[리서치 브리핑] SHIELD: 헬스케어 IoT 보안을 위한 효율적 ML 기반 이상 탐지

서론

현대 의료 시스템은 IoT 기기를 통해 환자 상태를 실시간으로 모니터링하며 진단과 치료의 효율성을 극대화하고 있습니다. 그러나 이러한 연결성의 확대는 사이버 공격자가 환자의 민감한 데이터에 접근하거나 의료 기기의 기능을 조작할 수 있는 새로운 공격 표면을 생성하였습니다.

특히 ICU와 같은 임계 환경에서는 단순한 데이터 유출을 넘어, 센서의 결함이나 악의적인 데이터 조작이 잘못된 투약이나 치료 결정으로 이어져 환자의 생명을 직접적으로 위협할 수 있습니다. 따라서 단순한 네트워크 보안을 넘어 기기 수준의 이상 탐지가 필수적입니다.

기업 관점에서 의료 IoT 보안은 단순한 IT 이슈가 아니라 환자의 안전과 직결된 리스크 관리의 핵심입니다. 본 자료는 다양한 ML 모델의 성능과 연산 비용을 비교함으로써, 실제 의료 현장의 제한된 컴퓨팅 자원 내에서 어떻게 최적의 보안 체계를 구축할 수 있을지에 대한 기술적 근거를 제공합니다.

원문이 말하는 것

본 연구는 의료 IoT 기기의 연결성 증가로 인한 보안 위협과 운영상 결함 문제를 해결하고자 합니다. 연구진은 ICU 환경의 환자 모니터링 센서와 제어 장치에서 수집된 200,000건의 레코드로 구성된 데이터셋을 활용하여 분석을 수행하였습니다.

방법론적으로는 데이터 전처리, ANOVA F-value와 상호 정보량(MI) 및 재귀적 특성 제거(RFE)를 결합한 특성 선택, 그리고 8가지 ML 모델 평가의 3단계 접근 방식을 취하였습니다. 평가 모델은 지도 학습(XGBoost, KNN), 준지도 학습(GAN, VAE), 비지도 학습(One-Class SVM, Isolation Forest, GNN, LSTM Autoencoder)으로 구성되었습니다.

분석 결과, 장치 결함 탐지에서는 XGBoost가 99%의 정확도와 0.04초의 매우 낮은 연산 비용을 기록하며 최적의 성능을 보였습니다. 사이버 공격 탐지에서는 KNN이 정밀도, 재현율, F1-score에서 거의 완벽한 수치를 기록하며 0.05초의 최저 비용을 달성하였습니다.

반면, GAN은 공격 탐지에서 83%의 정확도와 0.72의 ROC-AUC를 기록하며 가장 낮은 성능과 가장 높은 연산 비용을 보였으며, LSTM Autoencoder 역시 높은 지연 시간과 낮은 정확도로 인해 성능이 저하되는 것으로 나타났습니다.

핵심 실패 요인 심층 분석

첫째, 의료 기기의 운영 결함으로 인한 데이터 신뢰성 상실 리스크가 존재합니다. 본 연구에서 다룬 ‘Faulty Device’ 데이터는 온도 변동, 전원 실패, 센서 오독 등을 포함하며, 이는 잘못된 환자 상태 진단으로 이어집니다. XGBoost가 99%의 정확도로 이를 탐지했지만, LSTM Autoencoder와 같은 모델은 정확도와 ROC-AUC가 현저히 낮아 실제 적용 시 오탐이나 미탐으로 인한 의료 사고 위험을 높일 수 있습니다.

둘째, 네트워크 프로토콜 취약점을 이용한 사이버 공격 리스크입니다. 특히 MQTT 프로토콜 익스플로잇이나 TCP 플래그 이상과 같은 공격은 의료 인프라의 제어권을 탈취할 수 있습니다. KNN은 99%의 F1-score로 이를 효과적으로 탐지하였으나, GAN 모델은 83%의 낮은 정확도와 높은 연산 비용을 보여 실시간 공격 대응 체계에서 치명적인 지연을 초래할 가능성이 큽니다.

셋째, 모델의 연산 효율성과 실시간 탐지 가능 여부의 간극입니다. LSTM Autoencoder는 공격 탐지 시 292.127초라는 매우 높은 연산 비용을 기록하였습니다. 이는 실시간 모니터링이 필수적인 의료 환경에서 탐지 결과가 나오기 전에 이미 공격이 완료되거나 장치 결함으로 인한 피해가 발생할 수 있음을 의미하며, 모델 선택의 실패가 곧 시스템의 실패로 이어지는 구조를 보여줍니다.

