KCI등재
머신러닝 기술을 이용한 사이버위협 대응 방안에 관한 연구
저자
발행기관
학술지명
한국산학기술학회논문지(Journal of Korea Academia-Industrial cooperation Society)
권호사항
발행연도
2023
작성언어
Korean
주제어
KDC
505
등재정보
KCI등재
자료형태
학술저널
수록면
829-835(7쪽)
DOI식별코드
제공처
최근 IoT, ICT 환경에서 정교하게 진화하고 있는 사이버위협은 증가하고 있으며, 이에 보안 운영 환경이 감당하기 힘든 수준으로 복잡해지고, 이로 인해 분석할 데이터는 증가하고 있다. 또한 보안 전문 인력 부족 및 성숙도 부족에 따른 휴먼에러가 증가하고 있다. 본 논문에서는 머신러닝 비지도학습과 준지도학습 모델을 이용하여 정교하게 진화하는 사이버위협에 대응할 수 있도록 하였다. 본 논문에서 사용된 비지도학습 모델은 세션정보(L4), 프로토콜 헤더정보(L7), 파일 등의 정보를 수집하고, 이를 위협정보와 비교하여 유사한 위협을 매핑 및 라벨링하여 이상행위를 탐지하는데 사용하였다. 클러스터링 기술을 통해 모델링을 수행하고, 생성된 모델은 재학습을 통해 모델 업데이트하여 분석속도가 향상될 수 있으며, 생성된 모델은 준지도학습에 재학습하여 모델을 업데이트할 수 있도록 하였다. 준지도학습 모델은 비지도 학습 모델의 시간별 클러스터링 기반 탐지기법은 평소와 다른 행위를 탐지하는데 유용하고, 공격유형별 지도학습 기반탐지 기법은 네트워크 기반 행위가 특정 공격에 해당하는지 구별하여 탐지하는데 유용하다. 준지도학습은 지도학습 모델과 비지도학습 모델을 적절히 혼합하여 탐지 정확도와 노이즈(탐지)를 줄일 수 있는 장점이 있다.
더보기Cyber threats are evolving more sophisticatedly in the IoT and ICT environments. As a result, the security operating environment is becoming unmanageably complex, and the data to be analyzed is increasing. In addition, human errors are increasing due to a lack of security professionals and maturity. This study used unsupervised and semi-supervised machine learning models to respond to sophisticated cyber threats. The unsupervised learning model used in this paper collects information, such as session information (L4), protocol header information (L7), and files, and compares this with threat information to map and label similar threats and detect abnormal behavior. Modeling is performed through clustering technology, and the analysis speed can be improved by updating the generated model through re-learning. The generated model can be re-trained through semi-supervised learning to update the model. The temporal clustering-based detection technique of the unsupervised learning model in the semi-supervised learning model is useful for detecting behavior that is different from usual, and the supervised learning-based detection technique for each attack type is useful for distinguishing and detecting whether network-based behavior corresponds to a specific attack. Semi-supervised learning can reduce the detection accuracy and noise (detection) by appropriately mixing supervised learning models and unsupervised learning models.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)