On-Device Interpretable Tsetlin Machine-Based Intrusion Detection for Secure IoMT

기술 요약: 안전한 IoMT 를 위한 온디바이스 해석 가능한 트세틀린 머신 기반 침입 탐지

문제 제기
인터넷 연결 의료 기기의 인터넷 의료 사물 (IoMT) 에 대한 급속한 통합은 지속적이고 실시간인 환자 모니터링을 가능하게 했지만, 동시에 상당한 사이버 보안 위험을 초래했습니다. 이러한 기기는 매우 민감한 건강 데이터를 전송하므로, 환자 안전, 개인정보 보호 및 시스템 기능을 위협할 수 있는 정교한 사이버 공격의 매력적인 표적이 됩니다. 침입 탐지 시스템 (IDS) 은 네트워크 트래픽 모니터링의 표준이지만, 전통적인 시그니처 기반 및 이상 기반 접근 방식은 IoMT 환경의 동적 특성과 새로운 위협에 대처하는 데 어려움을 겪습니다. furthermore, 기존 머신러닝 (ML) 및 딥러닝 (DL) 솔루션은 종종 "블랙박스"로 작동하여 신뢰가 중요한 의료 응용 프로그램에 필요한 해석 가능성을 결여하고 있습니다. 또한, 많은 고성능 모델은 IoMT 네트워크에서 실시간 저지연 탐지에 필수적인 리소스가 제한된 엣지 장치에 배포하기에는 계산량이 너무 많습니다.

방법론
본 논문은 규칙 기반의 해석 가능한 ML 접근법인 트세틀린 머신 (TM) 을 기반으로 한 새로운 온디바이스 침입 탐지 시스템 (IDS) 을 제안합니다. 방법론은 세 가지 주요 단계로 구성됩니다:

1. 데이터 준비: 시스템은 MITRE ATT&CK 프레임워크에 기반한 정찰, 초기 접근, 횡적 이동, 데이터 유출의 네 가지 사이버 공격 단계와 정상 작동을 포함하는 현실적인 IoMT 트래픽을 시뮬레이션한 MedSec-25 데이터셋을 활용합니다. 이 데이터셋은 84 개의 흐름 기반 특성을 가진 554,534 개의 샘플을 포함합니다. 전처리 과정에서는 결측치 처리, 데이터 정규화, 클래스 불균형 해결이 포함됩니다. TM 모델의 경우 훈련 세트에 합성 소수 과표본 추출 기술 (SMOTE) 을 적용하고, ML 베이스라인은 클래스 가중치를 사용합니다. 특히, 연속 특성을 TM 의 논리적 아키텍처에 맞추기 위해 이진화기 (KBinsDiscretizer) 를 사용하여 이진 입력으로 변환합니다.
2. 모델 학습: 시스템의 핵심은 트세틀린 머신으로, 명제 논리를 사용하여 해석 가능한 결합 절을 구성하여 공격 패턴을 표현합니다. 이 모델은 오류를 최소화하는 것뿐만 아니라 빈도 패턴 학습을 통해 반복되는 패턴을 식별함으로써 학습합니다. 관련 없는 특성의 영향을 줄이기 위해 제어된 희소성을 도입한 희소 트세틀린 머신 (STM) 변형도 평가됩니다. 학습 과정은 강건성을 보장하고 과적합을 방지하기 위한 하이퍼파라미터 튜닝, 절 형성, k-폴드 교차 검증을 포함합니다.
3. 엣지 배포: 실시간 추론 능력을 검증하기 위해 훈련된 모델을 리소스가 제한된 엣지 장치인 Raspberry Pi 5 에 배포합니다. 시스템은 네트워크 트래픽을 캡처하고 흐름 기반 특성으로 변환한 후, 데이터를 전처리 및 이진화하여 온디바이스 분류를 수행하여 트래픽을 정상 또는 악성으로 라벨링합니다.

