PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27903v1cs.AI

추세 예측 기반 복합 교통 네트워크 보안 회복탄력성 복구 방법

A Resilience Recovery Method for Complex Traffic Network Security Based on Trend Forecasting

정보 기술의 급속한 발전으로 항공, 항우주, 차량, 선박, 전력, 산업 등 다양한 분야에 걸쳐 거대하고 복잡한 교통 네트워크가 구축되었다. 그러나 구조의 복잡성과 다양성으로 인해 복합 교통 네트워크는 공격에 취약하며 심각한 보안 과제에 직면한다. 따라서 본 논문은 회복탄력성 추세 예측에 기반한 교통 네트워크 회복탄력성 복구 방법을 혁신적으로 제안한다. 본 논문에서는 네트워크 장애 전파 과정 분석에 위험값을 도입하고, Susceptible, Infectious, Recovered, Dead-Risk(SIRD-R) 장애 전파 모델을 구축한다. 네트워크 회복탄력성 지지 능력과 회복탄력성 복구 능력을 통합하여 실시간 회복탄력성과 전체 회복탄력성을 포괄하는 교통 네트워크 회복탄력성 모델을 구성한다. 이어서 장단기 메모리(LSTM) 네트워크를 이용해 복합 교통 네트워크의 회복탄력성을 예측하고, 예측에 기반한 복합 교통 네트워크 회복탄력성 복구 전략을 제안한다. 마지막으로 다양한 복합 교통 네트워크에 대한 실험 분석을 통해 제안 방법의 효과성과 확장성을 입증하고, 실제 시나리오에서의 적용 가능성을 확인한다.

arXiv:2607.05888v1cs.CR

i-EXAM: 지시 가능하고 설명 가능한 공격 연결 그래프 모델러

i-EXAM: Instructable and Explainable Attack Connectivity Graph Modeler

SPEAR 프레임워크 기반의 대화형 보안 분석 도구 i-EXAM은 네트워크를 PDDL 계획 문제로 자동 변환하여 공격 경로 식별, 보안 메트릭 평가, 다양한 네트워크 강화 전략 생성을 건전성·완전성 보장과 함께 수행한다. 또한 llama-3.1-nemotron-70b-instruct를 활용해 계획 실패 정보를 자연어 설명으로 변환함으로써, PDDL 전문 지식 없이도 시스템 관리자가 보안 강화 전략을 직관적으로 이해하고 선택할 수 있도록 지원한다.

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:2607.00553v1cs.CR

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.

arXiv:2606.28917v1cs.LG

약한 지도학습을 활용한 머신러닝 기반 LDAP 정찰 탐지

ML-Powered LDAP Reconnaissance Detection using Weak Supervision

경량 디렉터리 액세스 프로토콜(LDAP, Lightweight Directory Access Protocol)은 사용자가 Active Directory(AD) 데이터를 조회하고 수정할 수 있게 해주는 프로토콜이다. 기본적으로 모든 사용자는 LDAP를 통해 전체 AD 데이터에 대한 읽기 권한을 가지므로, 위협 행위자가 최초로 자격 증명을 탈취했을 때 정찰 초기 단계에서 흔히 사용되는 도구가 된다. 정찰 단계 초기에 위협 행위자를 포착하기 위해, 우리는 LDAP 정찰을 탐지하는 두 가지 머신러닝 프레임워크를 개발하였다: 악의적인 LDAP 쿼리를 예측하는 머신러닝 분류기와 악의적인 쿼리 시그니처를 추출하는 머신러닝 기반 데이터 마이닝 방법이다. LDAP 쿼리를 엔드포인트 탐지와 상관 분석하여, 첫 번째 프레임워크는 약한 지도학습(weak supervision)을 활용해 대규모 데이터셋에 레이블을 부여하고 LDAP 쿼리를 악의적 또는 정상으로 분류한다. 즉각적인 배포를 위해, 이 접근법 위에 두 번째 기법을 개발하여 엄격한 통계적 가설 검정 프레임워크를 통해 새로운 악의적 LDAP 시그니처를 마이닝하도록 하였다. 이 약한 지도학습 방식은 수동 인간 레이블링에 비해 한계가 있지만, 대규모 자동화 코퍼스 구축을 활용하여 비용과 시간을 절감하므로 이 사용 사례에서는 더 실용적이다. 최종적으로, LDAP 분류기와 머신러닝 기반 LDAP 시그니처 마이닝 방법 모두 성능 벤치마크를 달성하였으며, 분류기는 홀드아웃 세트에서 거짓 양성을 제한하면서 최대 65%의 진양성률(TPR)을 달성하였고, 마이닝된 시그니처는 CrowdStrike의 관리형 탐지 및 대응(Managed Detection and Response) 팀을 통해 81.48%의 필드 정밀도를 달성함을 입증하였다.

