본 논문은 IoT 시스템의 사이버 공격 취약성 증가에 따라 침입 탐지의 중요성이 커짐에 따라, IoT23 데이터셋을 기반으로 다양한 머신러닝(ML) 및 딥러닝(DL) 기법과 하이브리드 모델을 이용한 2진 및 다중 클래스 침입 탐지를 연구합니다. Random Forest (RF), Extreme Gradient Boosting (XGBoost), Artificial Neural Network (ANN), K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Convolutional Neural Network (CNN)과 같은 독립적인 머신러닝 및 딥러닝 모델을 사용하였으며, RF, XGBoost, AdaBoost, KNN, SVM 머신러닝 기법을 결합한 두 가지 투표 기반 하이브리드 모델(각각 2진 및 다중 클래스 분류용)을 제시합니다. 정밀도, 재현율, 정확도, F1 점수를 기준으로 각 모델의 성능을 평가하고 비교하여, 하이브리드, 독립형 ML 및 DL 기법이 IoT 침입 탐지 시스템(IDS)의 정확도와 확장성을 향상시키는 방법을 자세히 설명합니다.
