[리서치 브리핑] SHIELD: 헬스케어 IoT 이상 탐지를 위한 효율적 ML 프레임워크

서론

현대 의료 환경에서 IoT 기기의 도입은 환자 모니터링과 진단 효율성을 획기적으로 높였습니다. 하지만 이러한 연결성의 확대는 외부 사이버 공격의 접점을 늘리고, 장치 자체의 결함으로 인한 오작동 리스크를 동시에 증가시켰습니다.

의료 데이터의 특성상 아주 작은 수치의 오류나 짧은 시간의 시스템 중단이 환자의 생명에 직결될 수 있습니다. 따라서 단순한 보안 솔루션을 넘어, 장치의 물리적 결함과 네트워크상의 공격을 동시에 식별할 수 있는 통합 탐지 체계가 절실한 상황입니다.

기업 및 병원 운영 관점에서는 고가의 고성능 서버를 도입하는 것보다, 웨어러블 기기나 엣지 디바이스 수준에서 빠르게 작동할 수 있는 ‘가벼우면서도 정확한’ 모델을 확보하는 것이 실질적인 구현 가능성을 결정짓습니다.

본 리서치는 다양한 ML 패러다임을 비교함으로써, 의료 IoT라는 특수한 제약 조건 하에서 어떤 알고리즘이 가장 실효성이 있는지에 대한 공학적 근거를 제시합니다.

원문이 말하는 것

본 연구는 IoT 의료 기기의 연결성 증가로 인한 보안 취약성과 운영상 오류가 환자의 안전과 데이터 프라이버시를 위협하는 문제를 해결하고자 합니다. 이를 위해 ICU 환경의 환자 모니터링 센서와 제어 유닛에서 수집된 200,000건의 레코드로 구성된 데이터셋을 활용하였습니다.

연구진은 데이터 전처리, 특성 선택, 모델 평가의 3단계 접근 방식을 취하였습니다. 특성 선택 단계에서는 ANOVA F-value, 상호 정보량(Mutual Information), 재귀적 특성 제거(RFE)를 통합하여 최적의 특성 집합을 구성하였습니다. 분석 대상 모델은 지도 학습(XGBoost, KNN), 준지도 학습(GAN, VAE), 비지도 학습(One-Class SVM, Isolation Forest, GNN, LSTM Autoencoder) 등 총 8가지입니다.

장치 결함 탐지 결과, XGBoost가 99%의 정확도와 0.04초의 낮은 계산 비용을 기록하며 가장 우수한 성능을 보였습니다. Isolation Forest 역시 높은 정확도와 재현율을 보였으나, GAN은 상대적으로 높은 계산 비용이 수반되었습니다. LSTM Autoencoder와 GNN은 낮은 정확도와 높은 지연 시간으로 인해 효율성이 떨어지는 것으로 나타났습니다.

사이버 공격 탐지에서는 KNN이 0.05초의 최저 계산 비용과 함께 정밀도, 재현율, F1-score에서 거의 완벽한 성능을 보였습니다. VAE는 97%의 정확도로 그 뒤를 이었으며, GAN은 83%의 정확도와 0.72의 ROC-AUC를 기록하며 가장 낮은 성능을 보였습니다.

핵심 실패 요인 심층 분석

첫째, 의료 IoT 환경에서 발생하는 데이터의 특성과 모델의 부적합성 리스크입니다. 연구 결과에 따르면 LSTM Autoencoder와 GNN 같은 복잡한 모델들은 높은 계산 비용을 요구함에도 불구하고, 정작 의료 데이터의 이상 탐지 정확도는 낮게 나타났습니다. 이는 데이터의 복잡성이 모델의 구조적 복잡성과 반드시 비례하지 않음을 의미하며, 과도하게 무거운 모델 도입이 오히려 실시간 탐지 성능을 저하시키는 결과를 초래합니다.

둘째, 준지도 및 비지도 학습 모델의 탐지 신뢰도 문제입니다. GAN의 경우 사이버 공격 탐지에서 83%의 정확도와 0.72의 ROC-AUC라는 낮은 성능을 보였습니다. 특히 GAN은 계산 비용이 가장 높았음에도 결과가 좋지 않았는데, 이는 적대적 학습 방식이 헬스케어 IoT의 특정 공격 패턴을 학습하는 데 한계가 있음을 시사합니다.

셋째, 계산 지연 시간으로 인한 대응 골든타임 상실 리스크입니다. LSTM Autoencoder는 사이버 공격 탐지 시 292.127초라는 매우 높은 계산 비용을 기록하였습니다. 초 단위의 대응이 필요한 ICU 환경에서 이러한 지연 시간은 탐지에 성공하더라도 이미 피해가 발생한 후라는 점에서 치명적인 결함이 됩니다.

