네트워크 트래픽 데이터의 부족과 프라이버시 문제를 해결하기 위해, 다양한 생성 모델이 합성 트래픽을 생성하기 위해 개발되었으나, 합성 트래픽의 프라이버시 보존 정도와 정보 유출 측정에 대한 연구는 미흡했다. 본 연구는 다양한 모델 아키텍처에서 생성된 합성 네트워크 트래픽의 프라이버시를 측정하기 위해, 멤버십 추론 공격(MIA) 및 데이터 추출 공격과 네트워크 특정 식별자 및 속성을 결합한 포괄적인 프라이버시 지표를 제시한다. 다양한 생성 모델의 취약성을 평가하고 공격 성공에 영향을 미치는 요인을 분석한 결과, 모델 및 데이터셋에 따라 프라이버시 위험이 크게 다르며, MIA 성공률은 0%에서 88%까지, 생성된 트래픽에서 최대 100%의 네트워크 식별자를 복구할 수 있음을 확인했다. 훈련 데이터의 다양성과 생성 모델의 적합성이 공격 결과에 중요한 영향을 미치는 것을 밝혀냈다.
