무선 네트워크 환경에서 가용성 공격에 효과적으로 대응하기 위한 머신러닝 기반 협력 탐지 기법
Machine Learning-Based Cooperative Detection Method for Effectively Mitigating Availability Attacks in Wireless Network Environments
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 스마트폰, 웨어러블, 스마트 가전 등의 사물인터넷 기기의 수가 급증함에 따라 무선 네트워크를 통한 데이터 송수신이 급증하고 있다. 이로인해 무선 네트워크를 대상으로 하는 재밍, 플러딩, 블랙홀, 그레이홀 공격과 같은 가용성 공격이 증가하고 있다. 기존 공격 탐지 방식은 패킷 전달률,수신신호 강도, 타임 스탬프와 같은 통계 기반 지표를 활용하여 공격을 탐지하는 기법을 사용하였다. 그러나 이러한 종래 기법들은 연산 자원이제한된 사물인터넷 장치에 의존하기 때문에 탐지율이 낮고 네트워크 성능 저하를 초래하는 한계가 있다. 이에 따라 최근에는 머신러닝 모델 기반의로컬 학습 기법이 연구되고 있지만, 연산복잡도가 높다는 특성이 있어서 자원이 제약된 장치에 적용하기 어렵다. 본 논문에서는 자원이 풍부한엑세스 포인트와 경량 장치 간의 협력을 통해 머신러닝 기반 학습과 탐지를 분담하여 수행하는 협력 기반의 탐지 구조를 제안한다. 실험 결과에따르면, 종래의 로컬 학습 기반 머신러닝 탐지 모델 대비 제안 모델의 탐지 정확도는 평균 38%, 데이터 전송 성공률은 평균 17.75% 개선되었다.
Abstract
With the rapid increase in the number of Internet of Things (IoT) devices such as smartphones, wearables, and smart appliances, datatransmission over wireless networks has significantly grown. Consequently, availability attacks targeting wireless networks—such as jamming,flooding, blackhole, and grayhole attacks—are also rising. Conventional attack detection methods rely on statistical indicators such as packetdelivery rate, received signal strength, and timestamps. However, these approaches depend heavily on resource-constrained IoT devices,resulting in low detection accuracy and degradation of overall network performance. Recently, machine learning-based local detection methodshave been explored, but their high computational complexity makes them unsuitable for deployment on lightweight devices. This paperproposes a cooperative detection framework that distributes machine learning-based training and detection tasks between resource-rich accesspoints (APs) and lightweight IoT devices. Experimental results show that the proposed model improves detection accuracy by an averageof 38% and data transmission success rate by 17.75% compared to conventional local learning-based detection models.