출처: Photo by Hitesh Choudhary on Unsplash

SHIELD 프레임워크의 데이터 전처리 및 특성 공학 상세

SHIELD 프레임워크는 ICU 환경의 환자 모니터링 센서와 제어 유닛에서 수집된 200,000건의 레코드를 기반으로 하며, 분석 대상 데이터는 Table I의 ‘IoT 의료 인프라 공격 데이터’와 Table II의 ‘의료 장치 데이터’로 구분됩니다. 공격 데이터는 네트워크 트래픽 메타데이터, IP 및 포트 정보, TCP 및 MQTT 프로토콜 플래그를 포함하여 네트워크상의 악성 활동을 포착합니다. 반면 장치 데이터는 환자 식별 정보, 센서 유형, 온도, 혈압(수축기/이완기), 심박수, 배터리 수준 및 목표 건강 상태와 같은 제어 파라미터를 포함하여 하드웨어의 물리적 결함을 식별하는 데 집중합니다.

데이터 세척 단계에서는 수치형 필드의 결측치를 처리하기 위해 중앙값 대체(Median Imputation) 방식을 적용하였습니다. 이는 의료 센서 데이터에서 흔히 발생하는 극단적인 이상치(Outliers)가 평균값에 미치는 영향을 최소화하여 데이터의 무결성을 유지하기 위한 선택입니다. 범주형 변수인 센서 유형(Sensor Type)과 소스 IP(ip.src)는 원-핫 인코딩(One-Hot Encoding)을 통해 이진 형식으로 변환함으로써, 모델이 범주 데이터를 서열 데이터로 오인하는 것을 방지하고 데이터의 본질적인 특성을 보존하였습니다.

정규화 과정에서는 적용되는 머신러닝 모델의 특성에 따라 서로 다른 스케일링 기법을 전략적으로 사용하였습니다. XGBoost와 같은 전통적인 머신러닝 모델의 경우 StandardScaler를 사용하여 특성을 표준화함으로써 학습 효율을 높였습니다. 반면 VAE, GAN, LSTM Autoencoder와 같은 딥러닝 모델들은 경사 하강법 기반의 최적화 과정에서 수렴 속도를 높이고 학습 과정을 안정화하기 위해 MinMax 스케일링을 적용하였습니다.

단순한 원천 데이터를 넘어 탐지 정밀도를 높이기 위해 도메인 지식을 결합한 특성 공학(Feature Engineering)이 수행되었습니다. 특히 생체 신호의 변동성을 포착하기 위해 심박수 편차(HRD)와 혈압 편차(BPD) 특성을 생성하였습니다. 이는 실시간 측정값과 사전 정의된 윈도우 내의 이동 평균(Rolling Mean) 사이의 절대 차이를 계산한 것으로, 이를 통해 단순 수치 범위를 벗어나지 않더라도 발생하는 비정상적인 변동이나 센서의 오작동을 효과적으로 식별할 수 있게 되었습니다.

또한 시간 기반 특성을 추출하여 분석에 활용하였습니다. 하루 중 시간대나 요일 정보를 추출함으로써 교대 근무 시간 중에 증가하는 사이버 공격 패턴이나, 장기간 가동 시 발생하는 센서 결함과 같은 시간적 패턴을 파악할 수 있도록 하였습니다. 이러한 시간적 맥락의 추가는 모델이 이상 징후의 발생 시점과 환경적 요인 사이의 상관관계를 학습하는 데 기여합니다.

네트워크 보안 측면에서는 TCP 플래그 분포와 트래픽 행동을 분석하여 TCP 이상 점수(TCP Anomaly Score)를 도입하였습니다. 구체적으로 tcp.flags.ack, tcp.flags.push, tcp.flags.reset, tcp.flags.syn 등 Table I에 명시된 프로토콜 플래그의 통계적 편차를 분석하여 점수를 산출하였습니다. 이 점수가 높을수록 악성 활동의 가능성이 큰 것으로 판단하며, 이는 네트워크 메타데이터만으로는 식별하기 어려운 정교한 사이버 공격을 탐지하는 핵심 지표로 활용됩니다.

이와 같은 정교한 전처리 및 특성 공학 과정은 raw 데이터가 제공하는 정보 이상의 깊은 통찰력을 모델에 제공합니다. 특히 도메인 지식이 반영된 HRD, BPD, TCP 이상 점수는 의료 IoT 환경 특유의 물리적 결함과 네트워크 위협을 정밀하게 구분해내는 기반이 되었으며, 결과적으로 모델이 더 높은 정밀도로 이상 징후를 탐지할 수 있도록 데이터셋을 풍부하게 만들었습니다.

3단계 특성 선택(Feature Selection) 통합 프로세스

SHIELD 프레임워크는 분석의 정확도를 높이고 모델의 계산 효율성을 최적화하기 위해 세 가지 서로 다른 특성 선택 기법인 ANOVA F-value, 상호 정보량(Mutual Information, MI), 그리고 재귀적 특성 제거(Recursive Feature Elimination, RFE)를 통합하여 적용하였습니다. 이러한 다각적 접근 방식은 단일 기법이 가질 수 있는 편향성을 제거하고, 사이버 공격과 장치 결함이라는 서로 다른 성격의 이상 징후를 정밀하게 포착하기 위한 전략적 선택입니다.

