속성 기반 제로트러스트 접근통제 아키텍처 설계 및 검증
Design and Validation of an Attribute-Based Zero Trust Access Control Architecture
- 주제(키워드) 제로트러스트 아키텍처 , 속성 기반 접근통제 , 내부자 위협 탐지 , 머신러닝 위험점수 , 동적 접근통제
- 주제(DDC) 355
- 발행기관 아주대학교 일반대학원
- 지도교수 손태식
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 박사
- 학과 및 전공 일반대학원 국방디지털융합학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036408
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
최근 軍, 공공기관, 주요 기반시설 등 고보안 환경에서는 내부자 위협, 계정 탈취, 권한 오남용과 같은 복합적 보안 위협이 증가하고 있다. 기존 경계 기반 보안체계 와 역할 기반 접근통제（Role-Based Access Control, RBAC）는 사용자의 신원이나 역할을 중심으로 접근 여부를 판단하기 때문에 실시간 상황 변화와 행위 기반 위험 을 충분히 반영하기 어렵다. 이에 따라 모든 접근 요청을 지속적으로 검증하고 최 소 권한 원칙을 적용하는 제로트러스트 아키텍처（Zero Trust Architecture, ZTA） 의 중요성이 커지고 있다. 본 논문은 고보안 환경에 적합한 속성 기반 제로트러스트 아키텍처를 제안한다. 제안 모델은 정책집행지점（PEP）, 정책결정지점（PDP）, 정책관리지점（PAP）을 기반으 로 하며, 위치, 시간, 인가 등급, 과거 행위 속성에 우선순위를 부여하여 접근정책을 평가한다. 또한 머신러닝 기반 위험점수를 정책결정 과정에 반영함으로써 접근 요 청에 대해 Allow, Restrict, Deny의 동적 접근통제를 수행한다. 제안 모델의 검증을 위해 CERT Insider Threat Dataset r6.2를 활용하여 user-day 단위의 행위 데이터를 구성하고, RandomForest 기반 위험점수 모델을 적용하였다. 실험 결과 Accuracy 0.9520, Precision 0.7908, Recall 0.9803, F1-Score 0.8754의 탐지 성능을 확인하였다. 또한 시나리오 기반 검증을 통해 비인가 시간, 비인가 위치, 낮은 권한 수준, 고위험 행위 등 다양한 조건에서 정책결정이 일관되게 수행됨을 확인하였 다. 시스템 성능 측면에서도 평균 정책결정 지연시간 27.5ms, CPU 증가율 0.4%, 메 모리 사용량 369MB로 측정되어 실용 가능한 수준의 오버헤드를 보였다. 따라서 본 논문에서 제안한 속성 기반 제로트러스트 아키텍처는 정적 접근통제의 한계를 보완하고, 행위 기반 위험을 실시간 정책결정에 반영함으로써 고보안 환경에서 의 내부자 위협 대응과 동적 접근통제에 효과적으로 활용될 수 있을 것으로 기대된다. 주제어（Key Words）: 제로트러스트 아키텍처, 속성 기반 접근통제, 내부자 위협 탐지, 머신러닝 위험점수, 동적 접근통제
more초록/요약
As cyber threats evolve into insider misuse, credential compromise, and privilege abuse, security-sensitive organizations require access control mechanisms that continuously evaluate user context and behavioral risk. Traditional perimeter-based security and Role-Based Access Control （RBAC） provide clear administrative structures, but they are limited in reflecting real-time contextual changes and behavior-based risks. In this context, Zero Trust Architecture （ZTA） has emerged as a critical security paradigm that continuously verifies access requests, minimizes implicit trust, and enforces least-privilege access. This dissertation proposes an attribute-based Zero Trust access control architecture for adaptive and risk-aware authorization. The proposed architecture consists of a Policy Enforcement Point （PEP）, a Policy Decision Point （PDP）, a Policy Administration Point （PAP）, and a machine learning-based risk scoring module. Unlike static access control models, the proposed model evaluates access requests using prioritized attributes, including location, time, clearance level, and past behavior. Clearance level is defined not as a direct adoption of RBAC roles, but as a quantified subject attribute representing the user’s authorized access level. These attributes are integrated into a weighted attribute evaluation mechanism, while