Towards Securing IIoT: An Innovative Privacy-Preserving Anomaly Detector Based on Federated Learning

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 산업용 사물인터넷 (IIoT) 의 확산으로 데이터 연결성과 민감성이 증가함에 따라, 사이버 공격 (명령 주입, DoS 등) 및 데이터 유출 위협이 급증하고 있습니다. 이러한 위협을 탐지하기 위해 이상 탐지 (Anomaly Detection) 시스템이 필수적입니다.
• 기존 접근법의 한계:
  • 중앙집중식 학습: 대량의 IIoT 데이터를 중앙 서버로 전송해야 하므로 통신 비효율성이 발생하고, 데이터 프라이버시 침해 및 단일 장애점 (Single Point of Failure) 의 위험이 큽니다.
  • 기존 연방 학습 (FL) 의 문제점:
    • 프라이버시: FL 은 원시 데이터를 공유하지 않지만, 모델 파라미터를 통해 역추적 공격 (Model Inversion Attack) 이나 모델 중독 (Model Poisoning) 에 취약할 수 있습니다.
    • 스트래글러 (Straggler) 효과: 이질적인 IIoT 환경 (다양한 컴퓨팅 성능, 데이터 크기, 네트워크 지연) 에서 동기식 FL 은 가장 느린 장치 (스트래글러) 를 기다려야 하므로 학습 속도가 현저히 저하됩니다.
    • 비동기식 FL 의 단점: 비동기식은 지연을 줄이지만, 통신 병목 현상과 모델의 낡음 (Staleness) 문제를 야기할 수 있습니다.
    • 기존 버퍼 기반 FL 의 한계: 기존 연구 (FedBuff, BFL 등) 는 주로 초기 라운드에서만 에이전트를 선택하거나, 빠른 장치 위주로 버퍼를 채워 느린 장치의 참여를 지연시켜 공정한 학습과 모델 일반화를 저해합니다.

2. 제안된 방법론: DyHFL (Dynamic HE-based FL)

이 논문은 IIoT 환경의 이상 탐지를 위해 동적 Homomorphic Encryption 기반 연방 학습 (DyHFL) 프레임워크를 제안합니다. 이 프레임워크는 프라이버시 보호와 효율성을 동시에 달성하기 위해 두 가지 핵심 기술을 결합합니다.

A. 동형 암호화 (Homomorphic Encryption, HE) 를 통한 프라이버시 보호

• 목적: 모델 파라미터 전송 중 발생할 수 있는 '호기심 많은 서버 (Honest-but-curious)' 및 외부 도청 공격으로부터 민감한 정보를 보호합니다.
• 방식: 각 IIoT 에이전트가 로컬 학습 후 모델 파라미터를 공개키 (Public Key) 로 암호화하여 서버로 전송합니다. 서버는 암호화된 상태에서도 파라미터를 집계 (Homomorphic Aggregation) 할 수 있으며, 최종 집계된 모델은 에이전트의 개인키 (Private Key) 로만 복호화됩니다.
• 선정 이유: 차분 프라이버시 (DP) 는 모델 정확도를 떨어뜨리는 노이즈를 추가하고, 다자간 계산 (MPC) 은 통신/연산 오버헤드가 너무 커서 실시간 IIoT 에 부적합합니다. 반면 HE 는 정확도를 유지하면서 강력한 보안을 제공합니다.

B. 동적 에이전트 선택 및 버퍼링 메커니즘

• 목표: 동기식 FL 의 스트래글러 효과와 비동기식 FL 의 통신 병목 현상을 해결하며, 빠른 장치와 느린 장치 간의 공정한 참여를 보장합니다.
• 동작 원리:
  1. 슬라이딩 윈도우 (Sliding Window) 기반 2 단계 학습:
     • 1 단계 (예비 라운드): 전체 학습 라운드의 일부 (예: $T/c$) 동안 에이전트의 학습 시간, 통신 시간, 로컬 데이터 크기를 모니터링하여 임계값을 추정합니다.
     • 2 단계 (후속 라운드): 추정된 임계값을 기반으로 에이전트를 동적으로 선택하여 버퍼에 저장하고, 임계값 시간이 지나면 모든 에이전트의 응답을 기다리지 않고 집계를 수행합니다.
  2. 지표 기반 선택 (WAM & EWA):
     • WAM (Weighted Average Metrics): 에이전트의 성능 지표를 정규화하고, 느린 에이전트에 가중치를 더 부여하여 공정한 선택을 유도합니다.
     • EWA (Exponentially Weighted Moving Average): 최근의 성능 추이를 반영하여 임계값을 동적으로 조정합니다.
  3. 효과: 느린 에이전트가 학습을 방해하지 않으면서도, 초기 단계에서 빠르기만 한 에이전트만 선택되는 편향을 방지하여 모델의 일반화 성능을 높입니다.