먼저 ANOVA F-value 기법은 각 데이터셋에서 통계적으로 가장 영향력이 큰 특성을 선별하는 데 활용되었습니다. 사이버 공격 탐지를 위해서는 tcp.connection.syn, frame.time delta, ip.proto, frame.len, tcp.dstport, mqtt.ver, tcp.ack, tcp.flags.syn, mqtt.msgtype 등이 핵심 특성으로 선정되었습니다. 반면, 장치 결함 탐지에서는 Temperature (°C), Systolic BP (mmHg), Heart Rate (bpm)와 같이 환자의 생체 신호와 직결되는 지표들이 주요 특성으로 도출되었습니다.

다음으로 적용된 상호 정보량(MI) 기법은 ANOVA와 달리 선형 및 비선형 관계를 모두 포착할 수 있다는 장점을 활용하였습니다. 이를 통해 사이버 공격 탐지 영역에서는 tcp.time delta, mqtt.topic len, tcp.flags.reset, tcp.flags.push, tcp.hdr len, ip.ttl, mqtt.dupflag와 같은 복잡한 네트워크 패턴 특성들을 추가로 식별하였습니다. 장치 결함 탐지의 경우에는 Diastolic BP (mmHg), Heart Rate (bpm), Device Battery Level (%) 등이 높은 예측력을 가진 특성으로 랭킹되었습니다.

마지막으로 재귀적 특성 제거(RFE) 기법을 통해 모델 성능에 기여하는 최적의 특성 부분 집합을 다시 한번 정제하였습니다. 사이버 공격 탐지에서는 mqtt.qos, mqtt.retain, tcp.flags.ack, tcp.flags.fin, frame.time relative, tcp.connection.rst, mqtt.clientid len 등이 최종 선택되었습니다. 장치 결함 탐지 단계에서는 앞선 분석 결과들과 일관되게 Temperature (°C), Diastolic BP (mmHg), Heart Rate (bpm)가 가장 관련성이 높은 특성으로 유지되었습니다.

이렇게 도출된 세 가지 기법의 결과를 통합한 최종 데이터셋은 각 탐지 목적에 맞게 최적화되었습니다. 사이버 공격 탐지를 위한 최종 특성 집합은 네트워크 메타데이터, TCP 플래그, MQTT 프로토콜 파라미터를 포함하여 총 28개의 고유 특성으로 구성되었습니다. 이는 네트워크 트래픽의 미세한 변동과 프로토콜 수준의 이상 징후를 종합적으로 분석할 수 있는 기반이 됩니다.

장치 결함 탐지를 위한 최종 특성 집합은 세 가지 기법 모두에서 공통적으로 중요하다고 판단된 핵심 지표들로 압축되었습니다. 구체적으로는 Temperature (°C), Systolic BP (mmHg), Diastolic BP (mmHg), Heart Rate (bpm), Device Battery Level (%)가 최종 선정되었습니다. 생체 데이터의 핵심 지표만을 남김으로써 모델의 복잡도를 낮추고 탐지 속도를 극대화하였습니다.

결과적으로 이러한 통합 특성 선택 프로세스는 불필요한 데이터 노이즈를 제거하여 모델의 정확도를 향상시켰을 뿐만 아니라, 계산 시간을 단축함으로써 실시간 성능을 개선하는 성과를 거두었습니다. 이는 특히 자원이 제한된 헬스케어 IoT 환경에서 모델이 신속하게 작동하도록 만드는 결정적인 요인이 되었으며, 이후 단계에서 수행된 XGBoost 및 KNN 모델의 고효율 성능 달성의 밑바탕이 되었습니다.

학습 패러다임별 모델 성능 비교 분석

SHIELD 프레임워크는 지도 학습, 준지도 학습, 비지도 학습이라는 세 가지 서로 다른 학습 패러다임을 통해 총 8종의 모델을 검증하였습니다. 분석 결과, 정밀도, 재현율, F1-score, ROC-AUC 등 전반적인 성능 지표와 계산 효율성 측면에서 학습 패러다임별로 뚜렷한 성능 격차가 관찰되었습니다. 특히 정답 라벨이 명확한 데이터셋을 활용하는 지도 학습 모델이 다른 패러다임에 비해 압도적인 탐지 성능과 실시간 처리 능력을 보여주었습니다.

지도 학습(Supervised Learning) 모델인 XGBoost와 KNN은 모든 평가 지표에서 최상위 성능을 기록하였습니다. 장치 결함 탐지 시 XGBoost는 99%의 정확도와 함께 정밀도 및 재현율에서 완벽한 수치를 기록하였으며, 계산 비용은 0.04초로 가장 낮았습니다. 사이버 공격 탐지에서는 KNN이 0.05초의 매우 낮은 계산 비용과 더불어 정밀도, 재현율, F1-score에서 거의 완벽한 성능을 달성하였습니다. 이는 정해진 패턴을 학습하는 지도 학습 방식이 헬스케어 IoT의 정형화된 이상 징후를 식별하는 데 가장 효율적임을 입증합니다.

준지도 학습(Semi-supervised Learning) 모델인 VAE와 GAN은 상반된 결과를 보였습니다. VAE는 사이버 공격 탐지에서 97%의 정확도를 기록하며 준수한 성능을 유지하였고, 장치 결함 탐지에서도 정밀도, 재현율, ROC-AUC 전반에 걸쳐 균형 잡힌 결과를 도출하였습니다. 반면 GAN은 준지도 학습 모델 중 가장 낮은 효율성을 보였습니다. 사이버 공격 탐지 시 정확도 83%, ROC-AUC 0.72라는 저조한 성적을 거두었으며, 특히 계산 비용이 매우 높게 측정되어 실시간 시스템 적용에 한계가 있음이 확인되었습니다.