machine learning-based behavioral risk scores are incorporated through a feedback loop. Accordingly, the proposed architecture supports dynamic access decisions, including Allow, Restrict, and Deny. To evaluate the proposed architecture, user-day behavioral data were constructed from the CERT Insider Threat Dataset r6.2, and a RandomForest-based risk scoring model was implemented. The experimental results showed strong insider threat detection performance, with an accuracy of 0.9520, precision of 0.7908, recall of 0.9803, and F1-score of 0.8754. Scenario-based validation confirmed that the policy engine consistently produced intended access decisions under conditions such as unauthorized access time, unauthorized location, low clearance level, medium-risk behavior, and high-risk behavior. The proposed model restricted or denied access even when conventional role-based permissions alone would have allowed access, demonstrating its ability to overcome static RBAC-based authorization. The system performance evaluation showed practical operational overhead, with an average access decision latency of 27.5 ms, a CPU usage increase of 0.4%, and memory usage of 369 MB. These results indicate that prioritized attribute evaluation and machine learning-based risk feedback can be integrated into a Zero Trust access control process without excessive computational burden. The main contribution of this dissertation lies in transforming Zero Trust from a conceptual security principle into a quantitatively evaluable access control architecture. By integrating attribute-based policy evaluation with machine learning-based insider threat risk scoring, the proposed model bridges anomaly detection and real-time access control, providing a practical foundation for adaptive, context-aware, and risk-aware Zero Trust access control. Keywords : Zero Trust Architecture, Attribute-Based Access Control, Policy-Driven Security, Insider Threat Detection, Machine Learning-Based Risk Score, Dynamic Access Control, High-Security Environment
more목차
제1장 서론 1
제1절 연구 배경 및 필요성 1
제2절 연구 목적 3
제3절 연구 범위 및 방법 4
제4절 논문의 구성 6
제2장 관련 연구 7
제1절 제로트러스트 아키텍처 7
제2절 접근통제 모델 9
제3절 제로트러스트 기반 정책결정 및 집행 구조 10
제4절 내부자 위협 탐지와 머신러닝 11
제5절 기존 연구의 한계 13
제3장 속성 기반 제로트러스트 아키텍처 설계 15
제1절 제안 아키텍처 개요 15
제2절 구성요소 정의 18
1. 정책 집행 지점(Policy Enforcement Point, PEP) 18
2. 정책 결정 지점(Policy Decision Point, PDP) 18
3. 정책 관리 지점(Policy Administration Point, PAP) 19
4. 머신러닝 기반 위험평가 모듈(ML-based Risk Scoring Module) 20
5. 정책 피드백 루프(Policy Feedback Loop) 20
제3절 속성 우선순위 기반 ABAC 정책모델 21
제4절 정책 점수 산정 및 접근결정 모델 25
제5절 머신러닝 기반 위험점수 피드백 구조 28
제6절 정책결정 절차 및 알고리즘 32
제4장 구현 및 실험 환경 36
제1절 실험 환경 36
제2절 데이터셋 구성 39
제3절 데이터 전처리 41
제4절 특징 추출 44
제5절 머신러닝 기반 위험점수 산정 모델 구현 46
제6절 정책엔진 구현 49
제5장 실험 및 검증 53
제1절 실험 설계 및 평가 기준 53
제2절 내부자 위협 탐지 성능 분석 57
제3절 정책결정 시나리오 검증 60
제4절 RBAC와 제안모델의 비교 분석 63
제5절 시스템 성능 및 오버헤드 분석 67
제6절 종합 논의 70
제6장 결론 74
참고문헌 78
Abstract 85
