연합 학습(Federated Learning) 연구: 전체 정확도가 감추는 클래스 불균형의 함정

요약

연합학습(Federated Learning) 알고리즘(FedAvg, FedProx, FedNova)을 이용한 네트워크 침입 탐지 연구 결과, 높은 전체 정확도가 특정 공격 유형을 완전히 놓치는 심각한 결함을 숨길 수 있다는 점이 확인됐다. CICIDS2017 데이터셋을 사용하여 공격 유형별로 4개의 사일로로 데이터를 분할한 결과, 전체 300만 개 샘플 중 웹 공격(Web Attacks) 데이터가 3천 개에 불과한 극심한 데이터 불균형 문제가 발생했다. FedAvg 모델은 96%의 높은 전체 정확도를 보였으나, 데이터가 부족한 마이너리티 사일로의 정확도는 49%에 그쳤다. 특히 해당 사일로 내 공격 클래스에 대한 재현율(Recall)은 0.00을 기록하여, 모든 웹 공격 탐지에 실패하는 현상이 나타났다. 이는 전체 지표만으로는 모델의 실질적인 성능이나 취약점을 판단할 수 없음을 시사한다.

AI가 원문을 요약한 내용으로, 부정확할 수 있습니다.