KiNETGAN: 지식 융합 합성 데이터 생성을 통한 분산 네트워크 침입 감지 실현

모바일 네트워크를 통해 연결된 IoT/CPS 시스템의 영역에서, 전통적인 침입 탐지 방법은 이상 탐지 기술을 사용하여 다수의 장치 간의 네트워크 트래픽을 분석하여 잠재적인 보안 위협을 표시합니다. 그러나 이러한 방법은 특히 딥 패킷 검사와 네트워크 통신 분석과 관련하여 중대한 프라이버시 문제에 직면해 있습니다. 이와 같은 모니터링은 개인 정보와 민감한 정보가 포함될 수 있는 데이터 패킷의 내용을 조사하기 때문에 매우 침습적입니다. 이러한 데이터 검토는 특히 스마트 홈과 같은 환경에서 데이터 프라이버시가 가장 중요한 경우 엄격한 법률과 규정으로 규제되는 경우가 많습니다. 합성 데이터는 실제 네트워크 동작을 모방하면서 민감한 세부 정보를 노출하지 않는 유망한 해결책을 제공합니다. 생성 적대 신경망(GAN)과 같은 생성 모델은 합성 데이터를 생성할 수 있지만, 종종 네트워크 활동과 같은 전문 영역에서 현실적인 데이터를 생성하는 데 어려움을 겪습니다. 이 제약은 훈련 데이터 부족으로 인해 발생하며, 이로 인해 모델이 해당 영역의 규칙과 제약 사항을 충분히 이해하는 데 방해가 됩니다. 또한 훈련 데이터의 부족은 침입 탐지 방법에서 클래스 불균형 문제를 더욱 악화시키고 있습니다. 이러한 도전 과제를 해결하기 위해, 우리는 프라이버시 중심 프레임워크를 제안합니다. 이 프레임워크는 지식 주입형 생성 적대 신경망(KiNETGAN)을 활용하여 합성 네트워크 활동 데이터를 생성합니다. 이 접근법은 분산된 침입 탐지를 강화하면서 동시에 프라이버시 문제를 해결합니다. 우리의 지식 안내형 GAN은 철저한 실험을 통해 검증된 현실적인 네트워크 활동 표현을 생성합니다. 우리는 KiNETGAN이 후속 작업에서 최소한의 정확도 손실만 유지함으로써 효과적으로 데이터 프라이버시와 유틸리티 사이의 균형을 맞추는 것을 입증하였습니다.