국방 IoT의 사이버보안 강화를 위한 침입탐지 모델 제안 (Intrusion Detection Model for the Enhancement of Cybersecurity in Defense IoT)

서지정보

· 발행기관 : 국방보안연구소
· 수록지 정보 : 국방과 보안 / 5권 / 2호 / 11 ~ 43페이지
· 저자명 : 김종국, 김한석, 이지구, 이수진

초록

IoT 기술은 민간 및 국방 분야에서 매우 광범위하게 활용되고 있다. 특히 국방분야에서는 IoT 기술이 전장에서의 상황인식 개선을 위한 핵심 기반기술로 부각되면서 관련 기술개발 및 적용을위한 다양한 시도가 전개되고 있다. 그러나 IoT 기술의 확대 적용과 함께 새로운 사이버위협도획기적으로 증가하고 있고 다양한 피해가 발생하고 있어 IoT 환경에 대한 사이버보안 강화 차원의 대책이 시급하게 마련되어야 한다. 이에 본 연구에서는 국방 IoT 환경에서 활용 가능한 인공지능 기술 기반의 침입탐지 모델을 2가지 형태로 구분하여 제시하였다. 첫 번째 모델은 IoT 환경의 자원제약적 특성을 고려하여 경량화에 중점을 둔 모델로서, 특성 추출 기법인 LDA를 통해모델에 입력되는 특성의 차원을 축소하고 Gradient Boosting 계열의 모델 중 가장 빠르고 경량화된 LightGBM 모델로 침입탐지를 수행한다. 두 번째 모델은 모델 구축 및 유지보수의 용이성보장에 중점을 두고 설계된 모델로서, 자연어처리를 기반으로 다양한 특성을 하나의 문장으로병합해 데이터 전처리를 획기적으로 간소화하면서 언어모델인 BERT 모델로 침입탐지를 수행한다. 두 모델에 대한 성능평가는 현재 국방 IoT 환경에서 실제로 사용되고 있는 MQTT 프로토콜을 기반으로 생성된 데이터세트인 MQTTset를 활용하였다.실험 결과 LDA와 LightGBM 결합모델은 이진분류 정확도 99.08%, F1_Score 99.07%, 다중분류에서는 정확도 99.76%, F1_Score 97.42%를 달성하였다. BERT 모델은 이진분류 정확도 99.96%, 다중분류 정확도99.6%를 달성하였고, F1_Score는 모두 100%로 나타나 선행연구보다 전반적으로 향상되었다. 그리고 모델 구축 및 침입탐지에 소요되는 시간 역시 단축됨을 확인하였다.

영어초록

IoT technology is widely used in the private and defense sectors. Especially, as IoT technology has emerged as a core technology for improving situational awareness on the battlefield, various attempts are being made to develop related technologies and expand their application. However, as new cyber threats are increasing dramatically with the spread of IoT technology and various damages are actually occurring. So measures to enhance cybersecurity in the IoT environment must be urgently prepared. Therefore, in this study, we presented two novel AI-based intrusion detection model that can be used in the defense IoT environment. The first model focuses on making lightweight model by considering the resource-limited characteristics of the IoT device. This model reduces the dimensionality of the input features through LDA, a feature extraction technique, and performs intrusion detection with the fastest and lightest LightGBM model among Gradient Boosting series models. The second model focuses on ensuring ease construction and maintenance of model. This model dramatically simplifies data preprocessing in the form of merging various features into one sentence, and performs intrusion detection using the BERT, a language model. We used MQTTset, a dataset generated based on the MQTT protocol currently used in the defense IoT environment for the performance evaluation. As a result of the experiment, LDA and LightGBM combination model achieved Accuracy of 99.08% and F1_Score of 99.07% in binary classification, and Accuracy of 99.76% and F1_Score of 97.42% in multi-class classification. While the BERT model achieved Accuracy of 99.96% in binary classification and Accuracy of 99.6% in multi-class classification. In addition, it was confirmed that the time required for model construction and intrusion detection was also shortened.

참고자료

· 없음