비지도 학습(Unsupervised Learning) 모델들은 알고리즘의 특성에 따라 성능 편차가 크게 나타났습니다. Isolation Forest는 장치 결함 탐지에서 정확도와 재현율 모두 거의 완벽한 수준을 보여주며 강력한 성능을 입증하였습니다. One-Class SVM은 장치 결함 탐지에서 F1-score 0.7894와 0.1122초의 낮은 계산 비용을 기록하여, 높은 정밀도가 요구되지 않는 단순 시스템을 위한 경량화 대안으로 평가되었습니다. 다만 사이버 공격 탐지 시에는 높은 계산 비용이 수반되는 단점이 관찰되었습니다.

비지도 학습군 내의 딥러닝 모델인 GNN과 LSTM Autoencoder는 전반적으로 부적합한 성능을 보였습니다. GNN은 사이버 공격 탐지에서 매우 높은 ROC-AUC를 기록하였음에도 불구하고 정밀도와 재현율이 낮아 실제 탐지 효율은 떨어졌습니다. LSTM Autoencoder는 더욱 심각한 효율성 문제를 보였는데, 사이버 공격 탐지 시 계산 비용이 292.127초에 달해 분석 대상 모델 중 가장 느린 속도를 기록하였습니다. 또한 장치 결함 탐지에서도 ROC-AUC와 정확도가 낮게 나타나 복잡한 모델 구조가 반드시 높은 탐지 성능으로 이어지지 않음을 보여주었습니다.

결론적으로, Figure 2부터 13까지의 지표를 종합하면 지도 학습 모델이 가장 적은 자원으로 최대의 탐지 정확도를 구현하였습니다. 반면 비지도 학습 기반의 딥러닝 모델들은 높은 연산 비용에도 불구하고 정밀도와 재현율 면에서 지도 학습 모델에 미치지 못하였습니다. 이러한 결과는 헬스케어 IoT 환경처럼 빠른 응답 속도와 높은 신뢰성이 동시에 요구되는 도메인에서는 XGBoost와 KNN 같은 효율적인 지도 학습 모델이 최적의 선택지임을 공학적으로 뒷받침합니다.

헬스케어 IoT 환경을 위한 모델별 최적 적용 시나리오

연구 결과에 기반한 모델별 최적 적용 시나리오는 탐지 대상의 성격과 시스템의 자원 제약 상황에 따라 차별화됩니다. 우선 XGBoost는 의료 기기의 물리적 결함 및 운영상 이상을 탐지하는 시나리오에 가장 적합합니다. 99%의 정확도와 함께 정밀도 및 재현율에서 완벽한 수치를 기록했으며, 특히 계산 비용이 0.04초로 매우 낮아 실시간 응답성이 필수적인 ICU 환경의 장치 모니터링에 최적의 성능을 제공합니다.

사이버 공격 탐지 시나리오에서는 KNN의 활용 가치가 가장 높습니다. KNN은 0.05초라는 최저 수준의 계산 비용을 유지하면서 정밀도, 재현율, F1-score에서 거의 완벽한 성능을 입증하였습니다. 이는 알려진 공격 패턴을 신속하게 식별해야 하는 네트워크 보안 관점에서 KNN이 매우 효율적인 대안이 될 수 있음을 시사하며, 리소스가 제한된 환경에서도 높은 신뢰도를 보장합니다.

레이블이 없는 상태에서 새로운 형태의 이상 징후를 포착해야 하는 비지도 학습 시나리오에서는 Isolation Forest가 효과적인 선택지가 됩니다. Isolation Forest는 결함 탐지 과정에서 높은 정확도와 재현율을 기록하며 성능과 효율성의 균형을 맞춘 모습을 보였습니다. 비록 ROC-AUC 측면에서는 일부 한계가 관찰되었으나, 복잡한 사전 정의 없이도 이상치를 효과적으로 분리해낼 수 있다는 점에서 실무적인 유용성이 큽니다.

반면, VAE는 약 97%의 정확도를 기록하며 준수한 성능을 보였기에, 지도 학습 모델을 보완하는 보조적 탐지 체계로 활용 가능합니다. 하지만 GAN의 경우 결함 탐지에서는 준수한 성능을 보였음에도 계산 비용이 지나치게 높았고, 사이버 공격 탐지에서는 83%의 정확도와 0.72의 ROC-AUC로 최하위권의 성능을 보였습니다. 따라서 적대적 학습 기반의 GAN은 현재의 헬스케어 IoT 보안 시나리오에서는 효율성이 떨어지는 것으로 분석됩니다.

One-Class SVM은 F1-score 0.7894 수준의 보통의 성능을 보였으나, 계산 비용이 0.1122초로 매우 낮다는 강점이 있습니다. 따라서 고도의 정밀도보다는 시스템 부하를 최소화해야 하는 단순 모니터링 환경이나, 가벼운 탐지 층을 구성해야 하는 저전력 엣지 디바이스 환경에서 실용적인 선택지로 고려될 수 있습니다.

