기술 요약: 평판 인식 클라이언트 선택 및 무결성 검증을 갖춘 프라이버시 보존형 연합 침입 탐지 프레임워크

1. 문제 정의

산업 인터넷 사물인터넷(IIoT) 네트워크의 급격한 확장은 핵심 인프라를 사이버 공격에 대한 취약성 증가로 이어졌다. 전통적인 중앙 집중형 침입 탐지 시스템(IDS)은 데이터 프라이버시 우려, 높은 통신 오버헤드, 원시 데이터를 중앙 서버로 전송함에 따른 병목 현상 등 상당한 과제에 직면해 있다. 또한, 기존의 연합 학습(Federated Learning, FL) 방식은 다음과 같은 문제로 어려움을 겪는 경우가 많다:

• Non-IID 데이터: 실제 IIoT 환경은 노드 간의 이질적인 데이터 분포를 나타내며, 이는 모델 발산과 수렴 속도 저하를 초래한다.
• 보안 취약성: FL 시스템은 악의적인 클라이언트가 오염된 업데이트를 주입하거나, 데이터 유출 및 모델 변조를 시도하는 공격에 취약하다.
• 신뢰 메커니즘의 부재: 많은 프레임워크가 정직한 클라이언트의 동작을 가정하며, 분산 환경에서 성능이 저하되거나 악의적인 의도를 가진 노드를 고려하지 못한다.
• 프라이버시-유용성 트레이드오프: 차분 프라이버시(Differential Privacy, DP)와 같은 강력한 프라이버시 조치를 구현하면 종종 모델 정확도가 저하되는데, 이는 침입 탐지에 있어 매우 중요한 문제이다.

2. 방법론

저자들은 IIoT 환경에 특화되어 설계된 보안 및 프라이버시 보존형 FL 프레임워크를 제안한다. 이 아키텍처는 네 가지 핵심 구성 요소로 통합된다:

A. 로컬 모델 및 프라이버시 보존

• 모델 아키텍처: 각 클라이언트는 경량 다층 퍼셉트론(MLP)을 로컬에서 훈련한다. 네트워크는 세 개의 은닉층(128, 64, 32개 뉴런)으로 구성되며, 과적합을 방지하기 위해 ReLU 활성화 함수와 드롭아웃(Dropout)을 사용한다.
• 차분 프라이버시 (DP): 로컬 데이터를 보호하기 위해 프레임워크는 DP-SGD를 채택한다. 개별 샘플의 그래디언트는 임계값($C$)으로 클리핑되며, 집계 시 가우시안 노이즈가 추가된다. 노이즈 승수는 프라이버시와 유용성의 균형을 맞추기 위해 경험적으로 조정된다(이진 분류 1.0, 다중 클래스 분류 0.5).
• Non-IID 시뮬레이션: 현실적인 이질적 IIoT 조건을 시뮬레이션하기 위해 디리클레 분포($\alpha=0.5$)를 사용하여 클라이언트 간에 데이터를 분배한다.

B. 무결성 검증 (해시 기반)

• 메커니ме즘: 업데이트가 전송 중에 변조되지 않도록 하기 위해, 프레임워크는 전체 블록체인이나 공개 키 기반 구조(PKI) 대신 경량 해시 기반 검증 시스템을 사용한다.
• 프로세스:
  1. 클라이언트는 모델 업데이트를 직렬화하고 SHA-256 해시를 생성한다.
  2. 클라이언트의 암호화된 ID와 해시를 사용하여 검증 토큰을 생성한다.
  3. 서버는 해시와 토큰을 재계산한다. 수신된 값과 일치하면 업데이트를 수락하고, 그렇지 않으면 거부한다.

C. 평판 인식 클라이언트 선택 (PoA 영감)

• 개념: 블록체인의 "정확도 증명(Proof of Accuracy, PoA)"에서 영감을 얻었으나, 전체 합의 메커니즘 없이 구현되었다. 중앙 서버가 클라이언트의 신뢰도를 동적으로 평가한다.
• 점수 산정 기준: 클라이언트의 로컬 $F1_{score}$와 레이턴시(학습 및 통신에 소요된 총 시간, $T_{train} + T_{comm}$)를 기준으로 평판 점수($R_k$)를 계산한다.
• 동적 가중치: 품질과 레이턴시에 대한 가중치는 각 참여 클라이언트 간의 이러한 지표들의 분산을 바탕으로 동적으로 조정된다.
• 인센티브/페널티 시스템:
  • 그린 존 ($R_k \geq 0.75$): 신뢰할 수 있는 클라이언트는 보상을 받는다(점수 상승).
  • 노멀 존 ($0.5 < R_k < 0.75$): 변화 없음.
  • 레드 존 ($R_k \leq 0.5$): 클라이언트는 일시적으로 제외(2 라운드)되며 페널티를 받는다. 지속적인 저득점은 영구적인 제외로 이어진다.
• 집계: 선택된 클라이언트만이 표준 FedAvg 집계에 참여한다.

