선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- 마지막으로 네트워크 보안 상황 예측은 우리가 통제하는 시스템에 대한 보안에 중점을 둔 예측으로 공격 투영 및 침투 예측이 공격 자체 또는 공격자에 초점을 둔 것과 대조된다. 네트워크 보안상황 예측의 핵심은 네트워크 보안상황을 정량화하는 것이다. 그 결과 입력값 및 예측값이 숫자의 형태여서 대부분의 보안 상황 예측 모형은 연속형 모형으로 연구되고 있다[6].
제안 방법
- 위협도 계산을 위해서 사이버 위협을 평가할 수 있는 5가지 요소를 이용한 정량화 공식을 제안하였다. 또한 제안된 공식을 토대로 인공신경망 모델을 이용하여 사이버 위협도를 계산하였다. 그리고 인공신경망의 입력뉴런의 수와 은닉뉴런의 수의 변화에 따른 예측결과를 제시하였고, 앞에서 살펴 본 바와 같이 평균 위협도와 누적 위협도예측이 비교적 잘 이루어짐을 확인하였다.
- 본 논문은 공개출처정보로부터 선정된 사이버위협 평가요소를 토대로 사이버 위협 정량화 방안을 제시하였고, 인공신경망을 이용하여 평균 위협도 및 누적 위협도를 예측하였다. 위협도 계산을 위해서 사이버 위협을 평가할 수 있는 5가지 요소를 이용한 정량화 공식을 제안하였다.
- 본 연구는 사이버 공격 데이터베이스와 사이버 위협 평가요소의 중요도 분석 연구결과[1, 2]를 토대로 (1) 사이버 위협 정량화 방법을 결정하고, (2) 인공신경망을 활용하여 사이버위협 예측 모형 및 적용결과를 제시한 뒤, (3) 마지막으로 향후 활용방안을 모색한다.
- 그 결과 입력값 및 예측값이 숫자의 형태여서 대부분의 보안 상황 예측 모형은 연속형 모형으로 연구되고 있다[6]. 본 연구에서는 공개출처정보의 특성으로 인해 특정 공격에 대한 단계 또는 목적보다 일반적인 네트워크 상황의 사이버위협을 예측하기에 적합하여 사이버위협 예측 범주 중 네트워크 보안 상황 예측에 초점을 두고, 사이버 위협을 정량화하는 방법과 이를 활용하여 사이버 위협을 예측하는 방법론을 제시할 것이다.
- 마지막으로 머신러닝 기반의 방법론에는 인공신경망(Artificial Neur al Network) 모형[13], SVM(Support Vector Ma chine) 모형[14], 데이터 마이닝(Data Mining) 모형[15] 등이 있다. 본 연구에서는 최근 급격히 발전하고 있는 인공신경망을 활용하여 시계열 데이터를 예측하는 방법을 제안한다.
- 사이버위협을 정량화하기 위해 본 연구의 선행연구에서 사이버 위협에 직접적으로 영향을 미치는 ① 공격목적, ② 공격범주, ③ 공격대상, ④ 공격 지속성, ⑤ 공개출처정보의 빈도 등 총 5개 요소를 사이버 위협 평가요소로 선정하였고, 계층분석적 의사결정방법(AHP)을 적용하여 각 평가요소의 중요도를 분석하였다[2].
- 앞에서 평균위협도 예측과 유사하게 2주 단위의 누적 위협도의 예측모델을 구성하기 위해 입력뉴런의 개수와 은닉뉴런의 개수를 각각 1～10개까지 변화시켜 그 성능의 차이를 비교하였다. 입력뉴런이 6개이고, 은닉뉴런이 4개일 때 RMSE= 0.
- 본 논문은 공개출처정보로부터 선정된 사이버위협 평가요소를 토대로 사이버 위협 정량화 방안을 제시하였고, 인공신경망을 이용하여 평균 위협도 및 누적 위협도를 예측하였다. 위협도 계산을 위해서 사이버 위협을 평가할 수 있는 5가지 요소를 이용한 정량화 공식을 제안하였다. 또한 제안된 공식을 토대로 인공신경망 모델을 이용하여 사이버 위협도를 계산하였다.
- 위협도 예측모델을 구성하기 위해 입력뉴런의 개수와 은닉뉴런의 개수를 각각 1～10개까지 변화시켜 그 성능의 차이를 비교하였다. 입력뉴런이 9개이고, 은닉뉴런이 1개일 때 RMSE= 0.
