초록
지난 10년간 무선 네트워킹 인프라의 급속한 발전과 함께 사물인터넷(IoT) 장치의 수와 그 지원을 목표로 하는 활용 사례가 급격히 증가했다. 여러 장점에도 불구하고 IoT의 보편적 활용은 사이버 범죄자들이 자주 악용하는 광범위한 공격 표면을 만들어내었으며, 이는 고용량 네트워크 트래픽에서 발생하는 다양한 공격에 대해 실시간으로 자동 탐지 및 대응이 필요하게 했다. 소프트웨어 정의 네트워킹(SDN)과 기계학습(ML) 기반의 침입 탐지 기술은 IoT 네트워크에서 다양한 공격에 신속하게 대응할 수 있는 효과적인 도구이지만, 기존의 ML 기반 침입 탐지 연구는 오래 전에 생성된 데이터셋에 대한 성능 평가에 국한되어 있으며, SDN 기반 환경에 특화된 것은 아니다. 본 논문에서는 IoT 네트워크에서의 침입 탐지를 위한 새로운 데이터셋을 제안한다. 이 데이터셋은 정적 및 동적 IoT 네트워크를 모델링하는 두 부분으로 구성되며, 각각 2790만 건과 3020만 건의 데이터 레코드를 포함하고 있으며, 정상 트래픽 외에도 다양한 유형의 사이버 공격 데이터도 포함하고 있다. 이 데이터셋은 향후 보편적인 연결성 네트워크에서 점점 더 보편화될 것으로 예상되는 SDN 기반 IoT 환경에서의 침입 탐지 연구에 중요한 자원이 될 것이다.