맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

IoT 디바이스에 대한 사이버 공격의 종류를 식별하는 방법 및 그 장치

  • 기술번호 : KST2020015929
  • 담당센터 :
  • 전화번호 :
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 수집된 패킷으로부터 추출된 특징 세트(feature set)를 입력 받아, 상기 수집된 패킷에 따른 사이버 공격의 종류를 판정하는 방법이 제시된다. 일 실시예에 따른 상기 방법은 수집된 패킷에서 추출된 복수의 특징들을 얻는 단계와, 상기 복수의 특징들을 상기 인공 신경망에 입력하고, 상기 인공 신경망으로부터 출력된 데이터를 이용하여 상기 수집된 패킷이 가리키는 사이버 공격의 종류를 결정하는 단계를 포함한다. 상기 인공 신경망은, 입력 층과, 상기 입력 층으로부터 출력된 값을 입력 받는 인코더 층과, 상기 인코더 층으로부터 출력된 값을 입력 받는 표현(representation) 층과, 상기 표현 층으로부터 출력된 값을 입력 받고, 각 클래스 별 확률을 출력하는 분류기 층을 포함한다.
Int. CL H04L 29/06 (2006.01.01) H04L 12/26 (2006.01.01) H04L 29/08 (2006.01.01)
CPC H04L 63/1425(2013.01) H04L 63/1425(2013.01) H04L 63/1425(2013.01) H04L 63/1425(2013.01) H04L 63/1425(2013.01) H04L 63/1425(2013.01)
출원번호/일자 1020190152464 (2019.11.25)
출원인 한국인터넷진흥원
등록번호/일자 10-2135024-0000 (2020.07.13)
공개번호/일자
공고번호/일자 (20200720) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2019.11.25)
심사청구항수 22

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한국인터넷진흥원 대한민국 전라남도 나주시

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 오성택 전라남도 나주시 진흥길
2 고웅 전라남도 나주시 진흥길
3 김홍근 전라남도 나주시 진흥길
4 김미주 전라남도 나주시 진흥길
5 이재혁 전라남도 나주시 진흥길
6 박순태 전라남도 나주시 진흥길