출처: Photo by Steve A Johnson on Unsplash

SHIELD 프레임워크의 3단계 데이터 파이프라인 분석

SHIELD 프레임워크는 데이터 전처리, 특성 선택, 모델 평가로 이어지는 체계적인 3단계 데이터 파이프라인을 통해 의료 IoT 환경의 이상 징후를 탐지합니다. 전체 워크플로우의 시작점인 데이터 전처리 단계에서는 데이터의 신뢰성을 높이기 위해 정교한 정제 과정을 거칩니다. 수치형 필드의 결측치는 극단값이나 이상치의 영향을 최소화하기 위해 평균값이 아닌 중앙값 대체법(Median Imputation)을 사용하여 처리하였습니다. 또한 센서 유형(Sensor Type)이나 소스 IP(ip.src)와 같은 범주형 변수는 머신러닝 모델이 오인하지 않도록 원-핫 인코딩(One-hot Encoding)을 적용하여 이진 형식으로 변환하였습니다. 스케일링의 경우, XGBoost와 같은 전통적인 모델에는 StandardScaler를, VAE, GAN, LSTM Autoencoder와 같은 딥러닝 모델에는 경사 하강법 최적화와 수렴 속도 향상을 위해 MinMax 스케일링을 각각 적용하여 학습 효율을 극대화하였습니다.

SHIELD가 분석 대상으로 삼은 데이터셋은 크게 두 가지 범주로 구성되어 있습니다. 공격 데이터(Attack Data)는 네트워크 트래픽 메타데이터(frame.time delta, frame.len 등), 소스 및 목적지 정보(ip.src, ip.dst, tcp.srcport, tcp.dstport 등), 그리고 TCP 플래그(ack, fin, push, reset, syn)와 MQTT 프로토콜 플래그(mqtt.conflag.qos, mqtt.retain, mqtt.topic)를 포함합니다. 이를 통해 MQTT 프로토콜 익스플로잇이나 TCP 플래그 이상과 같은 악의적인 네트워크 활동을 식별합니다. 장치 데이터(Medical Device Data)는 환자 정보(Patient ID, Timestamp), 센서 정보(Sensor ID, Sensor Type), 그리고 실제 생체 데이터인 생리적 데이터(온도, 수축기 및 이완기 혈압, 심박수, 배터리 잔량)와 대상 혈압 및 심박수 같은 제어 파라미터로 구성되어 장치 기능의 이상 여부를 분석합니다.

두 번째 단계인 특성 선택(Feature Selection)에서는 모델의 계산 효율성과 정확도를 높이기 위해 세 가지 기법을 통합적으로 운용하였습니다. 첫째, ANOVA F-value를 통해 통계적으로 영향력이 큰 특성을 추출하였으며, 공격 탐지에서는 tcp.connection.syn, frame.time delta 등이, 장치 탐지에서는 온도와 수축기 혈압, 심박수가 주요 특성으로 선택되었습니다. 둘째, 선형 및 비선형 관계를 모두 포착할 수 있는 상호 정보량(Mutual Information, MI) 기법을 적용하여 공격 탐지에서는 mqtt.topic len, tcp.flags.reset 등이, 장치 탐지에서는 이완기 혈압과 배터리 잔량이 핵심 변수로 식별되었습니다. 셋째, 재귀적 특성 제거(RFE)를 통해 불필요한 특성을 반복적으로 제거하여 최적의 조합을 도출하였습니다.

이러한 세 가지 특성 선택 기법을 통합한 결과, 사이버 공격 탐지를 위해서는 네트워크 메타데이터, TCP 플래그, MQTT 파라미터를 포함한 총 28개의 고유 특성 세트가 구성되었습니다. 장치 결함 탐지를 위해서는 세 가지 방법론 모두에서 공통적으로 중요하다고 판단된 온도, 수축기 혈압, 이완기 혈압, 심박수, 배터리 잔량이라는 핵심 특성들만을 최종적으로 유지하였습니다. 이러한 특성 최적화 과정은 단순히 데이터의 양을 줄이는 것이 아니라, 모델의 학습 속도를 높이고 실시간 성능을 개선하여 의료 현장에서의 즉각적인 대응을 가능하게 하는 기술적 기반이 됩니다.

