F5 사이버 보안 연구 발표: ML/AI 프레임워크의 성능 및 효과

최근 F5는 다양한 머신러닝(ML)/인공지능(AI) 프레임워크를 실증적으로 분석하여 분산 방식으로 ML/AI 알고리즘을 실행할 때의 성능과 효과를 평가한 Elsevier Network Security 저널의 연구 논문을 발표했습니다. 이 연구에서는 NVIDIA의 Morpheus, ONNX, TF/SKL 등 다양한 고급 ML/AI 프레임워크를 활용해 대규모 사이버 보안을 크게 향상하는 방안을 살펴봅니다. 그 결과, 최적화된 모델 형식과 GPU 기반 병렬 워크로드 처리를 통해 탐지 역량을 강화할 수 있었습니다. 소프트웨어 최적화와 하드웨어 가속을 결합함으로써 지연 시간을 단축했을 뿐만 아니라 전체 처리량도 늘렸습니다.

다양한 ML/AI 프레임워크(NVIDIA의 Morpheus, ONNX, TF/SKL)를 비교하기 위해 알고리즘으로 생성된 도메인(AGD) 탐지 문제를 선정했습니다. 일반적으로 공격자는 도메인 생성 알고리즘(DGA)을 사용하여 데이터 유출 및 DNS 계층을 통한 명령 및 제어(C&C) 통신에 이용할 AGD를 생성합니다. 다양한 ML/AI 프레임워크를 테스트하기 위해 DGA 위협 탐지 모델을 사용했습니다.

AGD 탐지용 ML/AI 모델을 주어진 플랫폼에 배포하고 배치 크기 32와 1024로 실행했습니다. GPU 구성은 각 배치 크기에서 TensorFlow 구현의 CPU 구성보다 각각 11배와 43배 높은 성능을 보였습니다. ONNX 모델 형식을 사용했을 때 CPU 실행 공급자는 배치 크기 32에서 TensorFlow CPU보다 5배, 배치 크기 1024에서는 1.5배 높은 성능을 보였습니다. CUDA GPU 실행 공급자를 사용한 ONNX는 배치 크기 32와 1024에서 CPU 실행 공급자를 사용한 ONNX보다 각각 6배와 13배 높은 성능을 보였습니다. Morpheus-GPU는 다른 아키텍처보다 뛰어난 성능을 보였으며, 배치 크기 32와 1024에서 각각 초당 22,382건과 208,077건의 요청 처리량을 달성했습니다. 이는 TensorFlow-GPU 구성과 비교해 처리량이 200배 증가한 수치입니다.

분석 결과, Morpheus-GPU는 뛰어난 지연 시간과 처리량을 제공하므로 대규모 네트워크를 지원할 때 더 큰 배치 크기를 사용할 수 있는 것으로 나타났습니다. Morpheus-GPU와 캐싱을 활용하면 데이터 센터 수준의 DNS 트래픽에서 실시간 DGA 탐지가 가능합니다.

이 연구를 통해 얻은 주요 교훈은 다음과 같습니다:

• 사이버 공격과 내재된 위협을 방지하려면 저장된 데이터 세트를 활용하는 성숙한 위협 탐지 솔루션이 필요하며, 이러한 데이터 세트에서 위협 인텔리전스를 추출해야 합니다.
• AI/ML 알고리즘이 대규모 데이터를 빠르게 학습하고 훈련하여 사이버 공격과 위협을 더욱 효과적으로 탐지하려면 하드웨어 가속(AI 프레임워크)이 필요합니다.
• Morpheus AI 프레임워크는 빠른 의사 결정을 지원하며, ONNX, TF 등의 다른 ML/AI 프레임워크에 비해 짧은 지연 시간과 높은 처리량으로 데이터를 처리할 수 있는 추론 기능을 제공합니다.

조직은 이 연구를 활용하여 대규모 데이터를 처리하고 추론 결과를 빠르고 확장 가능한 방식으로 얻을 수 있는 견고한 인프라(처리 장치와 ML/AI 프레임워크의 조합)를 선택함으로써 AI 가속 사이버 보안을 구현할 수 있습니다. 또한 이 연구를 통해 조직은 ML/AI 프레임워크와 관련해 검증된 결과를 활용하는 방법을 기존 제품, 특히 ML/AI 분야의 제품에 적용할 수 있습니다.

다음에서 논문 사본을 받아보세요: Network Security Journal 온라인 포털.