산업 사물인터넷(Industrial Internet of Things, IIoT)은 진보된 디지털 기술과 가장 빠른 상호연결을 제공함으로써 오늘날 산업 비즈니스를 실질적으로 크게 성장시킬 수 있는 기회를 창출한다. IIoT는 유망한 성장 기회를 제공하지만, 대규모 센서 IoT 데이터는 사이버 범죄자에 의해 쉽게 공격받을 수 있다. 따라서 IIoT는 네트워크를 보호하기 위해 서로 다른 수준의 높은 보안 요구사항을 필요로 한다. 침입 탐지 시스템(Intrusion Detection System, IDS)은 네트워크의 비정상적 행위를 탐지하고 공격을 회피하기 위해 안전한 네트워크 트래픽을 모니터링하는 것을 목표로 하는 핵심 보안 솔루션 중 하나이다. 특히 머신러닝(Machine Learning, ML) 기반 IDS 접근법으로 보안 IDS 애플리케이션을 구축하는 데 있어 그 효과가 일반적인 사이버 네트워크 및 특정 IIoT 네트워크 분야 모두에서 보안 연구 커뮤니티의 관심을 끌고 있다. 그러나 대부분의 이용 가능한 IIoT 데이터셋은 불균형 분포를 갖는 다중 클래스 출력 데이터를 포함한다. 이는 ML 기반 IDS 모델에서 공격 탐지 정확도가 감소하는 주요 원인이다. 본 연구는 이 문제를 극복하기 위해 eXtremely Gradient Boosting(XGBoost) 모델을 적용하여 IIoT 불균형 데이터셋을 위한 IDS를 제안한다. 제안한 방법의 효과성과 견고성을 평가하기 위해 두 가지 최신 IIoT 불균형 데이터셋, X-IIoTDS와 TON_IoT를 사용하였다. XGBoost 모델은 두 데이터셋에서 각각 F1 점수 99.9% 및 99.87%로 우수한 공격 탐지를 달성하였다. 이러한 결과는 제안된 접근법이 불균형 다중 클래스 IIoT 데이터셋에서 공격 탐지 성능을 향상시켰으며, 기존 IDS 프레임워크보다 우수함을 입증하였다.

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