마지막 모델 평가 단계에서는 이렇게 정제된 특성 세트를 바탕으로 여덟 가지 머신러닝 모델의 성능을 검증합니다. 평가 지표로는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score, ROC-AUC, 그리고 이상 탐지에 소요되는 연산 시간(Computational Cost)의 총 6가지 지표를 활용하였습니다. 특히 의료 시스템의 특성상 위음성(False Negative)을 최소화하여 환자의 안전을 보장하는 재현율 지표와, 실제 배포 시의 실시간성을 보장하는 연산 비용 분석에 중점을 두어 모델의 실효성을 종합적으로 판단하는 구조를 갖추고 있습니다.

지도 학습 vs 비지도 학습 모델의 성능 격차 분석

지도 학습 모델인 XGBoost와 KNN은 의료 IoT 환경에서 고성능과 저비용이라는 두 마리 토끼를 모두 잡은 결과를 보여주었습니다. 장치 결함 탐지에서 XGBoost는 99%의 정확도와 함께 0.04초라는 매우 짧은 연산 비용을 기록하였으며, 사이버 공격 탐지에서는 KNN이 정밀도, 재현율, F1-score 전반에서 거의 완벽한 수치를 달성함과 동시에 0.05초의 최저 연산 비용을 나타냈습니다. 이는 레이블이 명확한 의료 데이터셋에서 지도 학습 알고리즘이 패턴을 효율적으로 학습하여 실시간 탐지에 최적화된 효율성을 제공함을 입증합니다.

반면, 딥러닝 기반의 GAN과 LSTM Autoencoder는 성능과 비용 모든 측면에서 심각한 효율성 저하를 보였습니다. 특히 GAN은 공격 탐지에서 83%의 낮은 정확도와 0.72의 ROC-AUC를 기록하며 가장 낮은 성능을 보였음에도 불구하고, 연산 비용은 타 모델 대비 가장 높게 측정되었습니다. LSTM Autoencoder 역시 장치 결함 탐지 시 낮은 정확도와 높은 지연 시간을 보였으며, 특히 사이버 공격 탐지에서는 292.127초라는 극단적으로 높은 연산 비용을 기록하여 실시간 대응 가능성을 사실상 상실한 모습을 보였습니다.

그림 6과 그림 12의 연산 비용(Computational Cost) 데이터를 F1-score와 결합하여 분석하면, 모델의 복잡도와 탐지 성능 사이에 역설적인 상관관계가 나타납니다. 일반적으로 모델이 복잡할수록 성능이 향상될 것으로 기대하지만, 본 실험에서는 XGBoost와 KNN 같은 비교적 가벼운 모델들이 가장 높은 F1-score를 기록하면서도 로그 스케일 상에서 최하단의 연산 비용을 유지하였습니다. 이는 의료 IoT 데이터의 특성이 매우 복잡한 비선형 구조보다는 명확한 통계적 변별력을 가지고 있음을 시사합니다.

구체적으로 LSTM Autoencoder와 GNN의 사례를 보면, 이들은 복잡한 관계 모델링 능력을 갖추고 있음에도 불구하고 F1-score와 정확도가 낮게 형성되었습니다. 특히 그림 7과 12에서 확인할 수 있듯, 연산 비용이 기하급수적으로 증가함에도 불구하고 정작 탐지 신뢰도를 나타내는 F1-score는 하락하는 추세를 보였습니다. 이는 불필요하게 높은 계산 복잡도가 오히려 과적합을 유발하거나, 의료 IoT 데이터셋의 특성과 맞지 않는 아키텍처였을 가능성을 보여줍니다.

이러한 성능 격차는 준지도 및 비지도 학습 모델들이 가진 한계점과도 연결됩니다. VAE가 97%의 정확도로 준수한 성능을 보이고 Isolation Forest가 99%의 재현율을 기록하며 어느 정도 경쟁력을 보였으나, 이들 역시 최상위권인 지도 학습 모델의 효율성에는 미치지 못했습니다. 특히 GAN의 경우 적대적 학습 과정의 불안정성으로 인해 낮은 ROC-AUC와 높은 연산 비용이라는 최악의 조합을 나타내며 의료 보안 적용에 부적합함을 드러냈습니다.

