💻 컴퓨터 과학

DF-PLNet: Budgeted Periodic Filtering for IndustrialControl System Process-Record Diagnostics

이 논문은 예산 기반의 주기적 필터링과 U자형 인코더-디코더를 결합하여 산업 제어 시스템 프로세스 기록에 대한 오프라인 이상 탐지를 수행함으로써 SWaT 및 HAI 데이터셋에서 강력한 성능을 달성하고, 가지치기 예산과 탐지 범위 사이의 결정적인 트레이드오프를 입증하는 레이블 불가지론적 프레임워크인 DF-PLNet을 소개한다.

원저자: Yipeng Zhang, Jiahui Chen, Yue Li, Yun Shi

게시일 2026-10-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yipeng Zhang, Jiahui Chen, Yue Li, Yun Shi

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

수처리 시설에서 전력망에 이르기까지 현대의 산업 시스템은 물리적 과정을 지속적으로 모니터링하고 조정하는 복잡한 센서 및 제어 네트워크에 의존합니다. 이러한 시스템은 밸브, 펌프, 화학 물질 수위의 상태를 매초 기록하며 끊임없이 쏟아지는 데이터를 생성합니다. 이 데이터는 안전을 위해 필수적이지만, 보안 팀에게는 거대한 과제를 안겨줍니다. 즉, 수백만 시간의 일상적이고 지루하며 완벽하게 정상적인 운영 속에 숨겨진 희귀하고 위험한 결함을 어떻게 찾아낼 것인가 하는 문제입니다. 문제는 데이터의 양뿐만 아니라 그 반복적인 성격에 있습니다. 시스템이 기록하는 것 중 상당 부분은 기계가 설계된 대로 정확하게 작동하며 반복하는 것, 즉 심장 박동처럼 똑같은 동작을 계속 수행하는 것에 불과합니다. 보안 연구자들이 이상 징후를 포착하려 할 때, 그들은 종-종 이 예측 가능한 반복의 바다에 빠져 정당한 위협과 무해한 예정된 주기를 구분하는 데 어려움을 겪습니다.

북중국 공업대학교와 중국 전자 포트 데이터 센터의 연구팀은 사고 발생 후 남겨지거나 연구를 위해 공유되는 특정 유형의 데이터에 초점을 맞춘 새로운 접근 방식을 개발했습니다. 네트워크를 통해 전송되는 가공되지 않은 복잡한 패킷을 분석하는 대신, 그들은 엔지니어들이 실제로 발생한 일을 검토할 때 사용하는 정제된 연대기적 로그를 살펴보았습니다. 그들의 목표는 무엇이 "나쁜" 이벤트인지 미리 알 필요 없이, 예측 가능한 주기적 배경 소음을 자동으로 걸러내는 시스템을 만드는 것이었습니다. 그들은 일상적인 주기를 제거하여 문제의 징후일 수 있는 특이한 신호만을 남기고, 그 남은 신호들을 분석하여 공격을 포착할 수 있는지 확인하고자 했습니다.

연구진은 DF-PLNet이라 불리는 도구를 구축했으며, 이는 두 개의 뚜렷한 단계로 작동합니다. 첫 번째 단계는 스마트 필터 역할을 합니다. 이 단계는 기록된 데이터의 타임스탬프와 값을 살펴보고 일정한 간격으로 반복되는 패턴을 식려냅니다. 결정적으로, 이 필터는 어떤 기록이 정상이고 어떤 것이 공격인지 알지 못하며, 레이블에 대해 완전히 무지합니다. 이는 단지 특정 이벤트가 시계가 똑딱거리는 것처럼 예측 가능한 리듬으로 발생한다는 것을 인식할 뿐입니다. 이 시스템은 보수적으로 설계되어, 제거할 수 있는 데이터의 양에 엄격한 제한을 둡니다. 예를 들어, 제한이 10%로 설정되어 있다면, 시스템은 가장 명백하고 반복적인 주기만을 제거하여 혹시라도 발생할 수 있는 희귀하지만 중요한 이벤트를 실수로 삭제하지 않도록 보장합니다. 이 과정은 정상적인 리듬에서 벗어난 편차를 포함하는, 더 얇고 깨끗한 데이터셋인 "잔여 스트림(residual stream)"을 남깁니다.

