[논문 리뷰] Game-Theoretic and Machine Learning-based Approaches for Defensive Deception: A Survey

Mu Zhu, Ahmed H. Anwar외 4명|arXiv (Cornell University)|2021. 01. 21.

Information and Cyber Security참고 문헌 159인용 수 13

한 줄 요약

이 종합 검토는 사이버보안 분야의 방어적 속임수 기법에 대해 게임 이론과 기계학습 기반 접근법을 통합하여 분석하며, 전략적 의사결정 및 현실적인 속임수 생성을 향상시키기 위해 두 분야 간의 상호보완성을 규명한다. 본 논문은 기법, 메트릭, 테스트베드, 그리고 한계에 대한 종합적 분석을 제공하며, 하이브리드 방어적 속임수 시스템을 위한 주요 연구 격차와 향후 방향성을 제시한다.

ABSTRACT

Defensive deception is a promising approach for cyber defense. Via defensive deception, the defender can anticipate attacker actions; it can mislead or lure attacker, or hide real resources. Although defensive deception is increasingly popular in the research community, there has not been a systematic investigation of its key components, the underlying principles, and its tradeoffs in various problem settings. This survey paper focuses on defensive deception research centered on game theory and machine learning, since these are prominent families of artificial intelligence approaches that are widely employed in defensive deception. This paper brings forth insights, lessons, and limitations from prior work. It closes with an outline of some research directions to tackle major gaps in current defensive deception research.

연구 동기 및 목표

• 사이버보안 분야의 방어적 속임수를 위한 게임 이론 및 기계학습 기반 접근법을 체계적으로 분석하기 위해.
• 게임 이론과 기계학습 간의 상호보완성을 규명하여 속임수 전략과 현실성 향상에 기여하기 위해.
• 다양한 위협 모델에서의 탐지 정확도, 구현 가능성, 효과성 측면에서 기존의 방어적 속임수 기법을 평가하기 위해.
• 현재 연구의 한계, 특히 이상화된 가정에 대한 과도한 의존성과 현실적인 테스트베드의 부족함을 부각하기 위해.
• 전략적 추론과 데이터 기반 학습을 통합하는 하이브리드 방어적 속임수 시스템을 위한 향후 연구 방향을 제안하기 위해.

제안 방법

• 공격 유형, 구현 계층, 방어 목표를 기반으로 방어적 속임수 기법을 분류하는 분류 체계를 사용한다.
• 방어자-공격자 간의 상호작용을 전략적 게임으로 프레임워크화하고, 유용성 최적화 및 신뢰도 갱신을 고려한 게임 이론 모델을 분석한다.
• 실제 시스템 요소를 모방하는 고해상도 디커프와 가짜 데이터를 생성하기 위한 기계학습 기법을 검토한다.
• 기계학습을 통해 상대방의 유형과 신뢰도를 추정하여, 더 유연한 속임수 전략을 가능하게 하기 위해 게임 이론과 기계학습을 통합한다.
• 탐지 정확도, 유용성, 속임수 적용 시 성능 저하 등의 메트릭을 사용하여 기법을 평가한다.
• 불완전한 정보와 비동기적 지식을 반영하는 현실적인 테스트베드의 필요성을 제안한다.

실험 결과

연구 질문

• RQ1 게임 이론과 기계학습을 효과적으로 융합하여 방어적 속임수의 전략적 요소와 현실성 요소를 향상시킬 수 있는가?
• RQ2 방어적 속임수 기법을 구현할 경우, 보안 효과성과 성능 저하 사이의 주요 트레이드오프는 무엇인가?
• RQ3 부분 정보나 비대칭 정보가 존재하는 현실적인 네트워크 환경에서 기존의 방어적 속임수 접근법은 어떻게 작동하는가?
• RQ4 실제 시스템에서 방어적 속임수의 효과성과 효율성을 평가하는 데 가장 적합한 메트릭은 무엇인가?
• RQ5 기존의 보안 서비스(예: IDS, IPS)와의 융합을 고려할 때, 하이브리드 방어 아키텍처는 어떻게 설계되어야 하는가?

주요 결과

• 게임 이론 기반 접근법은 불확실성 하에서 최적의 속임수를 구현하기 위한 강력한 전략적 프레임워크를 제공하지만, 종종 완전하거나 공통 지식을 전제로 하여 현실적으로 부적절하다.
• 기계학습 기반 기법은 현실적인 디커프와 가짜 데이터 생성에 뛰어나지만, 적대적 불확실성 하에서 내재된 전략적 추론 능력이 부족하다.
• 게임 이론과 기계학습의 융합은 더 나은 신뢰도 형성과 적응형 속임수 전략을 가능하게 하여 현실성과 전략적 효과성을 동시에 향상시킨다.
• 대부분의 기존 연구는 시뮬레이션 또는 이론적 증명에 의존하며, 불완전한 정보와 동적인 환경을 모의하는 현실적인 테스트베드의 사용은 제한적이다.
• 방어적 속임수의 성능 비용, 즉 시스템 오버헤드와 자원 소비를 평가하는 데 상당한 격차가 존재한다.
• 향후 연구는 도메인 특화 게임 이론 프레임워크 개발과 기존 보안 서비스와의 체계적 통합에 초점을 맞춰야 하며, 중복을 방지하고 비용 효율성을 향상시켜야 한다.