Network Traffic Anomaly Detection using Boosting Methodology

최근 네트워크 기술의 발전으로 데이터 트래픽이 급증하고 있으며, 이와 함께 사이버 위협의 규모도 증가하고 있다. 본 논문에서는 IDS/IPS에서 수집된 데이터셋을 활용하여 오버샘플링 기법과 XGBoost, LightGBM, CatBoost 등의 부스팅 알고리즘을 적용한 고급 네트워크 트래픽 이상 탐지 기법을 제안한다. 제안된 접근 방식은 데이터 불균형 문제를 완화하고, 다양한 약한 분류기를 결합하여 강력한 예측 모델을 형성하여 이상 탐지의 정확도와 효율성을 높인다. XGBoost와 LightGBM 모델이 기존 탐지 기법에 비해 0.5~0.9%의 우수한 성능 향상을 보였으며, 실시간 연산 수행 측면에서는 XGBoost가 가장 적합함을 확인하였다. 또한 오버샘플링 기법이 탐지 성능 향상에 기여함을 검증하였다. 본 연구는 동적이고 복잡한 네트워크 환경에서 IDS/IPS 시스템이 효율적으로 이상 징후를 탐지할 수 있도록 돕고, 네트워크 보안의 신뢰성과 안정성을 강화하고자 한다.