D. 데이터 전처리

프레임워크는 Edge-IIoTset 데이터셋을 활용한다. 다음을 포함한 엄격한 전처리 파이프라인이 적용된다:

• 비예측적 특징(IP, ID) 제거.
• 원시 패킷을 플로우 기반 표현으로 변환.
• 통계적 페이로드 특징 추출(예: 섀넌 엔트로피).
• 원-핫 인코딩(One-Hot Encoding) 및 Min-Max 정규화.
• 클래스 불균형 처리 및 데이터 클리닝.

3. 주요 기여

1. 통합 프레임워크: 프라이버시(DP), 무결성(해시 검증), 안정성(평판 기반 선택)을 Non-IID IIoT 환경에서 동시에 해결하는 통합된 아키텍처를 제공한다.
2. 경량 신뢰 메커니즘: 전체 블록체인 구현의 계산 오버헤드 없이 악의적이거나 품질이 낮은 노드를 관리하는 PoA 영감의 클라이언트 선택 전략을 제공한다.
3. 동적 평판 점수: 클라이언트 성능의 분산에 따라 모델 품질 또는 레이성을 우선시하여 변화하는 네트워크 조건에 적응하는 자가 조정 가중치 시스템을 제공한다.
4. 포괄적 평가: 3, 5, 7개 클라이언트 환경의 이진 및 다중 클래스 시나리오에 대해 Edge-IIoTset 데이터셋을 사용하여 광범위한 테스트를 수행함으로써 견고함을 입증하였다.

4. 실험 결과

프로토콜은 10번의 통신 라운드 동안 3, 5, 7개의 클라이언트를 사용하여 Edge-IIoTset 데이터셋에 대해 평가되었다.

• 정확도: 모델은 대부분의 시나리오에서 높은 정확도를 달 기록했으나, 구성에 따라 성능 차이가 있었다:
  • 이진 분류: 96.85%(5개 클라이언트)에서 99.77%(3개 클라이언트) 사이의 범위를 보였다. 5개 클라이언트 시나리오는 데이터 이질성으로 인해 다른 구성에 비해 현저히 낮은 정확도와 재현율(94.09%)을 보였다.
  • 다중 클래스 분류: 97.19%(7개 클라이언트)에서 98.61%(3개 클라이언트) 사이의 범위를 보였다.
  • 3개 및 7개 클라이언트 시나리오는 중앙 집중식 학습 성능(이진 98.87%, 다중 클래스 99.95%)에 근접했으나, 5개 클라이언트 이진 시나리오는 낮은 정확도(96.85% vs 98.87%)를 보이며 뚜렷한 약점을 나타냈다.
• 수렴: 모델은 대부분의 경우 빠른 수렴을 보여주었다. 5개 클라이언트 이진 시나리오는 높은 손실과 낮은 재현율을 보여 데이터 이질성에 따른 어려움을 나타낸 반면, 3개 및 7개 클라이언트 시나리오는 낮은 손실과 함께 안정적인 수렴을 보였다.
• AUC 및 F1-Score:
  • AUC 값은 대부분의 다중 클래스 시나리오에서 1.0에 근접하여 우수한 클래스 분리 능력을 보여주었다.
  • F1-점수는 모든 실험에서 96% 이상을 유지하며 정밀도와 재현율을 효과적으로 균형 있게 유지했다.
• 레이턴시: 평판 메커니즘은 클라이언트 제외로 인한 동적 변동을 유발했으나, 시스템은 안정성을 유지했다. 클라이언트 수를 늘릴수록(3개에서 7개로) 계산 부하가 더 잘 분산되어 평균 레이턴시가 일반적으로 감소했다.

5. 의의 및 주장

본 논문은 보안을 위해 모델의 유용성을 희생하거나 그 반대의 경우가 발생하지 않는 균형 잡힌 프레임워크를 제공한다는 점에 주요 의의가 있다고 주장한다.

• 실용성: 전체 블록체인 인프라와 복잡한 합의 메커니즘을 피함으로써, 자원이 제한된 IIoT 환경에 배포 가능하다.
• 견고성: 광범위한 데이터 전처리, DP, 평판 기반 선택의 결합은 Non-IID 데이터 및 잠재적 악의적 노드가 존재하는 상황에서도 높은 탐지 정확도(96–99%)를 유지하게 한다. 다만, 특정 구성(5개 클라이언트 이진 모드)에서는 성능 저하가 관찰되었다.
• 프라이버시-유용성 균형: 저자들은 DP 파라미터 튜닝을 통해 탐지 정확도에 미치는 부정적 영향을 제한하면서도 로컬 데이터의 기밀성을 보존하는 "실용적인 균형"을 달 수 있다고 주장하며, 이는 실제 산업 애플리케이션의 핵심 요구사항이다.

저자들은 현재의 구현이 데이터 품질과 클라이언트 신뢰에 초점을 맞추고 있으나, 향후 연구에서는 자원 인식 클라이언트 선택(에너지 및 프로세싱 파워 고려)과 실시간 보안 위험에 따른 적응형 집계 방법을 탐구할 것이라고 결론지었다.