데이터가 필터링되면 시스템의 두 번째 단계가 이어집니다. 이 부분은 패턴을 학습하도록 설계된 인공지능의 일종인 신경망으로, 남은 기록들을 조사합니다. 반복적인 배경이 제거되었기 때문에, 네트워크는 불규칙성에 집중할 수 있습니다. 시스템은 기록 사이의 시간 간격과 센서의 값을 검토하여 특정 시점이 의심스러운지 판단합니다. 이 시스템은 수처리 및 산업 제어 환경에서 추출한 두 개의 잘 알려진 데이터셋을 대상으로 테스트되었습니다. 테스트 결과, 연구진은 필터링 단계가 탐지 시스템에 유의미한 도움을 준다는 것을 발견했습니다. 수처리 데이터셋의 경우, 이 방법은 공격을 거의 90%까지 정확하게 식별하면서도 오경보 수를 관리 가능한 수준으로 유지하며 공격 포착 능력을 향상시켰습니다. 그러나 결과는 두 데이터셋에서 동일하지 않았습니다. 정상 기록과 공격 기록의 균형이 달랐던 두 번째 데이터셋에서는 동일한 수준의 필터링이 덜 도움이 되었으며, 너무 많은 데이터를 제거할 경우 오히려 해로울 수도 있었습니다.

이 연구는 보안 팀이 반드시 이해해야 할 미묘한 절충 관계를 드러냈습니다. 반복적인 배경 소음을 제거하면 AI가 특이 사항을 보기 쉬워지지만, 너무 많은 데이터를 제거하면 시스템이 찾고자 하는 바로 그 공격을 삭제할 위험이 있습니다. 연구진은 데이터의 5%를 제거하는 것과 같은 적은 양의 필터링이 수처리 시스템에는 더 안전한 균형을 제공하는 반면, 20%의 더 큰 제거율은 다른 데이터셋에서 너무 많은 위협을 놓치게 만든다는 것을 보여주었습니다. 그들은 필터링의 성공 여부가 제거를 위한 "예산"을 얼마나 신중하게 설정하느냐에 전적으로 달려 있다고 강조했습니다. 만약 필터가 너무 공격적이라면, 남은 데이터가 실제보다 더 깨끗해 보이게 만들어 잘못된 안전감을 주는 동시에 위험을 은폐하게 됩니다.

궁극적으로, 이 연구는 원시적이고 복잡한 네트워크 트래픽에 접근할 필요 없이 산업 로그를 분석할 수 있는 명확하고 재현 가능한 방법을 제공합니다. 이는 예측 가능하고 주기적인 기계의 행동을 먼저 제거함으로써 산업 공격의 탐지 능력을 높일 수 있음을 입증하며, 단, 이를 매우 주의 깊게 수행하고 사전에 정답을 확인하지 않는다는 조건 하에 가능합니다. 연구진은 이 기술이 공격을 실시간으로 차단하는 도구라기보다는 과거의 사건을 검토하기 위한 강력한 진단 보조 도구로 보는 것이 적절하다고 결론지으며, 데이터 감소와 모든 가능한 단서를 온전히 유지해야 하는 필요성 사이의 균형이 중요함을 강조했습니다.

기술 요약: 산업 제어 시스템 프로세스 레코드 진단을 위한 DF-PLNet

1. 문제 정의 및 배경

본 논문은 가용 데이터가 로우 패킷 페이로드(raw packet payloads)나 전체 텔레메트리 트레이스(telemetry traces)가 아닌, **연대순 프로세스 레코드 파일(chronological process-record files)**로 제한된 상황에서의 산업 제어 시스템(ICS) 이상 탐지 문제를 다룹니다. SWaT, HAI와 같은 많은 공유 데이터셋의 경우, 가용한 아티팩트는 타임스탬프가 찍힌 숫자형 프로세스 변수와 이진 레이블(binary labels)을 포함하는 행들로 구성되어 있으며, 페이로드 의존적 탐지 방법(payload-dependent detection methods)에 필요한 프로토콜 필드나 패킷 내용을 결여하고 있습니다.

구체적인 설정은 **오프라인 잔류 스트림 진단(offline residual-stream diagnostics)**이며, 목표는 정기적인 백그라운드 동작(폴링, 제어 사이클)이 지배적인 스트림에서 이상치를 식별하는 것입니다. 이 작업은 세 가지 핵심 과제에 의해 제약됩니다:

레이블 불가지론적 필터링(Label-Blind Filtering): 데이터 누수를 방지하기 위해 이상치 레이블에 접근하지 않고도 주기적인 프루닝(pruning)을 수행해야 합니다.
데이터 압축(Data Compression): 입력은 타임스탬프당 하나의 저차원 스칼라 편차(scalar deviation)이므로, 모델은 압축된 값/간격 시퀀스로부터 차별적인 신호를 추출해야 합니다.
엄격한 평가 프로토콜(Strict Evaluation Protocol): 임계값(threshold) 선택은 오직 훈련 데이터에만 의존해야 하며, 테스트 레이블은 최종 평가를 위해서만 사용되어야 합니다. 또한, 메트릭은 평가가 모든 레코드를 대상으로 하는지 아니면 필터링된 잔류 스트림만을 대상으로 하는지를 반드시 고려해야 합니다.

