IDS는 네트워크가 다양한 공격에 더욱 취약해짐에 따라 점점 더 중요해지고 있다. 그러나 전통적인 ML 및 DL 기반 IDS는 개방형 적대적 네트워크 데이터셋의 부재와, 학습 과정에서 잠재적 데이터 유출이 발생할 수 있다는 벤더들의 우려로 인해 정확도와 오탐(false positive) 비율이 제한적이다. 이러한 과제를 해결하기 위해 VAE 및 GAN 기반 네트워크 패킷 생성 모델이 등장했으나, 여전히 데이터 충실도(data fidelity)가 낮다는 문제가 있다. 이러한 맥락에서 TabDDPM은 데이터 분포 특성을 보다 정확하게 포착하고 네트워크 패킷 포맷의 고유한 구조를 효과적으로 학습함으로써 VAE와 GAN을 능가하므로 네트워크 패킷 생성에 적합한 선택지이다. 그럼에도 불구하고 네트워크 패킷 생성에 TabDDPM을 적용하는 연구는 아직 탐색되지 않았다. 본 논문에서는 충실도와 개인정보 보호 보장 모두를 유지하면서 적대적 네트워크 트래픽을 생성할 수 있도록 하는 새로운 프레임워크 DP-NetDDPM을 제안하고 평가한다. 구체적으로, 확산(diffusion)을 사용하여 적대적 네트워크 패킷 데이터셋을 생성하는 방식을 검토하고, 이를 기준(baseline) 모델과 성능을 비교한다. 우리의 프레임워크는 데이터 충실도, 기계학습 응용을 위한 적응성, 데이터 프라이버시라는 세 가지 핵심 기준에 초점을 둔다. 그 결과, DP-NetDDPM은 충실도와 적응성 모두에서 기존 모델을 능가하였으며, 기준 모델 대비 충실도는 72% 향상, 적응성은 45% 향상에 해당하는 유의미한 개선을 달성하였다.

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