Semantic Tabular-to-Image Conversion and Contrastive Learning for Lightweight Intrusion Detection

사물인터넷의 확산으로 엣지 환경에서의 고성능 침입 탐지 시스템(IDS)의 필요성이 강조됨에 따라, 딥러닝 기반의 IDS 연구가 활발히 진행되고 있다. 그러나 정형 데이터를 딥러닝 모델의 입력으로 직접 사용하는 기존 접근 방식은 네트워크 트래픽에 내재된 복잡한 관계를 포착하는 데 한계가 있다. 이에 본 연구는 정형 데이터를 이미지로 변환하여 CNN을 활용하는 3단계 경량 침입 탐지 사전학습 프레임워크를 제안한다. (1) 먼저, SHAP기반의 특징 선택을 통해 침입 탐지에 중요한 특징만을 유지함으로써 데이터를 압축한다. (2) 선별된 데이터는 LVFP 기법을 통해 이미지로 변환된다. 이 기법은 의미론적으로 범주화된 특징 그룹을 RGB 채널에 할당하고 소용돌이 특징 배치를 통해 재배열함으로써, 정형 데이터를 CNN에 최적화된 공간적 패턴으로 재구성한다. (3) 이후 경량 CNN 인코더를 구축하여 변환된 이미지에 대해 대조 학습으로 사전학습시킴으로써, 일반화가능한 특징 표현을 구축한다. 다운스트림 작업으로서 6종의 IDS & IoT 벤치마크 데이터셋에 대해 평가한 결과, 제안한 모델은 최소한의 파라미터 수만으로도 기존 모델을 능가하는 성능을 보였다.