기존 방법들은 프로토콜 특정 필드에 의존하거나, 고정된 "드롭 예산(drop budget)" 하에서 주기적인 백그라운드를 명시적으로 모델링하지 않거나, 훈련과 테스트 임계값을 혼동하기 때문에 이 지점에서 실패하는 경우가 많습니다.

2. 방법론: DF-PLNet

저자들은 스칼라 편차 레코드에 대한 오프라인 진단을 위해 설계된 파이프라인인 **DF-PLNet (Dual-Feature Periodic Learning Network)**을 제안합니다. 이 프레임워크는 네 가지 주요 단계로 구성됩니다:

A. 예산 기반 주기적 필터링 모듈 (PFM)
이는 레이블 불가지론적(label-blind) 전처리 단계입니다. 이상치 레이블을 사용하지 않고 타임스탬프, 스칼라 값, 선택적 심볼을 분석하여 주기적 패턴(예: 폴링 간격)을 탐지합니다.

메커니즘: 고정된 시간 윈도우 내에서 레코드 수를 집계하고, 이를 평활화(smoothing)한 뒤 심볼로 양자화합니다. 멀티 스타트 주기 추정기(multi-start period estimator)는 템플릿 일관성을 기반으로 지배적인 주기를 식별합니다.
예산 제약: 과도한 프루닝을 방지하기 위해, 이 모듈은 엄격한 드롭 예산(drop budget)(예: 5%, 10%, 20%) 하에서 작동합니다. 이는 후보 주기 레코드를 식별하고, 남은 스트림이 최소한의 커버리지 비율을 유지하도록 보장하면서 제한된 부분 집합(예: 상위 $K_b$ 후보)을 결정론적으로 제거합니다. 신뢰할 수 있는 주기가 발견되지 않으면 원래의 스트림을 유지합니다.

B. 값/간격 시퀀스 표현 (Value/Interval Sequence Representation)
보존된 레코드들은 직렬화된 입력 시퀀스로 변환됩니다.

이중 특징(Dual Features): 각 레코드는 두 개의 위치를 기여합니다: 음의 간격 위치(시간 차이 $\Delta t$ )와 양의 값 위치(스케일링된 스칼라 편차).
정규화: 값은 클리핑(clipping) 및 $[0, 1]$ 범위로 정규화됩니다. 입력 시퀀스는 $z = [-T'_1, V'_1, -T'_2, V'_2, \dots]$ 형태를 가집니다.
세그멘테이션: 훈련 및 추론을 위해 400개의 위치(200개의 레코드에 해당)를 갖는 비중첩 윈도우가 형성됩니다.

C. 잔류 스트림 탐지기 (Backbone)
핵심 탐지기는 U자형 인코더-디코더(U-shaped Encoder–Decoder) 네트워크(U-Net/U-Time에서 영감을 받음)입니다.

아키텍처: 인코더는 1D 컨볼루션과 맥스 풀링(max-pooling)을 사용하여 국소적 및 장거리 문맥을 집계합니다. 디코더는 전치 컨볼루션(transposed convolutions)과 스킵 연결(skip connections)을 사용하여 위치 수준의 해상도를 복원합니다.
출력: 최종 $1 \times 1$ 컨볼루션과 시그모이드 활성화 함수를 통해 위치 수준의 이상치 점수 맵(anomaly score map)이 생성됩니다.
손실 함수: 클래스 불균형을 처리하기 위해 Focal Loss, Class-Weighted Binary Cross-Entropy, 그리고 Dice Loss의 가중 혼합(weighted mixture)이 사용됩니다.

D. 훈련 전용 임계값 프로토콜 (Train-Only Threshold Protocol)
엄격한 평가를 보장하기 위해, 이진 작동 임계값은 훈련 파티션에서 (레이블이 정렬된 값 위치를 사용하여) F1을 최대화함으로써 선택되며, 그 후 고정됩니다. 이 임계값은 홀드아웃(held-out) 테스트 세트에 한 번 적용됩니다. 테스트 레이블은 임계값 튜닝, 조기 종료(early stopping) 또는 모델 선택에 절대 사용되지 않습니다.