결과적으로 SHIELD 프레임워크의 분석 결과는 모델의 ‘무거운’ 구조가 반드시 ‘정교한’ 탐지로 이어지지 않는다는 점을 수치로 증명합니다. XGBoost와 KNN이 보여준 고성능-저비용 구조는 제한된 자원을 가진 엣지 디바이스 환경에서 최적의 선택지임을 보여주며, 반대로 GAN과 LSTM Autoencoder가 보여준 저성능-고비용 결과는 실시간성이 생명인 의료 현장에서 이러한 모델들의 도입이 시스템 전체의 병목 현상을 초래할 수 있음을 경고합니다.

의료 IoT 특화 특성 공학(Feature Engineering) 기법

SHIELD 프레임워크는 단순한 원시 데이터 활용을 넘어 의료 도메인 지식을 결합한 특성 공학(Feature Engineering)을 통해 탐지 정밀도를 극대화하였습니다. 특히 생체 신호의 동적인 변화를 포착하기 위해 도입된 심박수 편차(Heart Rate Deviation, HRD)와 혈압 편차(Blood Pressure Deviation, BPD) 계산 방식이 핵심적입니다. 이 두 지표는 실시간 측정값과 사전에 정의된 윈도우 내 이동 평균(Rolling Mean) 간의 절대 차이를 계산하여 산출합니다. 이를 통해 단순한 수치 임계값 초과 여부가 아니라, 시간에 따른 생체 데이터의 비정상적인 변동성을 포착함으로써 센서 결함이나 환자의 급격한 상태 악화를 더욱 정확하게 식별할 수 있게 되었습니다.

사이버 공격 탐지를 위해서는 네트워크 트래픽 로그를 기반으로 한 TCP Anomaly Score를 새롭게 도입하였습니다. 이 점수는 tcp.flags.ack, tcp.flags.push, tcp.flags.reset, tcp.flags.syn과 같은 TCP 플래그의 분포와 네트워크 트래픽 행태를 분석하여 통계적 편차를 기반으로 계산됩니다. 통계적 편차가 클수록 높은 점수가 부여되며, 이는 단순한 패킷 전송 이상이 아닌 악의적인 공격 활동일 가능성이 높음을 시사합니다. 이러한 방식은 MQTT 프로토콜 익스플로잇이나 TCP 플래그 이상과 같은 정교한 네트워크 공격을 효과적으로 구분해내는 기준이 됩니다.

또한, 의료 환경의 특수성을 반영하여 시간 기반 특성(Time-based features)을 추가로 추출하였습니다. 하루 중 어느 시간대인지, 혹은 어느 요일인지에 대한 정보를 데이터셋에 포함시켜 시간적 패턴을 분석하였습니다. 이는 교대 근무 시간대의 사이버 공격 증가 경향이나 장시간 가동된 센서에서 발생하는 성능 저하 및 결함 패턴을 식별하는 데 기여하였습니다. 이러한 시간적 맥락의 결합은 모델이 이상 징후가 발생하는 상황적 배경을 이해하게 하여 오탐률을 낮추는 효과를 가져왔습니다.

이러한 도메인 특화 특성들은 원시 데이터가 제공하지 못하는 깊이 있는 통찰을 모델에 제공합니다. 생체 데이터의 편차 분석은 의료 기기의 하드웨어적 결함을, TCP Anomaly Score는 네트워크 계층의 보안 위협을 각각 정밀하게 타격합니다. 결과적으로 이러한 특성 공학 과정은 데이터셋을 풍부하게 만들어, 이후 단계인 ANOVA F-value, 상호 정보량(MI), 재귀적 특성 제거(RFE) 등의 특성 선택 과정에서 가장 영향력 있는 변수들이 선정될 수 있도록 뒷받침하였습니다.

최종적으로 이러한 공학적 접근은 모델의 실질적인 성능 향상으로 이어졌습니다. 특히 XGBoost와 KNN과 같은 모델들이 매우 낮은 연산 비용(각각 0.04초, 0.05초) 내에서도 99%에 달하는 높은 정확도와 F1-score를 달성할 수 있었던 것은, 모델 자체의 알고리즘 성능뿐만 아니라 입력값으로 들어온 특성들이 이미 의료 및 보안 도메인의 핵심 정수를 포함하고 있었기 때문입니다. 즉, 복잡한 딥러닝 구조에 의존하기보다 데이터 자체의 표현력을 높임으로써 실시간성이 강조되는 ICU 환경에 최적화된 탐지 체계를 구축할 수 있었습니다.

