RT-IoT2022 데이터셋을 사용한 사물인터넷 네트워크의 침입 탐지를 위한 머신러닝 모델의 비교 분석

이 연구는 사물인터넷(IoT) 네트워크의 복잡하고 진화하는 보안 환경에 대한 침입 탐지 시스템(IDS) 개발에서 다양한 머신러닝 모델의 성능을 조사합니다. 다양한 IoT 장치와 공격 방법론을 포착하는 RT-IoT2022 데이터셋을 활용하여, 우리는 네 가지 주요 모델인 그래디언트 부스팅, 랜덤 포레스트, 로지스틱 회귀 및 다층 퍼셉트론(MLP)을 세심하게 평가했습니다. 우리의 결과는 그래디언트 부스팅과 랜덤 포레스트가 모두 1.00의 정확도, 정밀도, 재현율 및 F1 점수로 완벽한 점수를 달성했으며, 데이터셋 내의 보안 사건을 분류하고 예측하는 데 한층 우수한 능력을 시사합니다. 로지스틱 회귀는 모든 메트릭에서 0.96의 점수로 일관된 성능을 보여 모델 복잡성과 성능 사이의 균형을 제안했습니다. MLP 모델은 0.99의 정확도, 정밀도, 재현율 및 F1 점수로 근소하게 뒤따르며, 복잡하고 비선형 데이터 관계를 포착하는데 잠재력을 강조합니다. 이러한 발견은 머신러닝이 IoT 네트워크를 사이버 위협으로부터 강화하는 데 중요한 역할을 한다는 것을 강조하며, 실제 데이터에 대한 지속적인 모델 평가의 필요성을 강조합니다. 이 연구는 동적인 IoT 보안 분야에서 운영 효율성과 지속 가능성을 위한 IDS 모델을 정제하는 미래 연구를 위한 경로를 제공합니다.