Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
IoT 네트워크 보안을 위해 Gotham2025 데이터셋을 활용하여 다양한 머신러닝 알고리즘의 침입 탐지 성능을 비교 분석한 연구입니다. 5가지 알고리즘 중 Random Forest가 가장 뛰어난 성능을 보임을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기사물인터넷 (IoT)은 의료, 교통, 스마트 홈 등 다양한 분야로 빠르게 성장하고 확장되고 있습니다. IoT 기기 사용의 이점에도 불구하고, 이들은 여러 가지 과제를 안겨줍니다. 이러한 기기들이 우리 삶에서 수행하는 중요한 역할을 고려할 때, 보안 및 개인정보 보호와 관련된 문제를 해결하는 것이 매우 중요합니다. 이 기기들은 자원이 제한되어 있어, 보안 및 관리 데이터의 보호를 복잡하게 만듭니다. 본 논문은 IoT 네트워크를 공격으로부터 보호하는 것을 돕기 위해, MQTT, CoAP, RTSP를 포함한 다양한 프로토콜을 사용하는 78개의 에뮬레이션된 IoT 기기로 구성된 Gotham 테스트베드를 통해 생성된 Gotham2025 데이터셋을 사용하여 침입 탐지 시스템 (Intrusion Detection Systems)을 조사하는 것을 목표로 합니다. 우리는 Random Forest, XGBoost, Logistic Regression, Naive Bayes, 그리고 Deep Neural Network를 포함한 5가지 머신러닝 (Machine Learning) 알고리즘 간의 비교 분석을 수행합니다. 우리는 Random Forest Classifier가 공격 분류에서 0.99의 F1-score를 달성하며 가장 우수한 성능을 보이는 모델임을 입증합니다.