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 특허법인가산 대한민국 서울 서초구 남부순환로 ****, *층(서초동, 한원빌딩)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 한국인터넷진흥원 전라남도 나주시
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2019.11.25 수리 (Accepted) 1-1-2019-1211901-09
2 [우선심사신청]심사청구(우선심사신청)서
[Request for Preferential Examination] Request for Examination (Request for Preferential Examination)		 2019.11.25 수리 (Accepted) 1-1-2019-1212084-79
3 [우선심사신청]선행기술조사의뢰서
[Request for Preferential Examination] Request for Prior Art Search		 2019.11.27 수리 (Accepted) 9-1-9999-9999999-89
4 [우선심사신청]선행기술조사보고서
[Request for Preferential Examination] Report of Prior Art Search		 2019.12.09 수리 (Accepted) 9-1-2019-0055206-99
5 의견제출통지서
Notification of reason for refusal		 2019.12.23 발송처리완료 (Completion of Transmission) 9-5-2019-0926385-21
6 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2020.02.06 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2020-0124339-19
7 [거절이유 등 통지에 따른 의견]의견(답변, 소명)서
[Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation)		 2020.02.06 수리 (Accepted) 1-1-2020-0124340-66
8 최후의견제출통지서
Notification of reason for final refusal		 2020.04.23 발송처리완료 (Completion of Transmission) 9-5-2020-0285939-26
9 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2020.05.26 보정승인 (Acceptance of amendment) 1-1-2020-0527497-11
10 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
 2020.05.26 수리 (Accepted) 1-1-2020-0527498-56
11 등록결정서
Decision to grant		 2020.07.10 발송처리완료 (Completion of Transmission) 9-5-2020-0473015-75
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
인공 신경망을 가지는 컴퓨팅 장치에서 수행되는 방법에 있어서,수집된 패킷에서 추출된 복수의 특징들을 얻는 단계; 상기 복수의 특징들을 상기 인공 신경망에 입력하고, 상기 인공 신경망으로부터 출력된 데이터를 이용하여 상기 수집된 패킷이 가리키는 사이버 공격의 종류를 결정하는 단계를 포함하되,상기 인공 신경망은,제1 차원의 입력 층과, 상기 입력 층으로부터 출력된 값을 입력받는 상기 제1 차원보다 작은 제2 차원의 인코더 층과, 상기 인코더 층으로부터 출력된 값을 입력 받는 상기 제2 차원보다 작은 제3 차원의 표현(representation) 층과, 상기 표현 층으로부터 출력된 값을 직접 입력 받고, 각 클래스 별 확률을 출력하는 분류기 층을 포함하는 것이고,상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP에서 송신된 패킷들의 도착지 IP 개수와, 기준 시간 동안의 동일 도착지 IP로 송신된 패킷들의 소스 IP 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 소스 포트 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 도착지 포트 개수를 포함하는,사이버 공격 분류 방법
2 2
제1 항에 있어서,상기 수집된 패킷은, IoT(Internet of Things) 디바이스가 송신하거나, 상기 IoT 디바이스로 송신된 패킷들로 구성된 것인,사이버 공격 분류 방법
3 3
제1 항에 있어서,상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP로 송신된 패킷들의 개수와, 기준 시간 동안의 동일 소스 IP의 동일 소스 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP의 동일 도착지 포트에서 송신된 패킷들의 개수를 더 포함하는,사이버 공격 분류 방법
4 4
제3 항에 있어서,상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP의 동일 소스 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP의 동일 도착지 포트에서 송신된 패킷들의 개수를 더 포함하는,사이버 공격 분류 방법
5 5
제1 항에 있어서,상기 복수의 특징들은, 단편화된 패킷의 개수를 더 포함하는, 사이버 공격 분류 방법
6 6
제1 항에 있어서,상기 복수의 특징들은, 상기 복수의 특징들이 가리키는 패킷이 TCP 프로토콜 패킷인 경우 세트 되는 TCP 윈도우 사이즈와, 상기 복수의 특징들이 가리키는 패킷이 전송 계층(transport layer)에 해당하는 경우 세트 되는 데이터 길이를 더 포함하는, 사이버 공격 분류 방법
7 7