최종적으로 SHIELD 프레임워크의 확장 가능성은 이러한 모델들의 모듈형 통합에 있습니다. 고성능 서버뿐만 아니라 웨어러블 헬스 모니터나 IoT 연결 의료 센서와 같은 저전력 엣지 디바이스에서도 XGBoost와 KNN 같은 경량 모델을 통해 실시간 탐지를 구현할 수 있습니다. 또한, 클라우드 기반 보안 솔루션과 결합한다면 여러 의료 시설에 걸친 대규모 이상 탐지 체계로 확장이 가능합니다.

향후 성능 고도화를 위해서는 원문에서 제시한 바와 같이 연합 학습(Federated Learning)을 통합하여 환자의 프라이버시를 보호하면서도 모델을 공동 학습시키는 방향으로 발전할 수 있습니다. 또한, 시계열 모델과 강화 학습을 도입함으로써 진화하는 사이버 위협과 운영상 이상 징후에 대해 보다 유연하게 적응하는 능력을 갖출 수 있을 것으로 기대됩니다.

결론적으로 SHIELD 프레임워크는 미션 크리티컬한 의료 환경에서 ‘정확도’와 ‘실시간성’이라는 두 가지 핵심 가치를 동시에 충족시키기 위해, 지도 학습 기반의 XGBoost와 KNN을 주축으로 하고 Isolation Forest와 같은 비지도 모델을 보조적으로 활용하는 계층적 방어 전략을 제안합니다.

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.

• 추론 지연 시간 측정: 모델의 예측 시간이 실시간 대응 임계치(예: 0.1초 이내)를 만족하는가?
• 모델 경량화 여부: 엣지 디바이스나 저전력 센서에서도 구동 가능한 수준의 계산 복잡도를 가졌는가?
• 지도 학습 데이터 확보: 알려진 공격 패턴 및 결함 데이터가 충분히 레이블링되어 XGBoost/KNN 활용이 가능한가?
• 특성 선택 최적화: ANOVA, MI, RFE 등을 통해 불필요한 피처를 제거하고 모델 부하를 줄였는가?
• 재현율(Recall) 우선 검증: 의료 사고 방지를 위해 미탐(False Negative)을 최소화하는 방향으로 임계치가 설정되었는가?
• 데이터 정규화 전략: 모델 특성에 맞게 StandardScaler(전통 ML)와 MinMax scaling(딥러닝)을 구분하여 적용했는가?
• 이상치 처리 방식: 의료 데이터의 극단값 영향을 줄이기 위해 평균값 대신 중앙값 임퓨테이션(Median Imputation)을 사용했는가?
• 교차 검증 수행: 특정 모델의 편향을 방지하기 위해 지도, 준지도, 비지도 학습 모델 간의 성능 일관성을 확인했는가?

데이터 수집 및 ICU 설정

SHIELD 프레임워크의 성능 검증을 위해 활용된 데이터셋은 총 200,000건의 레코드로 구성되어 있습니다. 이 데이터셋은 크게 두 가지 핵심 영역으로 구분됩니다. 첫 번째는 의료 기기의 기능적 이상을 포착하는 고장 장치 데이터(Faulty Device Data)이며, 두 번째는 의료 인프라를 겨냥한 악성 네트워크 활동을 기록한 공격 데이터(Attack Data)입니다. 이러한 이분법적 구성은 하드웨어의 물리적 결함과 외부의 사이버 위협이라는 서로 다른 성격의 이상 징후를 통합적으로 탐지하기 위한 전략적 선택입니다.

데이터가 수집된 환경은 실제 중환자실(ICU) 설정을 모사한 시스템입니다. 구체적으로는 2베드(Two-bed) 규모의 ICU 환경을 구축하였으며, 각 침대에는 환자의 상태를 실시간으로 감시하기 위한 9개의 환자 모니터링 센서가 배치되었습니다. 이러한 다중 센서 구성은 의료 현장에서 발생하는 복합적인 생체 신호 데이터를 확보하고, 특정 센서의 단일 결함뿐만 아니라 여러 센서 간의 상관관계를 통한 이상 탐지를 가능하게 합니다.

수집된 데이터의 통합 관리 및 전송을 위해 각 베드에는 Bedx-Control-Unit이 설치되었습니다. 이 제어 유닛은 각 센서에서 발생하는 데이터를 집계(Aggregation)하고 외부로 전송하는 중추적인 역할을 수행합니다. 따라서 데이터셋에는 개별 센서의 측정값뿐만 아니라, 제어 유닛을 통해 전달되는 네트워크 트래픽 정보가 함께 포함되어 있어 장치 수준의 오류와 네트워크 수준의 공격을 동시에 분석할 수 있는 기반이 됩니다.

