산업제어 시스템에서의 머신러닝 및 딥러닝 기반 이상탐지 (Anomaly detection based on ML & DL in industrial control system)

서지정보

· 발행기관 : 한국정보통신학회
· 수록지 정보 : 한국정보통신학회논문지 / 29권 / 2호 / 247 ~ 252페이지
· 저자명 : 최현서, 염상준, 채상미

초록

최근 4차 산업혁명 시대가 도래함에 따라 많은 양의 정보가 네트워크를 통해 오간다. 이와 동시에 보안을 위협하려는 시도가 증가하고 있으며, 네트워크의 침입 탐지에 대한 연구 또한 활발하게 진행되고 있다. 하지만 산업제어시스템의 경우 일반적인 시스템과 구조가 다르기에 기존의 침입 탐지 알고리즘을 변형하여 적용할 필요가 있다. 본 연구에서는 산업 네트워크에서 가장 효율적으로 작동하는 침입탐지 모델을 구현하고자 하였다. 머신러닝 및 딥러닝 기반 모델을 이용하여 학습을 진행한 후 각 모델의 실행 결과를 비교하였고, 데이터의 전처리와 튜닝 과정을 통해 모델의 성능을 높였다. 침입 데이터의 불균형이 존재하여 모델의 평가 지표로는 accuracy가 아닌 F2 score를 사용하였다. 실험 결과, 불균형 데이터셋에서는 트리 기반의 랜덤 포레스트 모델이 가장 높은 성능을 보였으며, 데이터 전처리 부분에서 차원 축소 시 축소되는 차원의 수가 성능과 학습 소요 시간에 큰 영향을 미친다는 결론을 얻었다.

영어초록

As the Fourth Industrial Revolution progresses, a vast amount of data is exchanged over networks. However, this has led to an increase in attempts to compromise security, prompting extensive research on network security. Industrial control systems(ICS) are structurally different from general systems, necessitating modifications to traditional intrusion detection algorithms for effective application. This study attempts to implement the intrusion detection model that works most efficiently in industrial networks. We trained several machine learning and deep learning models and compared their results. We enhanced model performance through data preprocessing and hyperparameter tuning. Due to the imbalance in the intrusion data, we used F2 score instead of accuracy as evaluation metrics. Experimental results showed that Random Forest showed the highest performance on this imbalanced dataset. Additionally, we found that the number of dimensions reduced during preprocessing significantly impacted performance and required training time.

참고자료

· 없음