경량 디바이스 기반 리플레이 공격 탐지를 위한 하이브리드 피처 셀렉션 기법

초록

스마트워치와 같이 보이스 어시스턴트가 탑재된 웨어러블 디바이스의 보급이 확대되면서, 이를 악용한 리플레이 공격의 위협이 심화되고 있다. 리플레이 공격은 음성 명령을 녹음 후 재전송함으로써 인증을 우회하는 방식으로, 사용자 보안에 큰 위협이 된다. 이를 대응하기 위한 다양한경량 탐지 모델이 제안되었지만, 고차원 피처 사용으로 인한 연산 비용과 중복 피처 문제로 인해 실제 환경에서의 적용에는 한계가 있다. 본 연구는성능 기여도가 높은 피처만을 자동으로 선택할 수 있는 강화학습 기반 피처 셀렉션 기법을 도입하여, 탐지 성능과 연산 효율성을 동시에 확보하는경량 탐지 프레임워크를 제안한다. 특히 SHAP 및 Permutation Importance 기반의 피처 중요도 평가 기법을 병행 적용하고, 강화학습 기반 결과와융합하여 신뢰도 높은 Top-K 피처셋을 구성함으로써, 설명 가능성과 일반화를 동시에 달성하고자 한다. 제안된 프레임워크는 특정 피처셋에만한정되지 않고 적용 가능한 범용적 구조를 지닌다. 실험을 통해, 최소한의 피처만으로 높은 탐지 성능을 유지하는 동시에, 입력 차원 축소에 따른연산 비용 절감, 학습 효율 향상 등의 실질적인 경량화 효과를 입증하였다.

키워드