고장 장치 데이터의 경우, 온도 변동, 전원 실패, 센서의 오독과 같은 의료 기기의 기능적 이상을 중점적으로 다룹니다. 여기에는 환자의 체온, 수축기 및 이완기 혈압, 심박수, 배터리 잔량과 같은 필수적인 생체 모니터링 파라미터가 포함됩니다. 또한, 단순히 현재 값만을 기록하는 것이 아니라 목표 혈압이나 목표 심박수와 같은 제어 파라미터(Control Parameters)를 함께 수집하여, 기대치와 실제 측정값 사이의 괴리를 통해 이상 유무를 판단할 수 있도록 설계되었습니다.

반면 공격 데이터는 IoT 기반 의료 인프라를 대상으로 하는 악성 네트워크 활동에 집중합니다. 여기에는 프레임 시간 델타, 상대적 시간, 프레임 길이와 같은 네트워크 트래픽 메타데이터가 포함되며, 소스 및 목적지 IP 주소, TCP 포트 번호, MQTT 클라이언트 ID 및 메시지 유형 등의 정보가 기록됩니다. 특히 TCP 플래그(ACK, FIN, PUSH, RESET, SYN)와 MQTT 프로토콜 플래그(QoS, Retain, Topic)를 상세히 분석하여 프로토콜 취약점을 이용한 공격이나 비정상적인 통신 패턴을 식별합니다.

결과적으로 SHIELD 프레임워크는 단순한 데이터 수집을 넘어, ICU라는 특수 환경의 물리적 계층(센서 및 제어 유닛)과 네트워크 계층(TCP/MQTT 프로토콜)을 모두 아우르는 데이터를 확보하였습니다. 이러한 포괄적인 데이터 수집 체계는 의료 IoT 환경에서 발생할 수 있는 다양한 형태의 위협과 오류를 단일 프레임워크 내에서 효율적으로 탐지하고 분석할 수 있는 강력한 기초가 됩니다.

특성 엔지니어링 세부

SHIELD 프레임워크는 원천 데이터가 제공하는 기초 정보를 넘어, 도메인 지식을 결합한 특성 공학(Feature Engineering)을 통해 탐지 정밀도를 획기적으로 높였습니다. 특히 의료 현장에서의 생체 신호는 단순한 절대 수치보다 시간에 따른 변동 패턴이 더 중요한 의미를 갖는다는 점에 주목하여, 심박수 편차(Heart Rate Deviation, HRD)와 혈압 편차(Blood Pressure Deviation, BPD)라는 파생 특성을 생성하였습니다.

이러한 편차 값들은 실시간 측정값과 사전 정의된 윈도우 내의 이동 평균(Rolling Mean) 사이의 절대 차이를 계산하여 산출되었습니다. 이를 통해 단순히 정상 범위를 벗어난 수치를 찾는 것이 아니라, 급격한 변동성이나 미세한 불규칙성을 포착함으로써 환자의 건강 이상 징후나 의료 센서 자체의 오작동을 더욱 정교하게 식별할 수 있게 되었습니다.

또한, 이상 징후의 발생 맥락을 파악하기 위해 시간 기반 특징(Time-based features)을 추출하여 모델에 반영하였습니다. 구체적으로는 ‘하루 중 시간(Hour of the day)‘과 ‘요일(Day of the week)’ 정보를 데이터셋에 추가하였습니다. 이는 의료 환경의 특수성을 고려한 것으로, 의료진의 교대 근무 시간대에 집중되는 사이버 공격 패턴이나, 장기간 연속 가동으로 인해 발생하는 센서의 성능 저하 및 결함과 같은 시간적 상관관계를 분석하기 위함입니다.

네트워크 보안 영역에서는 단순한 패킷 분석을 넘어 TCP 이상 점수(TCP Anomaly Score)라는 새로운 지표를 도입하였습니다. 이 점수는 tcp.flags.ack, tcp.flags.push, tcp.flags.reset, tcp.flags.syn과 같은 TCP 플래그의 분포와 네트워크 트래픽의 전반적인 행동 양식을 통계적으로 분석하여 계산되었습니다.

통계적 편차를 기반으로 산출된 TCP 이상 점수가 높을수록 해당 트래픽이 악성 활동일 가능성이 높다고 판단하며, 이를 통해 정교하게 위장된 사이버 공격을 더욱 효과적으로 탐지할 수 있는 근거를 마련하였습니다. 이러한 네트워크 기반의 파생 특성은 MQTT 프로토콜 취약점 공격 등을 식별하는 데 핵심적인 역할을 수행합니다.

결과적으로 SHIELD는 생체 신호의 변동성, 시간적 맥락, 네트워크 트래픽의 통계적 특성이라는 세 가지 관점의 특성 공학을 통해 데이터셋을 풍부하게 확장하였습니다. 이러한 접근 방식은 원천 데이터만으로는 발견하기 어려운 복잡한 이상 패턴을 명시적인 특성으로 변환하여 모델에 제공함으로써, 전체적인 탐지 정확도와 신뢰도를 높이는 결과를 가져왔습니다.

이렇게 생성된 파생 특성들은 이후 단계인 특성 선택(Feature Selection) 과정으로 전달됩니다. ANOVA F-value, 상호 정보량(MI), 재귀적 특성 제거(RFE) 등의 기법을 통해 이들 중 실제로 탐지 성능에 기여하는 핵심 특성만을 선별함으로써, 모델의 계산 비용을 낮추고 실시간 탐지 성능을 최적화하는 기반이 되었습니다.

