본 논문은 사물 인터넷(IoT) 네트워크의 보안 취약성 증가에 따라 강력한 이상 탐지 및 분류 기술의 필요성을 강조하며, Mel-frequency cepstral coefficients (MFCC)와 ResNet-18 심층 학습 모델을 활용한 새로운 이상 탐지 기법을 제안합니다. 학습 가능한 MFCC는 기존의 고정된 MFCC보다 네트워크 트래픽의 시간적 패턴을 더 효과적으로 포착하는 적응적 스펙트럼 특징 표현을 가능하게 합니다. 원시 신호를 MFCC로 변환하면 데이터가 고차원 공간으로 매핑되어 클래스 분리가 향상되고 다중 클래스 분류가 더 효과적으로 이루어집니다. 제안된 모델은 CICIoT2023, NSL-KDD, IoTID20 세 가지 IoT 침입 탐지 데이터셋으로 평가되었으며, 적응형 신호 처리 기법과 심층 학습 아키텍처의 통합을 통해 이기종 IoT 네트워크 환경에서 강력하고 확장 가능한 이상 탐지를 달성할 수 있음을 보여줍니다.
