네트워크 침입 탐지 시스템(Network Intrusion Detection Systems, NIDS)은 사이버공격으로부터 네트워크 환경을 보호하는 데 핵심적인 역할을 한다. 그러나 전통적인 NIDS는 미리 정의된 공격 시그니처에 크게 의존하는 경우가 많아 제로데이 공격을 탐지하는 능력이 제한된다. 기계 학습 기반 침입 탐지 기법이 네트워크 침입 방지 시스템(Network Intrusion Prevention Systems, NIPS)에서 널리 채택되어 왔음에도 불구하고, 공개된 네트워크 트래픽 데이터셋은 흔히 심각한 클래스 불균형 문제를 겪어 치우친 학습과 탐지 성능 저하로 이어진다. 이를 해결하기 위해 본 연구에서는 3D-GAN(Three-Discriminator Generative Adversarial Network) 기반 데이터 증강 프레임워크를 제안한다. 제안된 아키텍처는 병렬 판별자로서 오토인코더, CNN(Convolutional Neural Network), LSTM(Long Short-Term Memory) 네트워크를 통합하여 네트워크 트래픽의 통계적, 공간적, 시간적 특성을 포착한다. 여러 판별자 손실을 공동 최적화함으로써 프레임워크는 학습 안정성을 향상시키고 고품질의 합성 샘플을 생성한다. 실험은 CIC-UNSW-NB15 데이터셋에서 Random Forest-, XGBoost(eXtreme Gradient Boosting)- 및 BiGRU(Bidirectional Gated Recurrent Unit)-기반 분류기를 사용하여 수행하였다. 클래스 불균형을 해결하기 위해 각각 약 100,000개 및 350,000개의 샘플을 포함하는 두 개의 증강 데이터셋을 구성하였다. 그중, 제안된 3D-GAN을 사용하여 증강한 Dataset 2에서 가장 큰 성능 향상이 관찰되었다. 원래의 불균형 데이터셋과 비교할 때, Dataset 2로 학습된 XGBoost 분류기는 정확도와 F1-score 모두에서 약 4%의 증가를 보였으며, 오탐률(false positive rate)과 미탐률(false negative rate)은 각각 약 3.5% 감소하였다. 또한 최적 구성을 통해 F1-score 0.9816을 달성하여 복잡한 네트워크 트래픽 패턴을 모델링하는 우수한 능력을 시사하였다. 전반적으로 본 연구는 GAN 기반 데이터 증강이 클래스 불균형을 완화하고 침입 탐지 시스템의 견고성과 일반화 성능을 향상시킬 수 있는 잠재력을 강조한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.