용하면 보호율은 94%에 달해, 전체적으로 27%의 개선을 이루었다. 기존의 탐지 기반 접근법과 달리 EDS는 공격 식별 없이 독립적으로 동작하므로, 다른 방법이 사실상 작동하지 않는 자원이 제한된 IoT 장치에 실용적이다.

arXiv:2607.09760v1eess.SP

물리 정보 기반 구조 앵커링과 캡처 인식 프로토타입 교정을 통한 교차 환경 RF 핑거프린팅

Physics-Informed Structure Anchoring With Capture-Aware Prototype Calibration for Cross-Environment RF Fingerprinting

무선 주파수 핑거프린트 식별(RFFI)은 송신기 고유의 하드웨어 불완전성을 사물인터넷(IoT) 기기의 물리 계층 신원 단서로 활용하지만, 심층 RFFI 모델은 수집 환경이 바뀔 때 성능이 저하되는 경우가 많다. 다중 안테나 수신 환경에서 이러한 성능 저하는 단순한 일반적 분포 이동에 그치지 않는다. 이는 수신기 배열 위상, 주파수 오프셋 동역학, 캡처 의존적 목표 구조에도 영향을 받으며, 임베딩을 왜곡하고 소스 도메인에서 학습된 결정 경계를 이동시킬 수 있다. 본 논문은 소스 표현 앵커링과 고정 백본 기반 타겟 교정을 분리하는 프레임워크인 물리 정보 기반 구조 앵커링 및 캡처 인식 프로토타입 교정(PISA-CAPC)을 제안한다. 표현 단계에서는 위상 그래프로 안테나 토큰을 구성하고, CFO에서 도출된 수집 동역학 디스크립터를 이용하여 그래프를 변조한다. 이후 신원 표현 주변에 경계 있는 문맥적 잔차 억제를 적용한다. 배포 시, 비레이블 캡처 인식 프로토타입 교정(U-CAPC)은 고정된 표현 하에서 캡처 로컬 프로토타입 증거를 통해 타겟 결정 점수를 교정함으로써, 타겟 도메인 백본 업데이트나 타겟 레이블 없이 결정 경계 이동을 완화한다. 10개 송신기 다중 안테나 WiFi 벤치마크 실측 데이터에서 PISA-CAPC는 균형 트랜스덕티브 설정 하에 타겟 도메인 평균 Macro-F1 0.9257을 달성한다. 절제 실험을 통해 위상 유도 구조 앵커링, 문맥적 잔차 억제, 캡처 인식 교정이 각각 상호 보완적인 성능 향상에 기여함을 확인하였다. 이러한 결과는 PISA-CAPC가 물리적으로 동기화된 표현 학습과 레이블 없는 캡처 인식 결정 교정을 결합하여 교차 환경 RFFI를 위한 고정 백본 방식으로서의 가능성을 입증한다.

arXiv:2607.09653v1cs.CR

VEXAIoT: AI 에이전트를 이용한 자율 IoT 취약점 활용

VEXAIoT: Autonomous IoT Vulnerability EXploitation using AI Agents

사물 인터넷(IoT) 시스템은 제한된 하드웨어, 구식 펌웨어, 안전하지 않은 기본 설정으로 인해 본질적으로 취약하며, 이는 확장 가능하고 적응적인 보안 테스트 접근 방식의 필요성을 야기한다. 최근 대규모 언어 모델(LLM) 에이전트가 침투 테스트 및 Capture-the-Flag(CTF) 환경에서 가능성을 보여주고 있으나, IoT 특정 취약점에 대한 적용은 아직 탐구되지 않은 상태이다. 본 논문은 LLM 기반 추론 및 공격적 보안 도구를 활용하여 IoT 환경에서의 취약점 발견 및 활용을 위한 자율 다중 에이전트 프레임워크인 VEXAIoT(Vulnerability EXploitation using AI Agents)를 제시한다. 이 프레임워크는 취약점 탐지 에이전트와 공격 실행 에이전트를 결합하여 취약한 IoT 서비스에 대한 정찰 수행, 공격 시퀀스 계획 및 익스플로잇 실행을 수행한다. 본 시스템은 OWASP IoT 취약점에 매핑된 10개의 공격 시나리오에 걸쳐 IoTGoat 및 Metasploitable 환경에서 평가된다. 실험 결과, 대부분의 공격에서 낮은 토큰 오버헤드와 평균 2분 미만의 실행 시간으로 최대 100%의 공격 성공률을 보였다. 260회의 공격 실행에 걸쳐 VEXAIoT는 IoTGoat에서 94.5%, Metasploitable2에서 96.7%의 성공률을 포함하여 전체 95.0%의 성공률을 달성하였다. 이러한 결과는 통제된 환경에서 IoT 취약점 평가 및 공격적 보안 워크플로를 자동화하는 LLM 기반 에이전트의 가능성을 입증한다.

