PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.26990v1cs.CR

네트워크 트래픽 Natural Visibility Graph 표현에서 사이버 공격 클래스의 위상학적 시그니처

Topological Signatures of Cyber-Attack Classes in Natural Visibility Graph Representations of Network Traffic

Natural Visibility Graph(NVG) 기반 표현은 순차적 네트워크 트래픽에서 구조적 패턴을 포착하는 유망한 접근법을 제공한다. 그러나 서로 다른 사이버 공격 클래스가 이러한 표현에서 구별되는 위상학적 시그니처를 보이는지는 여전히 충분히 밝혀지지 않았다. 본 연구는 CSE-CIC-IDS2018 데이터셋을 사용하여 NVG 기반 네트워크 트래픽 표현의 판별력과 구조적 특성을 조사한다. 76개의 수치형 트래픽 특징을 40관측치의 겹치는 프레임 안에서 각각 NVG로 변환하였고, 각 그래프에서 10개의 그래프 이론적 지표를 추출하여 프레임당 760개의 위상학적 기술자(descriptor)를 얻었다. 이러한 표현의 판별력은 계층화 5-fold 교차검증(stratified five-fold cross-validation)을 적용한 다중 분기 합성곱 신경망(CNN)으로 평가하였다. 모델은 평균 정확도 96.20%와 Matthews 상관계수(MCC) 0.9566을 달성하였다. 클래스별 위상학적 차이를 특성화하기 위해 Kruskal-Wallis 및 Mann-Whitney U 검정을 Benjamini-Hochberg false discovery rate(FDR) 보정과 효과 크기 측정과 결합하였다. 공격 대 정상(benign) 비교 10,640건 중 7,777건(73.1%)이 FDR 보정 후에도 통계적으로 유의하였으며, 4,844건에서 Cliff's delta 효과가 크게 나타났다. 가장 강한 전역적 차이는 주로 역방향 트래픽 및 패킷 길이 관련 특징과 연결성, 클러스터링, 중심성 지표의 결합과 관련되었다. 이러한 결과는 NVG 기반 표현이 강한 판별력을 제공할 수 있으며, 서로 다른 사이버 공격 클래스와 연관된 클래스 의존적 위상학적 패턴을 드러낼 수 있음을 시사한다.

arXiv:2607.22829v1cs.AI

네트워크 트래픽 이상 탐지를 위한 Mamba의 다중 뷰 스캐닝 분리

Disentangling Multi-View Scanning in Mamba for Network Traffic Anomaly Detection

네트워크 트래픽 이상 탐지(NTAD)는 사이버 보안에서 중요한 과제이지만, 시의적절하고 정확한 이상 탐지는 여전히 어려운 문제로 남아 있다. Mamba는 긴 시퀀스 모델링에 대한 선형 시간 복잡도로 인해 NTAD를 위한 특히 유망한 백본으로 부상했다. 또한 상호 보완적인 맥락 단서를 통해 탐지 정밀도를 향상시키기 위해 전용 다중 뷰 스캐닝 메커니즘을 통합한다. 그러나 NTAD를 위한 다중 뷰 Mamba 스캐닝에서 이전에 간과된 구조적 결함, 즉 중복 누적을 확인했다. 구체적으로, 서로 다른 스캐닝 분기는 상당한 뷰 불변(view-invariant) 정보를 포착하며, 이는 다중 뷰 융합 과정에서 반복적으로 증폭된다. 반대로 뷰 특이(view-specific) 정보는 희석되거나 심지어 억제되어 표현 동질화와 다중 뷰 성능 저하를 초래한다. 이 문제를 해결하기 위해, 새로운 분리형(disentangled) 다중 뷰 Mamba 프레임워크인 DisenMamba를 제안한다. DisenMamba는 다중 뷰 스캐닝을 융합 이전에 뷰 불변 및 뷰 특이 구성 요소를 명시적으로 분리하는 2단계 분리-후-융합(disentangle-then-fuse) 과정으로 재구성한다. 이 설계는 불변 정보의 누적을 방지하면서 상호 보완적인 다중 뷰 단서를 보존하여, 미세한 트래픽 이상에 대해 더 판별력 있는 표현을 생성한다. 광범위한 실험을 통해 DisenMamba의 효과를 입증하였으며, 새로운 분리형 다중 뷰 Mamba 패러다임을 확립한다. 코드는 https://github.com/ikun0124/DisenMamba 에서 이용 가능하다.

arXiv:2601.06862v2cs.CR

암호화된 화상 회의 트래픽에서 패킷 수준 측정을 통한 QoE 학습

Learning QoE from Packet-Level Measurements in Encrypted Video Conferencing Traffic

사용자 경험의 품질은 제품이나 서비스를 계속 사용할지 아니면 포기할지에 대한 개인의 의지에 직접적인 영향을 미치기 때문에, 오늘날 가장 중요한 측면 중 하나가 되었습니다. 이러한 맥락에서, COVID-19 팬데믹 이후 널리 채택된 화상 회의 애플리케이션(VCA)은 점점 포화 상태가 되어가는 시장에서 경쟁력을 유지하기 위해 우수한 성능을 제공해야 합니다. Zoom, WhatsApp, Telegram, Google Meet과 같은 콘텐츠 제공자(CP)는 전송된 데이터와 수신된 데이터를 비교하여 대화 품질을 평가할 수 있지만, VCA에서 종단 간 암호화(end-to-end encryption)가 널리 사용됨에 따라 인터넷 서비스 제공자(ISP)가 경험 품질(QoE)을 평가하는 것은 훨씬 더 어려운 과제가 되었습니다. ISP는 암호화된 콘텐츠에 접근할 수 없으므로, 데이터 경로상의 암호화되지 않은 트래픽 특성에 대한 수동적 측정(passive measurements)에 의존해야 합니다. 본 연구에서는 화상 회의(VC) 통화 중 두 참가자 간의 통신에서 추출된 패킷 크기만을 사용하여 BRISQUE와 MOS라는 두 가지 QoE 지표를 예측하는, 거의 표준에 가까운 합성곱 신경망(CNN) 아키텍처를 기반으로 하는 간단하면서도 효과적인 QoE 예측 프레임워크를 제안합니다. 제안된 프레임워크는 간단하고 구현이 쉬우며 고사양 컴퓨팅 자원을 필요로 하지 않지만, 우수한 예측 성능을 제공합니다. WhatsApp과 Zoom에서 수집한 두 개의 사용자 정의 데이터셋에 대한 우리의 실험 결과, 이 프레임워크는 QoE 예측 작업에 대한 이전 모델들에 비해 상당한 개선을 달성하는 것으로 나타났습니다.