3. 주요 기여

프로세스 레코드 진단 설정: 본 논문은 공개된 ICS 프로세스 레코드를 타임스탬프가 찍힌 스칼라 편차에 대한 오프라인 진단 작업으로 공식화하며, "잔류 스트림(retained-stream)" 메트릭과 "전체 레코드 커버리지(all-record coverage)" 메트릭을 명확히 구분합니다.
레이블 불가지론적 예산 기반 주기적 필터링: 메타데이터만 있는 환경에서 주기적 백그라운드를 처리하는 격차를 해결하기 위해, 레이블에 접근하지 않고 고정된 드롭 예산에 따라 주기적 후보를 제거하는 PFM을 도입했습니다.
엄격한 프로토콜을 갖춘 잔류 스트림 탐지기: 훈련 전용 임계값 프로토콜 하에서 잔류 스트림의 점수를 매기기 위한 U자형 백본을 구현하여, 보고된 작동 지점이 홀드아웃 레이블에 의존하지 않도록 보장합니다.
커버리지 인식 평가 (Coverage-Aware Evaluation): 드롭된 레코드(드롭된 공격 포함)를 미검출(missed detections)로 취급하는 **커버리지 인식 F1(Coverage-Aware F1)**을 사용하여 프루닝을 통한 작업량 감소와 탐지 충실도 사이의 트레이드오프를 평가합니다.

4. 실험 결과

실험은 세 개의 랜덤 시드를 사용하여 SWaT(Secure Water Treatment) 및 HAI(Hardware-in-the-Loop) 데이터셋에 대해 수행되었습니다.

SWaT 결과:
- 10% 프루닝 예산에서, DF-PLNet은 잔류 스트림 AUC 0.9505와 F1 0.8966을 달성했습니다.
- 이는 필터링되지 않은 베이스라인(0.8866)보다 F1이 향상된 결과이지만, 2,868개의 공격 위치가 제거됨에 따라 커버리지 인식 F1(0.8429)은 감소했습니다.
- 0–20% 예산 스윕(sweep) 결과, 5% 프루닝이 SWaT에서 더 보수적인 트레이드오프를 제공하는 반면, 10% 예산이 보고된 피크 AUC 및 F1 값을 생성함을 확인했습니다.
HAI 결과:
- 이 데이터셋은 불균형이 더 심합니다. 10% 예산은 재현율(recall)을 개선했지만 정밀도(precision)와 커버리지 인식 F1(0.3118에서 0.2906으로 감소)을 떨어뜨렸습니다.
- 20% 프루닝은 해로운 것으로 나타났으며, 커버리지 인식 F1을 0.1122까지 급격히 감소시켰습니다.
- 결과는 HAI가 SWaT보다 훨씬 더 보수적인 예산 선택이 필요함을 나타냅니다.
비교 성능:
- DF-PLNet(PFM 포함)은 적절한 프루닝 예산이 설정되었을 때 잔류 스트림 메트릭 측면에서 베이스라인(CNN, Transformer, 그리고 PFM이 없는 DF-PLNet)보다 일반적으로 우수하거나 대등한 성능을 보였습니다.
- 그러나 연구는 잔류 스트림의 이득은 반드시 커버리지 감사(coverage audit)와 함께 해석되어야 함을 강조합니다. 높은 잔류 스트림 F1은 프루닝이 너무 많은 이상치를 제거할 경우 상당한 커버리지 손실을 은폐할 수 있습니다.

5. 의의 및 주장

본 논문은 DF-PLNet이 통제된 프루닝 예산 하에서 잔류 스트림 진단을 연구하기 위한 재현 가능한 프로토콜을 제공한다고 주장합니다. 이 방법의 주요 의의는 보편적이기보다는 절차적인 데 있습니다:

절차적 통찰: 주기적 프루닝은 다운스트림 스코어링 작업량을 줄이는 데 유익할 수 있지만, 이는 반드시 레이블 불가지론적이고, 엄격하게 예산이 책정되어야 하며, 전체 레코드 커버리지 메트릭과 함께 보고되어야 합니다.
오프라인 보조 도구: 이 방법은 실시간 스트리밍 보호 메커니즘이 아니라, 역사적 프로세스 레코드를 분석하기 위한 오프라인 진단 보조 도구로 포지셔닝됩니다.
메트릭에 대한 경고: 저자들은 커버리지 감사 없이는 잔류 스트림 메트릭이 주기적 레코드를 제거함으로써 얻는 이점을 과장할 수 있다고 경고합니다. "최적의" 작동 지점은 특정 데이터셋의 불균형 정도와 작업량 감소와 드롭된 이상치 누락 위험 사이의 허용 가능한 트레이드오프에 달려 있습니다.

저자들은 다변량 데이터를 단일 스칼라로 압축하는 점, 현재 PFM의 오프라인 특성, 그리고 단 두 개의 데이터셋에 의존한다는 점을 한계로 인정하며, 향후 연구에서 다변량 인코더와 인과적 스트리밍 구현을 탐구해야 한다고 제안합니다.