3. 주요 기여 (Key Contributions)

1. 새로운 이상 탐지 방법론: 딥러닝 (DL) 과 동형 암호화 (HE) 를 결합하여 산업 사이버 - 물리 시스템 (CPS) 의 사이버 위협을 탐지하는 새로운 방식을 제시했습니다.
2. 혁신적인 FL 프레임워크 (DyHFL): 동기식과 버퍼 기반 FL 의 장점을 통합하여, IIoT 의 이질적인 데이터와 리소스 환경에서 스트래글러 및 통신 병목 문제를 해결합니다.
3. 적응형 동적 에이전트 선택: 학습 시간, 통신 지연, 데이터 크기를 실시간으로 모니터링하여 각 라운드마다 에이전트를 동적으로 선택함으로써, 빠른/느린 에이전트 간의 공정한 참여를 보장합니다.
4. 광범위한 실험 및 검증: Gas Pipeline, WUSTL IIoT, Edge IIoT 등 3 가지 실제 산업 데이터셋을 사용하여 제안된 프레임워크의 일반화 능력, 강건성, 그리고 기존 FL 베이스라인 대비 우수한 성능을 입증했습니다.

4. 실험 결과 (Results)

• 수렴 속도 (Convergence Speed):
  • DyHFL 은 동질적 (Identical) 및 이질적 (Non-identical) 데이터 환경 모두에서 기존 방법 (SyncFL, AsyncFL, FedBuff, BFL, ASR Fed) 보다 훨씬 빠른 수렴 속도를 보였습니다.
  • 특히 이질적인 데이터 (Dirichlet 분포 등) 에서 AsyncFL 보다 최대 158 배, FedBuff 보다 최대 60 배 빠른 수렴을 기록했습니다.
• 에이전트 선택 공정성 (Fairness):
  • 스트래글러 선택률 (SRS): DyHFL 은 평균 **56.44%**의 스트래글러를 선택하여, 기존 BFL 방법 (29.62%) 보다 약 2 배 높은 참여율을 보였습니다.
  • 빠른 에이전트 선택률 (FRS): 모든 설정에서 **100%**의 빠른 에이전트를 선택하여 학습 효율성을 유지했습니다.
• 통신 비용 (Communication Cost):
  • 동적 선택 메커니즘을 통해 불필요한 통신을 줄여, SyncFL 및 AsyncFL 대비 통신 비용을 크게 절감했습니다. 통계적 유의성 (t-test p-value < 0.05) 을 통해 그 차이가 우연이 아님을 입증했습니다.
• 모델 성능 (Model Performance):
  • 정확도 (Accuracy), 정밀도 (Precision), F1-Score 에서 모든 데이터셋과 조건에서 가장 높은 성능을 기록했습니다. 특히 불균형 데이터 환경에서도 다른 방법들보다 우수한 일반화 능력을 보여주었습니다.
• 성분 제거 분석 (Ablation Study):
  • 동적 에이전트 선택이 수렴 속도 향상의 주된 요인임을 확인했으며, HE 는 정확도 저하 없이 강력한 프라이버시를 제공함을 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 IIoT 환경에서 **보안 (프라이버시)**과 **효율성 (스트래글러 해결)**이라는 상충되는 두 가지 과제를 동시에 해결하는 통합 솔루션을 제시했습니다.

• 실용성: 실제 산업 데이터셋을 통해 검증되어, 실제 IIoT 배포에 적용 가능한 높은 실용성을 가집니다.
• 혁신성: 정적인 에이전트 선택에서 벗어나, 환경 변화에 실시간으로 적응하는 동적 메커니즘을 도입하여 기존 연방 학습의 한계를 극복했습니다.
• 미래 방향: 향후 양자화 (Quantization) 기술이나 분산 키 생성 (DKG) 등을 통해 연산 오버헤드를 줄이고 완전한 탈중앙화를 달성하는 방향으로 발전할 수 있음을 제시했습니다.

결론적으로, DyHFL 은 이질적인 IIoT 환경에서 프라이버시를 보호하면서도 빠르고 공정한 이상 탐지 모델을 구축할 수 있는 새로운 표준을 제시한 연구입니다.