다만, 각 특성 공학 기법의 구체적인 수학적 공식이나 이동 평균 윈도우의 정확한 시간 범위, 그리고 TCP Anomaly Score의 세부 가중치 산정 방식 등에 대해서는 원문에 명시되지 않았습니다. 그럼에도 불구하고 도메인 지식을 활용한 특성 추출이 단순한 데이터 스케일링보다 이상 탐지 정밀도 향상에 결정적인 역할을 했음은 실험 결과로 입증되었습니다.

모델별 하이퍼파라미터 설정 및 학습 전략

SHIELD 프레임워크는 장치 결함 탐지와 사이버 공격 탐지라는 두 가지 서로 다른 목적에 맞추어 최적화된 하이퍼파라미터 설정과 학습 전략을 채택하였습니다. 장치 결함 탐지(Faulty Device Detection)를 위해 설정된 하이퍼파라미터를 살펴보면, 지도 학습 모델인 XGBoost는 학습률(Learning rate) 0.1, 최대 깊이(Max depth) 6, 평가 지표로 logloss를 설정하였습니다. KNN의 경우 k=5와 유클리드 거리(Euclidean distance) 측정 방식을 사용하였습니다. 준지도 학습 모델인 GAN은 잠재 공간(Latent space) 10, 에포크(Epochs) 100, 배치 크기(Batch size) 64로 구성되었으며, VAE는 잠재 공간 2, 에포크 100, 배치 크기 32로 설정되었습니다.

비지도 학습 모델들의 설정값 또한 구체적으로 명시되었습니다. One-Class SVM은 nu=0.2와 RBF 커널을 사용하였고, Isolation Forest는 오염도(Contamination)를 0.2로 설정하였습니다. GNN은 은닉 채널(Hidden channels) 16, 에포크 100, 학습률 0.01을 적용하였으며, LSTM Autoencoder는 LSTM 유닛 64, 에포크 100, 배치 크기 32로 학습되었습니다. 이러한 설정은 의료 기기의 운영 패턴을 학습하여 정상 범위에서 벗어난 이상치를 식별하는 데 초점을 맞추고 있습니다.

의료 사이버 보안(Healthcare Cybersecurity) 탐지를 위한 하이퍼파라미터는 장치 결함 탐지와는 다르게 조정되었습니다. XGBoost와 KNN은 이전과 동일한 설정을 유지하였으나, GAN은 에포크를 1000으로 대폭 늘리고 잠재 공간 10, 배치 크기 64를 적용하여 더 정교한 학습을 도모하였습니다. VAE 역시 잠재 공간을 10으로 확장하고 에포크를 200, 배치 크기를 32로 설정하여 네트워크 트래픽의 복잡한 패턴을 반영하고자 하였습니다.

사이버 보안을 위한 비지도 학습 설정에서는 One-Class SVM의 nu를 0.1로, 감마(Gamma)를 0.1로 조정하고 RBF 커널을 사용하였습니다. Isolation Forest의 오염도는 0.1로 낮추었으며, GNN은 은닉 채널을 32로 확장하고 에포크 100, 학습률 0.01을 설정하였습니다. LSTM Autoencoder는 LSTM 유닛 64를 유지하되 에포크를 200, 배치 크기를 32로 설정하여 시계열 네트워크 데이터의 특징을 추출하도록 하였습니다.

학습 데이터 분할 및 적용 전략에서도 목적에 따른 차이를 보입니다. 장치 결함 탐지의 경우, XGBoost와 KNN 모델에 대해 층화 추출법(Stratified split)을 사용하여 학습 데이터 70%, 테스트 데이터 30%로 분할함으로써 원래의 이상치 분포를 보존하였습니다. 반면, 사이버 공격 탐지에서의 XGBoost는 일부 공격 패턴이 이미 식별되어 레이블링된 시나리오를 가정하여 전체 레이블 데이터셋을 학습에 활용하는 전략을 취하였습니다.

특이한 전략으로 GAN의 경우, 장치 결함 탐지 시에는 생성된 샘플과 실제 샘플 간의 평균 절대 오차(MAE)를 기반으로 재구성 오차가 80백분위수 임계값을 초과하는 경우를 이상치로 분류하였습니다. 그러나 사이버 보안 탐지 시에는 재구성 오차가 아닌 판별자(Discriminator)의 신뢰도 점수(Confidence scores)를 활용하여 공격 여부를 판단하는 차별화된 접근 방식을 적용하였습니다.