주요 기여
본 논문은 다섯 가지 주요 기여를 제시합니다:

• IoMT 환경에서 다양한 사이버 공격 단계를 탐지할 수 있는 효과적인 TM 기반 IDS 개발.
• MedSec-25 데이터셋을 사용한 멀티클래스 설정에서 IDS 에 대한 포괄적인 평가.
• 제안된 IDS 가 의사결정나무, 랜덤 포레스트, XGBoost, LightGBM, KNN, 나이브 베이즈, 로지스틱 회귀, 신경망 등 최신 ML 방법보다 우월함을 보여주는 수치적 증거.
• 특성 수준의 기여도, 클래스별 투표 점수, 절 활성화 히트맵 등 특정 의사결정 규칙을 드러내는 해석 가능성 분석을 통해 투명성 강화.
• Raspberry Pi 에 대한 성공적인 엣지 배포를 통해 공격 탐지를 위한 실시간 온디바이스 추론의 실현 가능성 입증.

결과
MedSec-25 데이터셋에 대한 광범위한 평가는 다음과 같은 결과를 도출했습니다:

• 분류 성능: 제안된 TM 모델은 모든 테스트된 분류기 중 가장 높은 성능을 달성하여 F1 점수가 **97.83%**였으며, 정밀도와 재현율도 각각 97.87% 와 97.83% 였습니다. 희소 TM (STM) 변형은 97.33% 의 경쟁력 있는 F1 점수를 달성했습니다.
• 비교: TM 은 모든 베이스라인 ML 모델을 능가했습니다. 예를 들어, XGBoost 는 높은 재현율 (97.97%) 을 달성했지만 정밀도는 낮아 (91.75%) F1 점수가 더 낮았습니다 (94.47%). 나이브 베이즈와 로지스틱 회귀와 같은 전통적인 모델은 훨씬 더 낮은 성능을 보였습니다 (F1 점수가 각각 44.76% 와 61.19%).
• 추론 시간: 호스트 머신 (MacBook M4) 에서 TM 은 추론당 66.24 µs 가 소요되어 로지스틱 회귀 (0.05 µs) 보다 높았지만 다른 복잡한 모델과는 경쟁력이 있었습니다. Raspberry Pi 5 에서는 TM 의 추론 시간이 230.44 µs 로, STM 은 222.76 µs 로 증가했습니다.
• 리소스 효율성: 엣지 장치에서 TM 과 STM 은 약 25-26% 의 중간 CPU 사용률과 관리 가능한 메모리 사용량을 유지한 반면, XGBoost 와 LightGBM 은 거의 99% 의 CPU 자원을 소모했습니다.
• 해석 가능성: 이 연구는 모델 의사결정에 대한 명시적인 설명을 제공했습니다. 예를 들어, 정상 트래픽을 분류할 때 모델은 부정적 절 투표를 통해 비정상 패턴을 억제하고 정상 특성을 위해 긍정적 절을 활성화하는 것으로 나타났습니다. 히트맵은 다양한 공격 단계에 대한 특정 절의 활성화를 시각화하여 모델이 불투명한 가중치가 아닌 논리적 규칙에 의존함을 확인시켰습니다.

의의 및 주장
본 논문은 높은 분류 성능과 명시적 해석 가능성의 결합이 제안된 TM 기반 IDS 를 IoMT 의료 환경에 특히 적합하게 만든다고 주장합니다. 신뢰, 신뢰성, 안전성 및 시기적절한 의사결정이 중요한 분야에서는 특정 트래픽 흐름이 공격으로 플래그된 이유를 설명할 수 있는 능력이 탐지 정확도만큼이나 중요합니다. Raspberry Pi 에 대한 성공적인 배포는 리소스가 제한된 환경에서 실시간 온디바이스 추론을 위한 모델의 적합성을 더욱 검증하여 중앙 집중식 클라우드 시스템에 대한 의존성을 줄이고 즉각적인 위협 대응을 가능하게 합니다. 저자들은 이 접근 방식이 정교한 다단계 사이버 공격 탐지와 중요한 의료 인프라 채택에 필요한 투명성 제공이라는 이중적인 도전을 해결한다고 결론지었습니다. 향후 작업은 더 넓은 공격 변이성을 가진 자체 개발 및 추가 공개 데이터셋으로 평가를 확장하는 것을 포함합니다.