MorphStrata: 시계열 이동 표적 방어에서 Morphence 학생 모델 생성을 위한 층별 섭동
MorphStrata: Layer-Specific Perturbations for Generating Morphence Students in Time-Series Moving Target Defense
시계열 예측 모델은 그래디언트 기반 적대적 공격에 여전히 취약한 반면, 기존 방어 기제는 일반적으로 제한된 응답 시간과 연산 비용을 위해 강건성(robustness)을 희생하는 상충(trade-off)을 감수해야 합니다. 이 문제는 여러 무작위화된 모델 인스턴스를 유지해야 하는 이동 표적 방어(Moving Target Defense) 환경에서 학습 오버헤드를 크게 증가시키기 때문에 더욱 두드러집니다. 본 연구에서는 기존 Morphence 방어를 확장하여 선택적이고 층별(layer-specific)인 확률적 노이즈 주입을 활용하는 학생 모델 생성 전략인 MorphStrata를 소개합니다. MorphStrata는 트랜스포머 백본을 교사(teacher)로 사용하며, 다양한 데이터 분포와 위협 모델에 대응하여 학생 모델 간에 구조적 이질성을 생성하도록 무작위로 선택된 아키텍처 블록에 섭동(perturbation)을 가합니다. Jena Climate, Electricity Load Diagrams, Appliances Energy Prediction을 포함한 일련의 벤치마크에서 다양한 공격 강도의 FGSM, BIM, PGD 공격을 사용하여 바닐라 트랜스포머(Vanilla Transformer) 및 Morphence 백본과 비교 평가를 수행했습니다. 모든 데이터셋과 공격 환경에서 제안된 앙상블(ensemble)은 대등한 수준의 적대적 RMSE를 유지했습니다. 구체적으로, AEP 데이터와 같은 고 엔트로피의 주기적 데이터셋에서 MorphStrata는 모든 공격과 섭동 예산(perturbation budget)에 걸쳐 가장 낮은 RMSE를 달성했으며, 엡실론(epsilon) 값이 0.5일 때 30회의 무작위 시행 결과 FGSM 및 BIM 공격 하에서 각각 최대 24.11%와 97.97% 향상된 성능을 보여 정적 기준선(baseline)을 능가했습니다. 대부분의 실험에서 MorphStrata 학생 모델을 생성하기 위해 층을 지정하는 방식은 Morphence MTD 기준선 대비 학습 시간 증가율이 1% 미만에 불과한 반면, 적대적 RMSE 감소 측면에서는 두 자릿수의 이득을 제공했습니다. 또한 생성된 학생 모델 간의 쌍별(pairwise) L2 거리가 클수록 전체적인 방어 효과가 높아지는 양의 상관관계를 관찰했습니다. 요약하면, MorphStrata는 기존 기준선과 비교했을 때 미미한 비용 증가분만으로 MTD 방어로서의 적대적 강건성을 유지합니다.