마지막으로 VAE, GNN, LSTM Autoencoder와 같은 모델들은 공통적으로 재구성 오차(Reconstruction error)를 계산하고, 이 값이 80백분위수 임계값을 초과할 때 이상치로 분류하는 전략을 사용하였습니다. One-Class SVM은 정상 네트워크 트래픽 데이터만을 사용하여 학습함으로써 정상 상태의 결정 경계를 구축하는 전략을 통해 미지의 사이버 위협을 탐지하도록 설계되었습니다.

의료 IoT 이상 탐지 모델 선정 및 검증 체크리스트

실무 엔지니어링 파이프라인에서 이와 같은 시스템 붕괴를 사전에 차단하기 위해 다음 핵심 방어 체계를 운영 단계에 강제해야 합니다.

• 연산 비용 검증: 탐지 지연 시간이 실시간 의료 대응 기준(예: XGBoost 0.04s 수준)을 충족하는가?
• 데이터 특성 분석: 분석 대상이 사이버 공격(네트워크 메타데이터)인지 장치 결함(생체 신호)인지에 따라 최적 모델(KNN vs XGBoost)을 구분하여 적용하였는가?
• 특성 선택 최적화: ANOVA F-value, MI, RFE 등을 통해 도메인 지식이 반영된 핵심 특성(예: 심박수 편차, TCP Anomaly Score)을 추출하였는가?
• 학습 패러다임 적합성: 레이블 데이터 확보 수준에 따라 지도, 준지도, 비지도 학습 모델의 적용 우선순위를 설정하였는가?
• 임계값 설정: VAE나 GAN과 같은 재구성 기반 모델 사용 시, 이상치 판정을 위한 백분위 임계값(예: 80th percentile)이 의료 현장의 허용 오차 범위 내에 있는가?
• 엣지 배포 가능성: 제안된 모델이 저전력 의료 센서나 웨어러블 기기 등 리소스 제한적 환경에서도 작동 가능한 경량 구조인가?

필자의 생각과 실무 제언

현업 아키텍트 입장에서 볼 때, 이 논문은 ‘최신 딥러닝 모델이 항상 정답은 아니다’라는 고전적이지만 중요한 교훈을 줍니다. 많은 엔지니어들이 GAN이나 Autoencoder 같은 화려한 모델에 매몰되기 쉽지만, 실제 정형 데이터 기반의 이상 탐지에서는 잘 튜닝된 XGBoost나 KNN이 훨씬 강력하고 효율적이라는 점이 수치로 증명되었습니다.

특히 헬스케어 도메인에서는 ‘정확도’만큼이나 ‘신뢰성’과 ‘속도’가 중요합니다. 292초의 지연 시간을 가진 모델은 아무리 ROC-AUC가 높더라도 의료 현장에서는 폐기 처분되어야 할 모델입니다. 연산 비용을 로그 스케일로 분석하여 제시한 점이 매우 실무적입니다.

다만, 본 연구는 정적인 데이터셋 기반의 평가에 그쳤다는 한계가 있습니다. 실제 환경에서는 데이터 드리프트(Data Drift)가 빈번하므로, 제안된 지도 학습 모델들이 시간이 지남에 따라 어떻게 성능이 저하되는지, 그리고 이를 보완하기 위한 재학습 전략은 무엇인지에 대한 후속 연구가 반드시 병행되어야 할 것입니다.

결론 및 엔터프라이즈 거버넌스 가이드

사내 AI 프로젝트가 PoC 단계의 초기 데모에 머물지 않고 실제 비즈니스 가치로 안착하기 위해서는 기획 단계부터 다음 거버넌스 원칙을 확립해야 합니다.

1. 실시간성 우선 원칙: 의료 IoT 보안 모델은 탐지 정확도보다 탐지 지연 시간(Latency)을 최우선 KPI로 설정하여 평가한다.
2. 모델 단순성 원칙: 동일 성능 수준일 경우, 유지보수와 배포가 용이한 단순한 ML 모델(Supervised Learning)을 복잡한 딥러닝 모델보다 우선 채택한다.
3. 도메인 특성 결합 원칙: 단순 데이터 학습이 아닌, 의료 도메인 지식을 활용한 특성 공학(Feature Engineering) 과정을 필수적으로 포함한다.
4. 다중 패러다임 검증 원칙: 단일 모델에 의존하지 않고 지도, 준지도, 비지도 학습 모델을 교차 검증하여 탐지 결과의 일관성을 확보한다.

참고 문헌 및 원문 분석 자료