IoT 솔루션 및 서비스 시장의 규모가 확산됨에 따라, IoT 장치를 활용하는 산업 분야 역시 다변화되고 있다. 그러나 IoT 장치의 확산은 종종 사용자 개인 정보 및 프라이버시와 맞물려 있으며, 그 결과 이러한 장치를 대상으로 하는 공격이 지속적으로 증가하는 양상을 보인다. 한편, 사전에 정의된 규칙 세트를 기반으로 하는 기존의 네트워크 수준 침입 탐지 시스템은 IoT 생태계의 이질적인 환경으로 인해 점차 효과가 저하되고 있다. 이러한 보안 문제를 해결하기 위해 연구자들은 ML 기반 네트워크 수준 침입 탐지 기법을 활용해 왔다. 특히 전이 학습은, 풍부한 소스 도메인 데이터 집합으로부터의 지식 증류(knowledge distillation)를 바탕으로 IoT 환경에서의 예상치 못한 악성 트래픽을 식별하는 데 전념해 왔다. 그럼에도 불구하고 대부분의 IoT 장치는 홈 네트워크와 같은 이질적이지만 소규모 환경에서 동작하므로, 학습을 위한 적절한 소스 도메인을 선택하는 데 어려움이 있다. 본 논문은 이러한 문제를 해결하기 위한 프레임워크를 제안한다. 전이 학습을 통한 사전 학습(pre-learning) 단계에서 적절한 데이터 집합을 평가하는 일이 비사소적(non-trivial)인 경우, 제안하는 프레임워크는 전이 학습을 위한 소스 도메인으로 사용할 데이터 집합을 선택할 것을 권고한다. 이 선택 과정은 전이 학습을 적용하는 것이 적절한지 여부를 규명하여, 이러한 상황에서의 모범 사례(best practice)를 제공하는 것을 목표로 한다. 본 평가 결과, 제안된 프레임워크는 적합한 소스 도메인 데이터 집합을 성공적으로 선택하며, 가장 높은 정확도를 달성함을 확인하였다.

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