[방캅스] 인공지능 보안 - 머신러닝

<논문 원본>

The Rold of Machine Learning in Cybersecurity - Giovanni Apruzzese..

The Role of Machine Learning in Cybersecurity

 

---

<논문 요약>

1. 머신러닝

• 머신러닝(ML) 목표는 기계가 자동으로 의사결정을 배우게 하는 것.
• ML 모델은 훈련 단계에서 데이터를 분석한 후 미래 데이터에 결정을 내리는 기능을 구현한다.
• ML 방법론은 훈련 데이터에 ML 알고리즘을 사용하여 ML 모델을 개발하는 과정이다.
• ML 모델을 테스트하기 위해 일부 검증 데이터를 처리하고 그 예측을 분석하여 평가해야 한다.

---

2. 사이버 보안에서 ML 응용

• 네트워크 침입 탐지: 네트워크 트래픽을 분석하여 비정상적인 활동을 탐지.
• 악성코드 탐지: 새로운 악성코드를 서명 기반 방법보다 효과적으로 식별.
• 피싱 탐지: 의심스러운 이메일과 웹사이트를 식별.

---

3. 추가적인 사이버 보안 작업을 위한 ML

• 취약성 예측: ML을 사용하여 취약성을 조기에 예측하고 대응.
• 다크웹 데이터 분석: 다크웹 포럼을 분석하여 사이버 위협 정보를 수집하고 예측.

---

4. 사이버 보안에서 ML의 문제점

• 개념 드리프트: 시스템의 지속적인 변화로 인해 훈련 데이터가 빨리 구식이 되어 ML 모델의 신뢰성이 떨어진다.
• 적대적 환경: 공격자가 ML 모델을 속이기 위해 데이터를 조작할 수 있다.
• 데이터 기밀성: 보안 데이터의 기밀성을 유지하면서 ML모델을 훈련하는 것이 어렵다.

---

5. 사이버 보안에서 ML의 미래 도전과제

• ML 인증: ML 시스템의 성능과 견고성을 인증하는 표준화된 절차 개발이 필요하다.
• 데이터 가용성: 적절한 훈련 데이터를 확보하는 것이 가장 큰 도전과제이다.
• ML 오케스트레이션: 다양한 ML 모델과 파이프라인 아키텍처를 효과적으로 관리.
• 사용 가능한 ML 보안: 실용적인 결과와 현실적인 시나리오를 반영한 연구가 필요하다.

cf) ML 오케스트레이션: 다양한 머신러닝 모델과 이 모델들을 활용하는 전체적인 흐름(파이프라인)을 효과적으로 관리하는 것을 의미한다.

cf) ML 파이프라인: 데이터 수집, 데이터 처리, 모델 훈련, 모델 평가, 모델 배포, 그리고 모델 모니터링까지의 일련의 과정.

---

6. 사이버 보안에서 ML의 실제 산업 적용

• ML은 이미 여러 산업에서 사이버 보안 강화에 활용
• 예로, 페이스북은 ML을 이용해 가짜 계정을 식별하고 있으며, 이는 약 30%의 가짜 계정을 감소시키는 데 기여하고 있다.
• 다양한 기업들이 ML을 활용해 네트워크의 이상 징후를 탐지하고, 보안 사고를 예방