arXiv:2607.05563v1cs.AI

그래프에서 그래디언트로: 사이버-물리 IoT 시스템을 위한 물리학에서 영감받은 구조적 어트리뷰션 및 그 너머

From Graphs to Gradients: Physics-Inspired Structural Attribution for Cyber-Physical IoT Systems and Beyond

통계역학에서 영감받은 에너지 기반 프레임워크를 제안하여, 방향성 인과 그래프 복원 없이 사이버-물리 IoT 시스템의 변수 의존성을 비방향성 에너지 지형으로 모델링하고 의존성 인식 어트리뷰션(attribution)을 수행한다. SWaT 산업용 IoT 테스트베드 실험에서 GNNExplainer 등 최신 그래프 기반 방법 대비 어트리뷰션 정확도, 섭동 견고성, 확장성 모두에서 우수한 성능을 입증하였다.

arXiv:2607.04698v1cs.LG

F-ACVAE: IoT 네트워크에서 프라이버시 보존 침입 탐지를 위한 연합 적응형 조건부 변분 오토인코더

F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks

IoT 네트워크의 프라이버시 보존 침입 탐지를 위해 F-ACVAE라는 연합 적응형 조건부 변분 오토인코더(VAE) 프레임워크를 제안하며, 로컬 인코더는 비공개로 유지하고 디코더 등 공유 구성 요소만 집계하는 선택적 파라미터 집계 방식을 채택했다. 극심한 non-IID 데이터 환경에서의 안정성을 위한 제약 모멘텀 가우시안 집계(CMGA) 전략을 도입하여 N-BaIoT 데이터셋에서 정확도 및 매크로 F1-스코어 99%를 달성하는 동시에 통신 오버헤드를 약 62% 절감했다.

arXiv:2607.02981v1cs.CR

GNN과 KAN을 활용한 IoT 네트워크 침입 탐지를 위한 향상된 특징 추출

Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN

사물인터넷(IoT)의 최근 발전은 고급 네트워크 보안에 대한 긴박한 필요성을 강조하는데, IoT 네트워크는 동적 토폴로지, 불균형 트래픽, 복잡한 공격 패턴을 특징으로 한다. 일반 IT 네트워크와 달리 IoT 환경은 극도의 이기종성과 희소한 토폴로지를 보인다. 기존 GNN 기반 침입 탐지 방법은 이러한 환경에서 노드 및 에지 특징을 효율적으로 모델링하거나 세밀한 이상 징후를 포착하는 데 어려움을 겪는 경우가 많다. 이를 해결하기 위해, 우리는 다중 스케일 선택적 커널 어텐션 메커니즘으로 GraphSAGE를 강화하는 IoT 맞춤형 새로운 접근법인 SKGFusionKAN을 제안한다. 이를 통해 다양한 트래픽 조건에서 노드 및 에지 특징을 적응적으로 추출할 수 있다. 구체적으로, 에지 중심 메시지 패싱(edge-oriented message passing)이 정보 전파를 강화하는 한편, 선택적 커널 어텐션은 이기종성을 처리하기 위해 서로 다른 스케일에서 에지 파생 정보에 적응적으로 가중치를 부여한다. 또한 진화하는 공격에 대한 강건성을 향상시키기 위해 다중 스케일 특징을 동적으로 통합하는 게이트 융합 프로세스를 도입한다. 마지막으로, 분류를 위해 Kolmogorov-Arnold Networks(KAN)를 활용하여 복잡하고 저빈도 공격 탐지에 필수적인 우수한 비선형 모델링 능력을 제공한다. 우리가 아는 한, 이 연구는 IoT 침입 탐지를 위한 전용 아키텍처 혁신과 함께 GNN 및 KAN의 포괄적인 통합을 제시한다. 네 가지 NIDS 벤치마크에 대한 광범위한 실험을 통해 SKGFusionKAN이 이진 및 다중 클래스 태스크에서 최신 기법들을 일관되게 능가함을 보여주며, IoT 보안에 대한 잠재력을 입증한다.

