1. 연구 배경 및 문제 정의 (Problem)

• 배경: 5G/6G 및 IoT 환경의 급격한 확대로 인해 사물인터넷 (IoT) 디바이스에서 생성되는 네트워크 트래픽 양이 폭발적으로 증가하고 있습니다. 이러한 환경에서 사이버 공격을 탐지하기 위해 머신러닝 기반의 침입 탐지 시스템 (IDS) 이 필수적입니다.
• 기존 방식의 한계:
  • 중앙 집중식 IDS: 모든 원시 데이터를 클라우드 서버로 전송해야 하므로, 대역폭 소모가 크고 데이터 프라이버시 침해 (개인정보 유출, 규제 위반) 의 위험이 있습니다.
  • 연방 학습 (Federated Learning, FL) 의 한계: 데이터는 로컬에 머무르지만, 모델 업데이트 (기울기, Gradient) 를 전송하는 과정에서 높은 통신 오버헤드가 발생합니다. 또한, 공유된 기울기 정보를 통해 공격자가 원시 데이터를 역추적 (Gradient Inference Attack) 할 수 있는 프라이버시 취약점이 존재합니다.
• 핵심 문제: 대역폭이 제한된 6G-IoT 환경에서 통신 효율성, 프라이버시 보호, 탐지 정확도를 동시에 만족하는 IDS 를 구축하는 것은 여전히 큰 도전 과제입니다.

2. 제안 방법론: EdgeDetect (Methodology)

EdgeDetect 는 통신 효율성과 프라이버시를 동시에 강화하기 위해 고안된 연방 학습 기반의 IDS 프레임워크입니다. 주요 기술적 요소는 다음과 같습니다.

가. 지능형 기울기 압축 (Gradient Smartification)

• 중위수 기반 이진화 (Median-based Binarization): 기존 고정 임계값 (Zero-threshold) 을 사용하는 signSGD 와 달리, 각 클라이언트의 로컬 기울기 분포에 따라 **중위수 (Median)**를 임계값으로 동적으로 설정합니다.
• 작동 원리: 로컬 기울기 벡터의 절대값 중위수 ($\theta_i$) 를 기준으로, 기울기 성분이 임계값 이상이면 +1, 미만이면 -1 로 변환합니다.
• 효과:
  • 기울기를 {+1, -1} 형태로 압축하여 32 배 (32×) 의 통신 부하 감소를 달성합니다.
  • 고정 임계값 방식이 가진 잡음 (Noise) 문제를 해결하고, 비균일한 데이터 분포 (Heavy-tailed distribution) 하에서도 기울기의 방향성 (Directional Alignment) 을 보존하여 수렴성을 유지합니다.

나. 동형 암호화를 통한 안전한 집계 (Homomorphic Aggregation)

• Paillier 암호화: 이진화된 기울기 (+1, -1) 에 Paillier 동형 암호화 (Homomorphic Encryption) 를 적용합니다.
• 보안성: 서버는 개별 클라이언트의 업데이트 내용을 볼 수 없으며, 암호화된 상태에서의 덧셈 연산 (집계) 만 수행한 후 결과를 복호화합니다. 이는 '호기심 많은 서버 (Honest-but-curious server)' 공격과 기울기 역추적 공격을 방어합니다.

다. 시스템 아키텍처 및 데이터 전처리

• 데이터: CIC-IDS2017 데이터셋 (280 만 개 이상의 흐름, 7 가지 공격 클래스) 사용.
• 전처리:
  • PCA(주성분 분석): 78 개 특징을 35 개로 축소하여 99.3% 분산 유지 (계산 효율성 및 다중공선성 해결).
  • 불균형 해결: SMOTE(합성 소수 클래스 오버샘플링) 와 랜덤 언더샘플링을 결합하여 공격 클래스와 정상 트래픽의 불균형을 해소.
• 프로토콜: 서버가 공개키를 배포 $\rightarrow$ 클라이언트 로컬 학습 및 기울기 이진화 $\rightarrow$ 암호화 $\rightarrow$ 서버에서 암호화된 집계 $\rightarrow$ 글로벌 모델 업데이트.