arXiv:2606.28439v1cs.CR

PLAA: Packet-level Adversarial Attacks in Network Traffic Detection

Deep neural networks (DNNs) are widely applied in Network-based Intrusion Detection System (NIDS) due to their high accuracy. However, DNNs are highly susceptible to adversarial attacks, which generate malicious traffic to evade NIDS detection. Existing approaches often adapt adversarial attacks from computer vision (CV) tasks to the NIDS domain, overlooking the fundamental differences between CV and NIDS. This results in two major issues: 1) The generated network traffic may become invalid, 2) The generated traffic may lose its original attack semantics. To address these issues, this paper proposes an adversarial attack specifically designed for NIDS. Instead of directly generating flow-level features, our approach incrementally generates packet-level features to construct adversarial traffic. During the generation process, the semantic integrity of the traffic is monitored at each stage, effectively avoiding the issues of invalid traffic and semantic loss observed in existing methods. We evaluate our attack algorithm against current NIDS models using the CIC-UNSW-NB15, CIC-DDoS2019, and CIC-IDS-2017 datasets. The proposed method achieves an average evasion success rate of 92.78%, while ensuring that the generated adversarial traffic remains semantically consistent with the original malicious traffic.

arXiv:2504.01882v2cs.LG공식 코드 · Papers with Code

CO-DEFEND: DoH 기반 보안 위협 탐지를 위한 연속 분산 연합 학습

CO-DEFEND: Continuous Decentralized Federated Learning for Secure DoH-Based Threat Detection

공격자가 DNS over HTTPS(DoH) 터널링을 사용해 암호화된 DNS 트래픽 속에 악성 활동을 숨기면, 악성 행위자가 기존 모니터링 및 침입 탐지 시스템을 우회하고 일반적인 트래픽 분석 기법의 탐지를 피할 수 있으므로 네트워크 보안에 심각한 위협이 된다. DoH 터널을 탐지하는 데 ML 기법을 사용할 수 있지만, 그 효과는 정상 트래픽과 악성 트래픽을 모두 포함하는 대규모 데이터셋에 달려 있다. 이러한 데이터셋을 여러 기관 간에 공유하는 것은 개인정보 보호 우려로 인해 어렵다. 본 연구에서는 여러 기관이 데이터 프라이버시를 보존하면서 DoH 위협 탐지를 위한 분류 머신러닝 모델을 협력적으로 학습하고, 확장성을 높이며 단일 장애점에 대한 복원력을 강화할 수 있는 CO-DEFEND 프레임워크를 제안한다. 제안된 DFL(분산 연합 학습) 프레임워크는 DoH 위협 탐지를 위한 현실적인 구현을 제공하며, 여러 기관이 처리되는 수신 DoH 플로우를 실시간 배치로 온라인에서 로컬 모델을 학습할 수 있게 한다. 이는 현대 인터넷 아키텍처에 자연스럽게 부합하는 접근 방식이다. 이 프레임워크는 서포트 벡터 머신, 로지스틱 회귀, 의사결정나무, 랜덤 포레스트의 네 가지 고전적 머신러닝 알고리즘을 연합 시나리오와 효율적 학습에 맞게 조정한다. 또한 CO-DEFEND의 핵심 방법론적 특징은 DT와 RF를 집계 메커니즘이 아닌 모델 선택 수단으로 사용하는 것으로, 각 참여자가 해석 가능하고 로컬 최적의 의사결정 구조를 유지하면서 집합 통신 업데이트의 이점을 누릴 수 있게 한다. CIRA-CIC-DoHBrw-2020 데이터셋을 사용해 신경망과 같이 계산적으로 더 복잡한 대안을 포함한 기존 머신러닝 접근법과 제안 방법을 비교하여, 확장성과 계산 효율성을 개선하면서 악성 DoH 터널을 탐지하는 효과를 입증한다.