안보침해 행위 대응을 위한 허위정보 탐지 방법론 (거대 언어모델(LLM)과 심층 강화학습(DRL) 통합 시스템 FakeLenseV2)
Disinformation Detection for National Security Threat Response( An LLM–DRL Integrated Framework, FakeLenseV2)
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
디지털 정보 환경의 비약적인 발전은 국가안보에 새로운 위협 지형을 형성하고 있다. 허위정보의 조직적 유포는 공공 여론을 조작하고 사회적 갈등을 증폭시키며, 정치ㆍ군사ㆍ외교 등 국가 전략에 심대한 영향을 미칠 수 있는 비대칭 정보전수단으로 악용되고 있다. 본 연구에서는 이러한 디지털 안보위협에 대응하기 위한과학기술 기반 조사기법으로서 자연어처리(natural language processing, NLP)와심층 강화학습(deep reinforcement learning, DRL)을 결합한 지능형 허위정보탐지 시스템 ‘FakeLenseV2’를 제안한다. ‘FakeLenseV2’는 거대 언어모델(large language model, LLM)을 활용하여 뉴스 콘텐츠의 의미론적 맥락을 정밀하게분석하고, 강화학습 에이전트를 통해 탐지 정책을 실시간 최적화하는 구조로설계되었다. 또한, 정보의 출처 추적, 사회적 반응 분석, 확산 경로 등의메타데이터를 통합하여 안보 침해성 허위정보의 생성ㆍ전파ㆍ조작 양상을효과적으로 탐지하며, 탐지 실패 시 위험 비용을 반영한 민감형 보상 체계를도입함으로써 고위험 위협에 대한 대응 민감도를 높였다. 실험 결과, ‘FakeLenseV2’는 기존 모델들 대비 정밀도와 일반화 성능에서 우수한 결과(accuracy 98.3%, F1-score 0.98)를 기록하였다. 향후 실제 디지털 안보환경에서여론 조작, 선전ㆍ선동 등에 대한 실질적인 대응수단으로 확장할 수 있을 것이다.
Abstract
In he rapid evolution of the digital information environment has created a new landscape of national security threats. The organized dissemination of disinformation manipulates public opinion, amplifies social conflict, and serves as an asymmetric information warfare tool that can profoundly affect political, military, and diplomatic domains. This study proposes ‘FakeLenseV2’, an intelligent disinformation detection system that integrates Natural Language Processing (NLP) with Deep Reinforcement Learning (DRL) as a science and technology-based investigative methodology to counter emerging digital security threats. FakeLenseV2 employs a Large Language Model (LLM) to precisely analyze the semantic context of news content and utilizes a reinforcement learning agent to dynamically optimize detection policies in real time. Moreover, by incorporating meta-data such as source tracing, social response analysis, and dissemination pathways, the system effectively identifies the generation, propagation, and manipulation patterns of security-threatening disinformation. An adaptive reward mechanism reflecting the risk cost of detection failures further enhances the model’s sensitivity to high-risk threats. Experimental results demonstrate that FakeLenseV2 achieves superior precision and generalization compared to baseline models, recording an accuracy of 98.3% and an F1-score of 0.98. This framework can be further extended as a practical countermeasure against digital information warfare, including online propaganda, manipulation, and opinion engineering in real-world security contexts.