3. 주요 기여 (Key Contributions)

1. 정렬 인식 연방 IDS 아키텍처: 6G-IoT 환경을 위한 프라이버시 보호형 분산 학습 프레임워크를 제시하며, PCA, 불균형 처리, 안전한 집계를 통합했습니다.
2. 적응형 중위수 기반 기울기 스마트화: 고정 임계값 방식과 달리 클라이언트별 분포에 적응하여 기울기를 이진화하고, Paillier 암호화와 결합하여 32 배 통신 감소와 강력한 프라이버시 보호를 동시에 실현했습니다.
3. 정량적 트레이드오프 분석: 통신 효율성, 프라이버시, 유틸리티 (정확도) 간의 균형을 입증했습니다.
   • 통신: 450 MB $\rightarrow$ 14 MB (96.9% 감소).
   • 프라이버시: 기울기 역추적 시 PSNR(신호 대 잡음비) 이 31.7 dB(비보호) 에서 15.1 dB(EdgeDetect) 로 급감하여 데이터 복원 불가능.
4. 실제 엣지 배포 검증: Raspberry Pi 4 에서의 실험을 통해 메모리 (4.2 MB), 지연 시간 (0.8 ms), 에너지 소비 (12 mJ) 측면에서 실제 6G-IoT 엣지 디바이스에서의 실행 가능성을 입증했습니다.

4. 실험 결과 (Experimental Results)

• 데이터셋: CIC-IDS2017 (280 만 개 흐름, 7 개 공격 클래스).
• 성능 지표:
  • 정확도 (Accuracy): 98.0% (중앙 집중식 베이스라인과 동등한 수준).
  • Macro F1-Score: 97.9%.
  • 통신 비용: 라운드당 14 MB (기존 FedAvg 대비 96.9% 감소).
• 내구성 (Robustness):
  • 공격 저항성: 5% 의 중독 (Poisoning) 공격과 심각한 데이터 불균형 하에서도 87% 이상의 정확도와 0.95 의 소수 클래스 F1 점수를 유지 ($p < 0.001$).
  • 이질성 (Heterogeneity): Non-IID 환경 (Dirichlet 분포, $\alpha=0.1$) 에서도 FedProx 와 결합 시 95.1% 정확도 달성.
• 모델 비교: Random Forest(Config 2) 가 98.09% 정확도로 가장 우수한 성능을 보였으며, KNN 은 가장 낮은 분산을 보였습니다.

5. 의의 및 결론 (Significance)

• 실용적 타협점 달성: EdgeDetect 는 통신 대역폭이 제한된 6G-IoT 환경에서 높은 정확도, 강력한 프라이버시, 초저비용 통신이라는 상충되는 세 가지 목표를 성공적으로 균형 잡았습니다.
• 보안성 강화: 단순한 암호화를 넘어, 기울기 자체를 통계적으로 변형 (이진화) 하여 정보 누출을 근본적으로 차단하고, 동형 암호화로 서버의 신뢰성을 불필요하게 하지 않는 구조를 제시했습니다.
• 미래 지향성: 엣지 디바이스 (Raspberry Pi) 에서의 경량화 구현은 차세대 6G 네트워크 보안 인프라의 핵심 요소로 EdgeDetect 가 즉시 적용 가능함을 보여줍니다.

요약하자면, EdgeDetect 는 기존 연방 학습의 통신 병목 현상과 프라이버시 취약점을 해결하기 위해 적응형 기울기 이진화와 동형 암호화를 결합한 혁신적인 IDS 프레임워크이며, 대규모 데이터셋과 엣지 환경에서의 실험을 통해 그 유효성을 입증했습니다.