본 논문에서는 네트워크 트래픽에서 서비스 거부(DoS) 공격을 탐지하기 위한 새로운 시공간 어텐션 네트워크(TSAN) 아키텍처를 제안합니다. 기존의 통계적 및 규칙 기반 모델들이 진화하는 공격 패턴에 적응하는 데 어려움을 겪는 문제를 해결하기 위해, TSAN은 네트워크 트래픽의 시계열 및 공간적 특징을 활용하여 복잡한 트래픽 패턴과 이상 현상을 포착합니다. 트랜스포머 기반 시계열 인코딩, 합성곱 기반 공간 인코딩, 그리고 크로스 어텐션 메커니즘을 통합하여 상호 보완적인 특징 공간을 융합합니다. 또한, 보조 작업을 이용한 다중 작업 학습을 통해 모델의 강건성을 향상시킵니다. NSL-KDD 데이터셋을 이용한 실험 결과, TSAN은 최첨단 모델들을 능가하는 정확도, 정밀도, 재현율, F1 점수를 달성하면서 실시간 배포를 위한 계산 효율성을 유지함을 보여줍니다. 제안된 아키텍처는 탐지 정확도와 계산 오버헤드 간의 최적의 균형을 제공하여 실제 네트워크 보안 애플리케이션에 매우 적합합니다.
시사점, 한계점
•
시사점:
◦
진화하는 DoS 공격 패턴에 효과적으로 적응하는 새로운 탐지 모델 제시.
◦
시계열 및 공간적 특징을 통합하여 높은 탐지 정확도 달성.
◦
실시간 배포 가능한 계산 효율성 확보.
◦
다중 작업 학습을 통한 모델 강건성 향상.
•
한계점:
◦
NSL-KDD 데이터셋 하나만 사용하여 실험 진행 - 다양한 데이터셋에 대한 추가 실험 필요.