arXiv:2607.02567v1eess.SP

CRODA-ST: 단일 타겟 교차 수신기 오픈셋 무선 지문 인식

CRODA-ST: Single-Target Cross-Receiver Open-Set Radio Fingerprint Recognition

무선 주파수 지문 식별(RFFI)은 사물인터넷(IoT) 기기에 물리 계층 자격 증명을 제공하지만, 소스 수신기에서 보정된 임계값이 타겟 수신기로 전이될 때 오픈셋 판별이 불안정해진다. 수신기 변화(receiver shift)는 기지 송신기의 신뢰도를 낮춰 오거부(false rejection)를 유발할 수 있으며, 클로즈드셋 정렬(closed-set alignment)은 반대로 미지의 타겟 송신기를 기지 영역으로 끌어들여 오수락(false acceptance)을 증가시키는 역효과를 낼 수 있다. 본 연구는 단일 소스-단일 타겟 교차 수신기 오픈셋 RFFI를 위한 구조 우선 적응 프레임워크인 CRODA-ST를 제안한다. 소스 보정 거부의 신뢰성 저하를 유발하는 병목 지점에 각각 대응하는 두 가지 구성 요소로 이루어진다. 판별 구조 앵커링(DSA, Discriminative Structure Anchoring)은 소수의 레이블된 타겟 등록 샘플로부터 타겟 수신기의 기지 클래스 참조를 복원하며, 거부 지향 정렬(ROA, Rejection-Oriented Alignment)은 앵커링된 구조 주변에서 수신기 민감 신뢰도 변동을 완화한다. WiSig ManyTx 데이터셋에서 CRODA-ST는 기지 클래스 정확도 0.9092, AUROC 0.9692, OSCR 0.9580을 달성하였다. 점수 스윕(score-sweep) 분석을 통해 FPR90을 0.0469까지 추가로 감소시켰다.

arXiv:2607.01305v1cs.CR

Generative AI and Federated Learning for Intrusion Detection Systems: A Survey

침입 탐지 시스템(IDS) 개발에서의 데이터 부족, 클래스 불균형, 프라이버시 제약 문제를 해결하기 위해 생성형 AI(VAE, GAN, 확산 모델, 대규모 언어 모델(LLM))와 연합학습(Federated Learning)을 IDS에 적용한 연구들을 체계적으로 정리한 서베이 논문이다. 생성 모델별·태스크별 분류 체계를 제시하고, 생성형 AI와 연합학습 기반 IDS의 통합 연구 현황 및 합성 데이터 품질, non-IID 클라이언트 분포, 통신 효율성 등 미해결 과제를 논의한다.

arXiv:2606.31594v1cs.CR

Comparative Analysis of Machine Learning based Intrusion Detection in Realistic IoT Networks

MQTT, CoAP, RTSP 등 다양한 프로토콜을 사용하는 78개 에뮬레이션 IoT 기기로 구성된 Gotham2025 데이터셋을 활용해 Random Forest, XGBoost, Logistic Regression, Naive Bayes, Deep Neural Network 5가지 머신러닝 알고리즘 기반 침입 탐지 시스템(IDS)을 비교 분석했다. 실험 결과 Random Forest 분류기가 F1-score 0.99로 가장 우수한 성능을 달성했다.

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.