최근 연구에 따르면, 인공지능(AI) 기반의 사이버 공격 탐지 시스템이 네트워크 트래픽 분석에 활용되는 자연 가시성 그래프(NVG)의 수많은 지표 중 단 3개만으로도 더 높은 정확도를 달성하고 연산 효율성을 획기적으로 개선할 수 있다는 사실이 밝혀졌습니다. 이는 방대한 데이터를 처리해야 하는 사이버 보안 분야에서 AI 시스템의 실시간 대응 능력을 크게 향상시킬 수 있는 중요한 발전입니다.
알리 멜리 칸카(Ali Melih Kanca)와 일커 튀르커(Ilker Turker) 연구팀은 NVG에서 파생된 21가지 위상학적 지표(topological metrics)를 대상으로 중요도 분석을 수행했습니다. SHAP, 순열 중요도(Permutation Importance), 보루타(Boruta), 재귀적 특징 제거(RFE) 등 네 가지 중요도 분석 방법을 통합하여 순위를 매긴 결과, '평균 군집 계수 중앙값(avg_clustering_coeff_median)', '평균 군집 계수 표준편차(avg_clustering_coeff_std)', '평균 군집 계수 평균(avg_clustering_coeff_mean)'의 세 가지 지표가 가장 높은 순위를 차지했습니다. 이 세 가지 지표만을 사용한 'Top3' 구성은 CICIDS2018 데이터셋과 CNN 분류기를 활용한 실험에서 97.148%의 정확도와 97.055%의 가중 F1 점수를 기록하며, 21개 지표 전체를 사용한 'Full21' 구성(정확도 95.999%)보다 우수한 성능을 보였습니다. 또한, 총 실행 시간은 14,961.39초에서 589.22초로 무려 96.06% 단축되어 연산 비용 절감 효과가 매우 컸습니다.
이 연구 결과는 사이버 공격 탐지 시스템이 불필요한 지표를 제거하고 핵심 지표에 집중함으로써 예측 성능을 높이고 동시에 연산 자원 소모를 줄일 수 있음을 시사합니다. 이는 제한된 자원으로 운영되는 많은 보안 시스템에 큰 이점을 제공하며, 특히 실시간으로 발생하는 사이버 위협에 대한 즉각적인 대응이 필수적인 환경에서 AI 기반 보안 솔루션의 실용성을 크게 높일 것입니다. 앞으로 이러한 중요도 기반 지표 축소 전략은 다양한 AI 기반 보안 및 네트워크 분석 분야에 적용되어 효율성과 성능을 동시에 개선하는 데 기여할 것으로 기대됩니다.