적대적 공격 환경에서 탐지 강건성 향상을 위한 NMIFGNN 기법 적용 IoT 침입 탐지 연구
A Study on IoT Intrusion Detection Applying NMIFGNN for Improving Detection Robustness under Adversarial Attacks
- 주제(키워드) IoT 보안 , 침입 탐지 , 그래프 뉴럴 네트워크 , 적대적 로버스트니스 , 적대적 트레이닝
- 주제(DDC) 005.8
- 발행기관 아주대학교 일반대학원
- 지도교수 김기형
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 사이버보안학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036465
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
사물인터넷 디바이스가 산업 전반으로 빠르게 확산되면서, 네트워크에 연결된 기기 수가 계속 증가하고 있다. Statista의 리포트에 따르면 글로벌 IoT 커넥티드 디 바이스 수는 2027년에 약 242억 대, 2030년에는 약 312억 대까지 늘어날 전망이다. 이 과정에서 IoT 네트워크를 겨냥한 사이버 어택도 급증하고 있어, 침입 탐지 시스템의 중요성이 날로 커지고 있다. 딥러닝 기반 IDS는 스탠다드 벤치마크에서 높은 디텍션 정확도를 보여주지만, 적대적 공격（Adversarial Attack） 앞에서는 상당히 취약하다. 공격자가 네트워크 플 로우의 통계 피처에 미세한 퍼터베이션을 가하면 딥러닝 모델이 악성 트래픽을 정 상으로 오분류하는 현상이 일어나는데, 이는 실제 IoT 보안 운영 환경에서 심각한 위협이 된다. 기존 연구들을 분석해 보면 세 가지 핵심적인 한계가 있다. 첫째, 종래의 디텍션 모델은 트래픽 피처를 독립적인 차원으로 처리하면서 피처 간의 넌리니어 통계 디펜 던시를 무시한다. 둘째, 스탠다드 PGD 적대적 공격은 continuous 피처와 categorical 피처를 구분 없이 같은 방식으로 퍼터브하기 때문에, 프로토콜 타입이나 TCP 플래그 처럼 정수값만 가지는 피처에 비현실적 값이 생긴다. 셋째, MART 같은 어드밴스드 적대적 트레이닝을 IDS에 직접 적용하면 클린 데이터 정확도가 크게 떨어지는 트레 이닝 불안정 현상이 발생한다. 이 문제들을 해결하기 위해 본 논문에서는 NMIFGNN（NMI-Feature Graph Neu- ral Network）을 제안한다. NMIFGNN은 NMI（Normalized Mutual Information） 기 반 피처 릴레이션쉽 그래프 구성, NMI 그래프 디노이징 레이어, Semantic-Constrained PGD 공격（Semantic-PGD）, 2-Stage MART 트레이닝의 네 가지 모듈로 구성된다. 두 개의 퍼블릭 데이터셋（IoT-Network, UNSW-NB15）에서 9개 방법론의 비교 실험과 4개 그룹의 어블레이션 스터디를 수행하였다. IoT-Network 데이터셋에서 NMIFGNN은 클린 데이터 Macro-F1 0.9890, 최강 퍼터베이션 ε = 0.20에서 퍼포 먼스 리텐션 90.9%를 달성해 2위 MLP-PGD（84.3%）를 6.6 퍼센트 포인트 앞섰다. UNSW-NB15 데이터셋에서도 95.3%의 성능 유지율을 보여, 서로 다른 데이터셋에서 제안 기법의 강건성 향상 경향이 일관되게 나타남을 확인하였다. 어블레이션에서는 MART에 스탠다드 PGD를 쓰면 퍼포먼스가 85.1%에서 58.0%로 오히려 급락한다 는 결과를 제시하며, Semantic-PGD가 MART 효과의 전제 조건임을 실험적으로 입증하였다.
more목차
제 1 장 서론 1
제 1 절 연구 배경 및 필요성 1
제 2 절 문제 정의 2
제 3 절 연구 목적 및 주요 기여 3
제 4 절 논문 구성 4
제 2 장 관련 연구 5
제 1 절 GNN 기반 침입 탐지 5
1. GNN의 기본 원리 5
2. GNN-IDS 기존 연구 분석 6
제 2 절 적대적 공격과 적대적 트레이닝 8
1. 적대적 공격 기법의 발전 8
2. 적대적 학습의 발전 9
제 3 절 IoT IDS의 적대적 로버스트니스 9
제 4 절 정규화 상호정보량（NMI） 10
제 3 장 데이터셋 및 전처리 12
제 1 절 IoT-Network 데이터셋 12
제 2 절 UNSW-NB15 데이터셋 13
제 3 절 데이터 전처리 14
제 4 장 NMIFGNN 기법 설계 15
제 1 절 전체 프레임워크 개요 15
제 2 절 NMI 피처 릴레이션쉽 그래프 구성 15
1. 설계 동기와 기존 방식과의 차별점 15
2. NMI 매트릭스 계산 과정 16
3. 어드제이선시 매트릭스 구성 17
제 3 절 모델 아키텍처 17
1. NMI 디노이징 레이어 17
2. 노드 임베딩 레이어 18
3. WGraphSAGE 레이어 18
4. 글로벌 풀링, 레지듀얼 커넥션, 클래시파이어 19
제 4 절 Semantic-Constrained PGD 공격 19
1. 스탠다드 PGD의 문제점 19
2. Semantic-PGD 알고리즘 20
제 5 절 2-Stage MART 트레이닝 전략 21
1. 왜 2-Stage가 필요한가 21
2. Stage 1: 클린 데이터 프리트레이닝 21
3. Stage 2: MART 적대적 파인튜닝 21
제 5 장 실험 및 결과 분석 23
제 1 절 실험 설정 23
1. 실험 환경 23
2. 베이스라인 23
3. 평가 매트릭 24
4. 로버스트니스 평가 프로토콜 24
제 2 절 클린 데이터 퍼포먼스 25
제 3 절 적대적 로버스트니스 분석 27
1. IoT-Network 데이터셋 결과 27
2. UNSW-NB15 데이터셋 결과 29
3. 크로스 데이터셋 비교 29
제 4 절 어블레이션 스터디 30
제 5 절 파라미터 센서티비티 31
제 6 절 종합 논의 33
제 6 장 결론 및 향후 연구 35
제 1 절 연구 요약 35
제 2 절 향후 연구 방향 36
참고문헌 38