모델 하이퍼파라미터

SHIELD 프레임워크는 분석 대상인 장치 결함 탐지와 사이버 공격 탐지의 특성에 맞추어 각 모델의 하이퍼파라미터를 정밀하게 설정하였습니다. 모델 사양은 Table III(장치 결함 탐지)와 Table IV(사이버 공격 탐지)에 상세히 명시되어 있으며, 이는 단순한 성능 비교를 넘어 데이터셋의 특성과 학습 패러다임의 차이를 반영한 결과입니다.

먼저 지도 학습 모델인 XGBoost의 경우, 두 작업 모두에서 학습률(Learning rate) 0.1, 최대 깊이(Max depth) 6, 평가 지표(Evaluation metric)로 logloss를 설정하여 사용하였습니다. KNN 모델은 k=5와 유클리드 거리(Euclidean distance) 측정 방식을 채택하여, 데이터 포인트 간의 거리 기반 분류를 수행하도록 구성되었습니다.

준지도 학습 모델인 GAN은 잠재 공간(Latent space)을 10으로 설정하였습니다. 장치 결함 탐지 시에는 에포크(Epochs) 100, 배치 크기(Batch size) 64를 적용하였으나, 사이버 공격 탐지에서는 학습의 복잡도를 고려하여 에포크를 1,000까지 대폭 늘려 학습을 진행하였습니다. VAE 모델은 장치 결함 탐지 시 잠재 공간을 2로 설정하고 에포크 100, 배치 크기 32를 사용하였으나, 사이버 공격 탐지 단계에서는 잠재 공간을 10으로 확장하고 에포크를 200으로 늘려 모델의 표현력을 높였습니다.

비지도 학습 모델 중 One-Class SVM은 커널로 RBF를 사용하였습니다. 장치 결함 탐지에서는 nu 값을 0.2로 설정하였으며, 사이버 공격 탐지에서는 nu 0.1과 감마(Gamma) 0.1을 적용하여 정상 데이터의 결정 경계를 정의하였습니다. Isolation Forest의 경우, 오염도(Contamination) 파라미터를 장치 결함 탐지 시에는 0.2로, 사이버 공격 탐지 시에는 0.1로 설정하여 이상치 판정 기준을 조정하였습니다.

딥러닝 기반의 GNN은 장치 결함 탐지 시 히든 채널(Hidden channels) 16, 에포크 100, 학습률 0.01을 설정하였습니다. 사이버 공격 탐지에서는 히든 채널을 32로 확장하여 네트워크 구조의 복잡성을 수용하였으며, 에포크 100과 학습률 0.01을 유지하였습니다. 마지막으로 LSTM Autoencoder는 두 작업 모두에서 LSTM 유닛 64개를 사용하였으며, 장치 결함 탐지 시에는 에포크 100과 배치 크기 32를, 사이버 공격 탐지 시에는 에포크 200과 배치 크기 32를 적용하여 시계열 데이터의 재구성 오차를 학습하도록 하였습니다.

이러한 하이퍼파라미터 설정은 각 모델이 가진 알고리즘적 특성을 극대화하기 위한 전략적 선택입니다. 특히 사이버 공격 탐지 모델에서 에포크와 잠재 공간의 크기를 늘린 것은 네트워크 트래픽 데이터가 가진 더 복잡한 패턴을 학습하기 위함입니다. 반면 장치 결함 탐지 모델은 상대적으로 낮은 하이퍼파라미터 값을 유지함으로써 연산 효율성을 확보하고 과적합 리스크를 관리하고자 하였습니다.

결과적으로 SHIELD 프레임워크는 이처럼 체계적으로 정의된 하이퍼파라미터를 바탕으로 8가지 모델을 구현하였습니다. 이는 단순한 벤치마킹을 넘어, 의료 IoT 환경이라는 특수한 제약 조건 속에서 각 학습 패러다임이 도달할 수 있는 최적의 성능 지점을 탐색한 과정이라고 볼 수 있습니다.

확장성 및 미래 연구 방향

SHIELD 프레임워크의 가장 큰 강점 중 하나는 뛰어난 확장성(Scalability)입니다. 본 프레임워크는 소규모 클리닉부터 대규모 병원 네트워크에 이르기까지 매우 다양한 의료 환경에 유연하게 적응할 수 있도록 설계되었습니다. 특히 XGBoost와 KNN과 같이 계산 효율성이 높은 모델을 채택함으로써, 전력 소모가 적은 저사양 엣지 디바이스에서도 실시간 이상 탐지를 수행할 수 있다는 점이 핵심적인 이점입니다. 이는 웨어러블 건강 모니터나 IoT 연결 의료 센서와 같은 단말 장치 수준에서 즉각적인 보안 및 결함 대응이 가능함을 의미합니다.

