하이브리드 기계 학습 알고리즘 적용을 통한 중요 인프라 보호에서의 능동적 위협 헌팅

사이버 보안 문제는 전 세계적으로 증가하고 있으며 특히 중요 인프라를 목표로 하고 있습니다. 기존의 대응 조치는 능동적 위협 헌팅을 제공하기에 불충분합니다. 본 연구에서는 능동적 위협 헌팅을 위해 랜덤 포레스트(RF), 서포트 벡터 머신(SVM), 다층 퍼셉트론(MLP), 아다부스트 및 하이브리드 모델을 적용했습니다. 탐지를 자동화함으로써 하이브리드 기계 학습 기반 방법은 위협 헌팅을 개선하고 고위험 경고에 집중할 수 있는 시간을 확보합니다. 이러한 모델은 접근 장치, 액세스 및 주요 서버에 구현됩니다. 하이브리드 접근 방식을 포함한 여러 모델의 효율성이 평가됩니다. 이 연구의 결과는 아다부스트 모델이 0.98 ROC 면적과 95.7% 정확도로 146개의 위협을 29개의 잘못된 긍정으로 탐지하여 가장 높은 효율성을 제공한다는 것입니다. 유사하게, 랜덤 포레스트 모델은 0.98 ROC 곡선 아래 면적과 95% 전체 정확도를 달성하며 132개의 위협을 정확하게 식별하고 잘못된 긍정을 31로 줄였습니다. 하이브리드 모델은 약속을 보이며 0.89 ROC 면적과 94.9% 정확도를 보였지만, 잘못된 긍정 비율을 낮추기 위해 추가적인 다듬기가 필요합니다. 이 연구는 기계 학습이 사이버 보안을 개선하는 데 특히 중요 인프라에 있어 중요한 역할을 한다는 점을 강조합니다. 고급 ML 기술은 위협 탐지 및 대응 시간을 향상시키고, 지속적인 학습 능력은 새로운 위협에 대한 적응성을 보장합니다.