Graph-Based Security Analytics and Privacy-Preserving Learning
연구 내용
그래프 표현과 학습 기반 분류로 비정상 거래·네트워크 행위를 탐지하고, 암호화 채널에서 정보가 새는 패턴을 규명하는 연구
본 연구는 보안 문제를 데이터의 관계 구조로 모델링하여 탐지 성능을 높이는 접근을 사용합니다. Bitcoin 거래 그래프와 하이퍼엣지 관계를 활용해 불법 운영 신호를 분류하고, 암호화된 채널에서도 관찰되는 트래픽 패턴을 그래프 신경망으로 학습해 블록체인 운영 의존성과 유형을 식별합니다. 또한 비밀번호 재사용 위험을 graph-based federated learning으로 예측하여 데이터 국외 반출 없이 학습을 가능하게 합니다. 추가로 security provenance 기반으로 네트워크 침해의 원인 요소를 추적해 설명 가능한 수준의 복원에 집중합니다.
관련 연구 성과
관련 논문
4편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 그래프 구조를 반영한 불법 금융 행위 탐지로 연구를 시작하여, 기존 방법의 한계를 관계 정보 활용 관점에서 보완했습니다. 이후 암호화된 환경에서의 정보 누출 가능성을 관찰하고, 그래프 신경망 기반 fingerprinting으로 블록체인 운영 트래픽을 분류하는 방향으로 확장했습니다. 이어서 분산 환경에서의 프라이버시 요구를 반영해 연합 학습 기반 자격 증명 공격 위험 예측으로 발전했습니다. 최근에는 보안 프로비넌스를 통해 침해의 원인 요소를 연결해 복원하는 프레임워크로 연구 축을 넓히고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
CENSor: Detecting Illicit Bitcoin Operation via GCN-Based Hyperedge Classification
gShock: A GNN-Based Fingerprinting System for Permissioned Blockchain Networks Over Encrypted Channels
PassREfinder-FL: Privacy-preserving credential stuffing risk prediction via graph-based federated learning for representing password reuse between websites
SecTracer: A framework for uncovering the root causes of network intrusions via security provenance