또한 SHIELD는 모듈식 설계를 통해 클라우드 기반 보안 솔루션과 원활하게 통합될 수 있는 구조를 갖추고 있습니다. 이러한 설계 덕분에 위치에 관계없이 여러 의료 시설에 걸쳐 대규모 이상 탐지 시스템을 구축하고 운영하는 것이 가능합니다. 하드웨어 제약이 심한 엣지 단에서의 일차적 탐지와 클라우드 단에서의 통합 관리를 병행함으로써, 의료 인프라 전체의 보안성과 신뢰성을 동시에 확보할 수 있는 기반을 마련하였습니다.

향후 연구 방향으로는 환자의 개인정보 보호를 강화하면서도 모델의 성능을 높이기 위해 연합 학습(Federated Learning)을 통합하는 방안이 제시되었습니다. 연합 학습을 도입하면 개별 의료 기관이 민감한 환자 데이터를 외부로 공유하지 않고도 협력적으로 모델을 학습시킬 수 있어, 프라이버시 침해 리스크를 최소화하면서 탐지 모델의 범용성을 확장할 수 있을 것으로 기대됩니다.

시간적 맥락을 더욱 정교하게 분석하기 위한 시계열 모델(Time-series models)의 도입 또한 중요한 연구 과제로 언급되었습니다. 의료 데이터는 연속적인 흐름을 가진 시계열 특성이 강하므로, 이를 전담하는 모델을 통해 더욱 정밀한 이상 징후 포착이 가능할 것입니다. 이와 더불어 강화 학습(Reinforcement Learning)을 적용함으로써, 시간이 지남에 따라 진화하는 정교한 사이버 위협과 새로운 형태의 운영상 이상 징후에 능동적으로 적응하는 체계를 구축하고자 합니다.

마지막으로 시스템의 실효성을 극대화하기 위해 실시간 스트리밍 분석(Real-time streaming analytics)과 저지연 의사결정(Low-latency decision-making) 기술의 최적화가 추진될 예정입니다. 이러한 기술적 고도화는 데이터가 생성되는 즉시 분석하여 대응하는 속도를 높여, 고도로 정밀한 관리가 필요한 고수요 의료 네트워크 환경에서 SHIELD 프레임워크의 가치를 더욱 높일 것입니다.

결론적으로 SHIELD는 현재의 효율적인 탐지 성능에 안주하지 않고, 분산 학습과 적응형 모델링, 그리고 초저지연 분석 체계를 통해 차세대 스마트 헬스케어 인프라를 보호하는 핵심적인 역할을 수행하는 것을 목표로 합니다. 이러한 발전 방향은 의료 IoT 생태계가 확장됨에 따라 더욱 복잡해질 보안 위협과 장치 결함 리스크에 선제적으로 대응하는 강력한 수단이 될 것입니다.

필자의 생각과 실무 제언

연구 결과에서 가장 흥미로운 점은 최신 딥러닝 기법들이 고전적인 ML 모델들에 의해 압도당했다는 점입니다. 현업에서도 ‘최신 모델=최고 성능’이라는 환상에 빠져 과도한 리소스를 투입하는 경우가 많지만, 실제 도메인 데이터의 특성에 따라 단순한 트리 기반 모델이나 거리 기반 모델이 훨씬 강력할 수 있음을 다시 한번 확인시켜 줍니다.

특히 헬스케어 분야는 정밀도(Precision)만큼이나 재현율(Recall)이 중요합니다. 공격을 놓치는 것이 오탐보다 훨씬 위험하기 때문입니다. Isolation Forest가 높은 재현율을 보였다는 점은, 레이블이 부족한 초기 단계에서는 비지도 학습 모델을 배치하고, 데이터가 쌓이면 XGBoost로 전환하는 전략이 유효할 것임을 시사합니다.

다만, 본 연구는 ICU라는 특정 환경의 데이터셋에 기반하고 있습니다. 실제 병원 환경은 훨씬 더 노이즈가 많고 장비의 종류가 다양하므로, 제안된 SHIELD 프레임워크를 적용할 때는 데이터 드리프트(Data Drift)에 대한 지속적인 모니터링 체계가 반드시 병행되어야 합니다.

결론적으로, 엔지니어링 리더들은 모델의 ‘정확도’ 수치 너머에 있는 ‘추론 시간’과 ‘리소스 소모량’을 핵심 KPI로 설정해야 합니다. 그것이 곧 환자의 안전과 직결되기 때문입니다.

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 최우선 원칙: 생명 유지 장치와 연결된 IoT 탐지 모델은 정확도보다 추론 지연 시간을 우선 지표로 관리한다.
2. 모델 효율성 검증 원칙: 복잡한 딥러닝 모델 도입 전, 반드시 단순 ML 모델(Baseline)과의 비용 대비 성능 분석을 수행한다.
3. 다층적 탐지 전략 원칙: 알려진 위협은 지도 학습으로, 알려지지 않은 신종 위협은 비지도 학습으로 탐지하는 하이브리드 체계를 구축한다.
4. 데이터 무결성 확보 원칙: 의료 데이터의 특수성을 고려하여 이상치에 강건한 전처리 파이프라인(중앙값 대체 등)을 표준화한다.
5. 엣지 우선 처리 원칙: 네트워크 지연과 데이터 유출 리스크를 줄이기 위해 가능한 한 탐지 로직을 엣지 단에서 처리하도록 설계한다.

참고 문헌 및 원문 분석 자료