본문 바로가기
KERD
논문KCI 등재

국방 IoT의 사이버보안 강화를 위한 침입탐지 모델 제안

Intrusion Detection Model for the Enhancement of Cybersecurity in Defense IoT

이수진|김한석|이지구|김종국
국방보안연구소 (Defense Security Institute)|2023.12|국방과 보안 (Journal of Defense and Security)|제5권 제2호|pp. 11-43

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

IoTLDAIntrusion DetectionLightGBMBERTMQTT

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.

Abstract

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.

참고문헌 (30)

  1. "2027년까지 IoT 시장 연간 18.8% 성장"[URL]
  2. "IoBT REIGN CRA 홈페이지"[URL]
  3. "Internet of Things Meets the Military and Battlefield" (2022)[URL]
  4. "美 ‘IoT·RFID’ 적극 도입, 새로운 패러다임 열린다" (2023)[URL]
  5. 유상록, "뉴로모픽 모델과 기계학습 모델을 지원하는 자율형 IoT 프로그래밍 패러다임", 정보과학회논문지, 47(3), pp.310~318 (2020), 한국정보과학회[DOI]
  6. D. Soni, "survey on mqtt: a protocol of internet of things (iot)", International conference on telecommunication, power analysis and computing techniques (ICTPACT-2017), 20, pp.173~177 (2017)
  7. A. M. Martinez, "Pca versus lda", IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(2), pp.228~233 (2001)
  8. I. Vaccari, "MQTTset, a New Dataset for Machine Learning Techniques on MQTT", MDPI Sensors, 20(22), pp.6578~ (2020)
  9. Building IIoT Systems: Trends and Technology Adoption, "IIoT World", IIoT World, ~ (2021)
  10. K. Tang, "Design and implementation of push notification system based on the MQTT protocol", 2013 International Conference on Information Science and Computer Applications (ISCA 2013), pp.116~119 (2013)
  11. "표준으로 자리 잡을 것, IoT 통신 프로토콜 MQTT 살펴보기" (2022)[URL]
  12. J. E. Luzuriaga, "Handling mobility in IoT applications using the MQTT protocol", 2015 Internet Technologies and Applications (ITA), pp.245~250 (2015)
  13. R. K. Kodali, "A low cost smart irrigation system using MQTT protocol", 2017 IEEE Region 10 Symposium (TENSYMP), pp.1~5 (2017)
  14. 이지구, "MQTT 기반 IoT 환경에서의 PCA와 LightGBM을 이용한 공격 탐지 및 분류 방안", 융합보안 논문지, 22(4), pp.17~24 (2022), 한국융합보안학회
  15. 이든, "MQTT 기반 IoT 환경에서 LSTM 및 슬라이딩 윈도우를 이용한 악성 트래픽 탐지 방법", 한국정보기술학회논문지, 21(5), pp.111~120 (2023), 한국정보기술학회[DOI]
  16. Maheshi B. Dissanayake, "Feature Engineering for Cyber-attack detection in Internet of Things", International Journal of Wireless and Microwave Technologies, 11(6), pp.46~54 (2021)
  17. A. Alzahrani, "Artificial Intelligence Algorithms for Detecting and Classifying MQTT Protocol Internet of Things Attacks", MDPI Electronics, 11(22), pp.3837~ (2022)
  18. 김한석, "기계학습 기반 랜섬웨어 공격 탐지를 위한 효과적인 특성 추출기법 비교분석", 융합보안 논문지, 23(1), pp.117~123 (2023), 한국융합보안학회
  19. D. Zheng, "An Improved LDA-Based ELM Classification for Intrusion Detection Algorithm in IoT Application", MDPI Sensors, 20(6), pp.1706~ (2020)
  20. 최석환, "선형 판별 분석 및 k-means 알고리즘을 이용한 적대적 공격 유형 분류 방안", 정보보호학회논문지, 31(6), pp.1215~1225 (2021), 한국정보보호학회[DOI]
  21. J. H. Friedman, "Greedy function approximation: A gradient boosting machine", The Annals of Statistics, 29(5), pp.1189~1232 (2001)
  22. W. Liang, "Predicting Hard Rock Pillar Stability Using GBDT, XGBoost, and LightGBM Algorithms", Mathematics, 8(5), pp.765~ (2020)
  23. H. Zeng, "A LightGBM-Based EEG Analysis Method for Driver Mental States Classification", Computational Intelligence and Neuroscience (2019)
  24. G. Zhao, "Intrusion detection model of Internet of Things based on LightGBM", IEICE Transactions on Communications, 106(8), pp.622~634 (2023)
  25. J. Devlin, "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding", Association for Computational Linguistics, 1, pp.4171~4186 (2019)
  26. 손민혁, "BERT 마스크 언어 모델을 활용한 내부자 위협행위 탐지", 한국지식정보기술학회 논문지, 17(4), pp.703~714 (2022), 한국지식정보기술학회[DOI]
  27. 김문회, "BERT를 이용한 딥러닝 기반 소스코드 취약점 탐지 방법 연구", 정보보호학회논문지, 32(6), pp.1139~1150 (2022), 한국정보보호학회[DOI]
  28. H. Guo, "LogBERT: Log Anomaly Detection via BERT", International Joint Conference on Neural Networks (2021)
  29. N. Kuriakose, "MQTT Attack Detection Using AI and ML Algorithm", Pervasive Computing and Social Networking, 317(Springer), pp.13~22 (2022)
  30. S. Rachmadi, "Detection of DoS Attack using AdaBoost Algorithm on IoT System", 2021 International Conference on Data Science and Its Applications (ICoDSA), 2021, pp.28~33 (2021)

관련 논문AI추천

ROS2기반 사이버물리시스템 침입탐지시스템윤홍, 김영덕, 성도진국방보안연구소 · 국방과 보안2024 · 제6권 제2호LightGBM을 활용한 패킷 페이로드 분석 기반의 침입탐지시스템김건남, 김한석, 이수진한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2023 · 제28권 제6호IOT 환경에서의 오토인코더 기반 특징 추출을 이용한 네트워크 침입탐지 시스템박기현, 이주화한국정보처리학회 · 정보처리학회 논문지2019 · 제8권 제12호IoT 네트워크 상의 머신러닝 기반 DoS 및 DRDoS 탐지연구김지연, 여승연, 조소영한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2022 · 제27권 제7호패킷 페이로드 분석을 활용한 트랜스포머 기반 침입탐지시스템김건남, 박우승, 이수진한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2023 · 제28권 제11호스마트 빌딩용 대규모 언어 모델 기반 침입 탐지 모델김도익, 김홍근, 박수현, 안석현, 조성제한국소프트웨어감정평가학회 · 한국소프트웨어감정평가학회 논문지2024 · 제20권 제4호

이 간행물의 다른 논문 (11건)

개인의 효용극대화 모형을 통한 보안정책 효과분석오지환, 김도영pp. 44-68Anomaly 기반 네트워크 침입 탐지 시스템의 다중 클래스 분류를 위한 지속학습 전략 도입김종헌, 오자훈pp. 69-106ChatAI를 활용한 軍의 보안교육 컨텐츠 게임툰 발전방안 연구차영균, 홍석우, 조해민, 심충식, 류중렬pp. 107-126안드로이드 해킹 앱 원리와 역분석 기법(Evil-Droid 프로그램과 정적분석 도구를 중심으로)유희성, 유은선, 신삼범pp. 127-142Security Analysis of Ship Management Applications for AndroidDonghoon Park, Myeongjin Choi, 조용현pp. 143-187
원문 보기