침입탐지를 위한 랜덤포레스트 모형의 효과적인 구조: NSL-KDD 데이터셋을 중심으로

Abstract

인터넷 사용의 폭발적 증가에 따라 네트워크 장치 및 컴퓨팅 플랫폼의 취약점은 치명적인 결과를 초래한다. 따라서 네트워크 침입 공격에 대응하기 위해 침입 공격의 식별에 다양한 머신러닝 기술이 연구되며, 그중에서 랜덤포레스트는 침입탐지를 위한 모형의 구성에 유력한 역할을 하고 있다. 본 논문에서는 침입탐지를 위한 랜덤포레스트 연구에서 그동안 다루지 않은 모형의 구조와 선택방식을 정리하였다. 그리고 정리한 방식을 흔히 침입탐지 연구에 활용하는 NSL-KDD 데이터셋에 적용하여 모형을 구성하고 그 효과를 확인하였다. 기존의 연구에서는 주로 렌덤포레스트 모형의 정확도를 다른 방식의 모형과 비교하거나 또는 입력특성의 선정방식을 제시하는 경우가 대부분이었으나, 본 논문에서는 침입탐지 랜덤포레스트에서 효과적인 구조를 선택하는 대안을 제시하였으며, 침입탐지 정확도의 훼손없이 랜덤포레스트를 구성하는 의사결정나무의 최대깊이와 수, 그리고 입력특성을 효과적으로 구성할 수 있다.