- 이 장에서는 사이버위협 예측 모형을 개발하기 위해 사이버공격 데이터베이스를 활용한 사이버위협 정량화 방법을 제시한다.
대상 데이터
- 입력 데이터는 크게 2주 단위로 종합된 평균 위협도와 누적 위협도를 사용한다. 인공신경망을 이용한 위협도 예측을 위해 입력데이터의 개수(즉, 미래 위협도를 예측하기 위해 사용되는 과거값의 개수), 은닉 뉴런의 개수를 변화시켰으며, 전체 데이터 중 1월에서 10월까지의 데이터를 훈련데이터로 사용하였으며, 11월과 12월 데이터는 모델의 성능을 측정하기 위한 시험데이터로 사용하였다. 모델의 검증을 위한 지표로는 MSE(Mean Square Error)를 사용하였으며, 단순히 과거 값의 평균을 예측값으로 추정하는 경우와 비교하여 상대적인 성능을 평가하였다.
데이터처리
- 인공신경망을 이용한 위협도 예측을 위해 입력데이터의 개수(즉, 미래 위협도를 예측하기 위해 사용되는 과거값의 개수), 은닉 뉴런의 개수를 변화시켰으며, 전체 데이터 중 1월에서 10월까지의 데이터를 훈련데이터로 사용하였으며, 11월과 12월 데이터는 모델의 성능을 측정하기 위한 시험데이터로 사용하였다. 모델의 검증을 위한 지표로는 MSE(Mean Square Error)를 사용하였으며, 단순히 과거 값의 평균을 예측값으로 추정하는 경우와 비교하여 상대적인 성능을 평가하였다.
성능/효과
- 또한 제안된 공식을 토대로 인공신경망 모델을 이용하여 사이버 위협도를 계산하였다. 그리고 인공신경망의 입력뉴런의 수와 은닉뉴런의 수의 변화에 따른 예측결과를 제시하였고, 앞에서 살펴 본 바와 같이 평균 위협도와 누적 위협도예측이 비교적 잘 이루어짐을 확인하였다.
후속연구
- 이를 함께 적용할 수 있도록 하기 위해서는 IDS 탐지결과 등과 같은 공개출처정보 이외의 데이터를 추가적으로 수집하여 공개출처정보 데이터베이스와 연동하고, 사이버 위협도 정량화 방법을 지속적으로 보완한다면 보다 현실적이고 정확한 예측 모형 개발이 가능할 것이다. 따라서 추후에 기업, 정부, 연구소, 대학 등이 연계하여 공개형 사이버 공격 데이터베이스를 구축하고, 사이버위협과 인포콘(INFOCON) 연동모델 개발 등이 공동으로 이루어진다면 이를 기초로 다양한 사이버 위협을 실시간으로 예측하고 이를 예방할 수 있으리라 생각한다.
- 한편, 본 연구에서 제안한 사이버위협 예측 모형은 공개출처정보로부터 도출된 사이버 위협도에 대한 예측이기 때문에 특정 시설 또는 특정 공격 단계에 대한 예측이 제한적이다. 이를 함께 적용할 수 있도록 하기 위해서는 IDS 탐지결과 등과 같은 공개출처정보 이외의 데이터를 추가적으로 수집하여 공개출처정보 데이터베이스와 연동하고, 사이버 위협도 정량화 방법을 지속적으로 보완한다면 보다 현실적이고 정확한 예측 모형 개발이 가능할 것이다. 따라서 추후에 기업, 정부, 연구소, 대학 등이 연계하여 공개형 사이버 공격 데이터베이스를 구축하고, 사이버위협과 인포콘(INFOCON) 연동모델 개발 등이 공동으로 이루어진다면 이를 기초로 다양한 사이버 위협을 실시간으로 예측하고 이를 예방할 수 있으리라 생각한다.
- 한편, 본 연구에서 제안한 사이버위협 예측 모형은 공개출처정보로부터 도출된 사이버 위협도에 대한 예측이기 때문에 특정 시설 또는 특정 공격 단계에 대한 예측이 제한적이다. 이를 함께 적용할 수 있도록 하기 위해서는 IDS 탐지결과 등과 같은 공개출처정보 이외의 데이터를 추가적으로 수집하여 공개출처정보 데이터베이스와 연동하고, 사이버 위협도 정량화 방법을 지속적으로 보완한다면 보다 현실적이고 정확한 예측 모형 개발이 가능할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.