제1 항에 있어서,상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP에서 송신된 데이터 사이즈와, 기준 시간 동안의 동일 도착지 IP로 송신된 데이터 사이즈를 더 포함하는,사이버 공격 분류 방법
8 8
제1 항에 있어서,상기 복수의 특징들은, TCP 프로토콜의 SYN 플래그가 세트 된 SYN 패킷의 비율을 더 포함하는,사이버 공격 분류 방법
9 9
제8 항에 있어서,상기 복수의 특징들은, 상기 SYN 패킷과 그 ACK 패킷의 개수 차이값을 더 포함하는,사이버 공격 분류 방법
10 10
제1 항에 있어서,상기 복수의 특징들은, ICMP 타입과, ICMP 코드를 더 포함하는,사이버 공격 분류 방법
11 11
제10 항에 있어서,상기 ICMP 타입은, one-hot 벡터 방식으로 표현된 7 차원 벡터로 표현되는 것이고,상기 ICMP 코드는, one-hot 벡터 방식으로 표현된 7 차원 벡터로 표현되는 것인,사이버 공격 분류 방법
12 12
제10 항에 있어서,상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP의 ICMP 패킷 비율과, 기준 시간 동안의 동일 도착지 IP의 ICMP 패킷 비율을 더 포함하는,사이버 공격 분류 방법
13 13
제1 항에 있어서,상기 복수의 특징들은, ARP 패킷의 OP(Opcode) 값을 더 포함하는,사이버 공격 분류 방법
14 14
제13 항에 있어서,ARP 패킷의 OP(Opcode) 값은, one-hot 벡터 방식으로 표현된 3 차원 벡터로 표현되는 것인,사이버 공격 분류 방법
15 15
제1 항에 있어서,상기 수집된 패킷은, IoT(Internet of Things) 디바이스가 송신하거나, 상기 IoT 디바이스로 송신된 패킷들로 구성된 것이고, 상기 분류기 층은,9개의 IoT 디바이스 대상 사이버 공격 종류 클래스 및 1개의 정상 클래스를 포함하는 총 10개의 클래스 별 확률을 출력하는 것이며, 상기 9개의 사이버 공격 종류 클래스는, 정찰(reconnaissance)-Host Discovery 클래스와,정찰-Port Scanning 클래스와,정찰-OS and Service Detection 클래스와,MITM(Man In The Middle)-ARP Spoofing Attack 클래스와, DoS(Denial of Service)-SYN Flooding Attack 클래스와, 미라이 봇넷 DDoS 공격(Mirai Botnet-DDoS)-UDP Flooding Attack 클래스와, 미라이 봇넷 DDoS 공격-HTTP Flooding Attack 클래스와, 미라이 봇넷 DDoS 공격-ACK Flooding Attack 클래스와, 미라이 봇넷 전파-Scan 0026# Brute-force 클래스를 포함하는,사이버 공격 분류 방법
16 16
제1 항에 있어서,상기 분류기 층은, 각 클래스 별 확률을 출력하되, 모든 클래스의 확률 합계가 1이 되도록 출력하는 소프트맥스 함수값을 출력하는 노드들로 구성되는 것이고, 상기 인공 신경망은,상기 분류기 층으로부터 상기 각 클래스 별 확률을 입력 받고, 사이버 공격의 종류를 가리키는 값을 출력하는 1개 노드로 구성된 출력 층을 더 포함하는, 사이버 공격 분류 방법
17 17
제1 항에 있어서,상기 분류기 층은,9개의 사이버 공격 종류 클래스 및 1개의 정상 클래스를 포함하는 총 10개의 클래스 별 확률을 출력하는 것이고, 상기 표현 층은,10 미만의 차원(dimension)을 가지는 것인,사이버 공격 분류 방법
18 18
수집된 패킷에 대한 정보로부터 복수의 특징들을 추출하는 특징 추출부;제1 차원의 입력 층과, 상기 입력 층으로부터 출력된 값을 입력받는 상기 제1 차원보다 작은 제2 차원의 인코더 층과, 상기 인코더 층으로부터 출력된 값을 입력 받는 상기 제2 차원보다 작은 제3 차원의 표현(representation) 층과, 상기 표현 층으로부터 출력된 값을 직접 입력 받고, 각 클래스 별 확률을 출력하는 분류기 층을 포함하는 인공 신경망; 및상기 복수의 특징들을 상기 인공 신경망에 입력하고, 상기 인공 신경망으로부터 출력된 데이터를 이용하여 상기 수집된 패킷이 가리키는 사이버 공격의 종류를 결정하는 사이버 공격 분류부를 포함하되, 상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP에서 송신된 패킷들의 도착지 IP 개수와, 기준 시간 동안의 동일 도착지 IP로 송신된 패킷들의 소스 IP 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 소스 포트 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 도착지 포트 개수를 포함하는,사이버 공격 분류 장치
19 19
컴퓨팅 장치에서 수행되는 방법에 있어서,수집된 패킷에서 추출된 복수의 특징들을 얻는 단계; 상기 복수의 특징들로 구성된 학습 데이터셋을 오토인코더 인공 신경망에 입력하여 상기 오토인코더 인공 신경망을 비지도 학습(unsupervised learning) 시키는 단계; 상기 학습된 오토인코더 인공 신경망의 제1 차원의 입력 층, 상기 제1 차원보다 작은 제2 차원의 인코더 층 및 상기 제2 차원보다 작은 제3 차원의 표현 층에 더하여 상기 표현 층으로부터 출력된 값을 직접 입력 받고, 각 클래스 별 확률을 출력하는 분류기 층을 더 포함하는 공격 분류 인공 신경망을 구성하는 단계; 및 상기 공격 분류 인공 신경망을 지도 학습(supervised learning) 시키는 단계를 포함하되,상기 복수의 특징들은,기준 시간 동안의 동일 소스 IP에서 송신된 패킷들의 도착지 IP 개수와, 기준 시간 동안의 동일 도착지 IP로 송신된 패킷들의 소스 IP 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 소스 포트 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 도착지 포트 개수를 포함하는, IoT 디바이스에 대한 사이버 공격 분류 모델 학습 방법
20 20
제19 항에 있어서,상기 인공 신경망은,상기 분류기 층으로부터 상기 각 클래스 별 확률을 입력 받고, 사이버 공격의 종류를 가리키는 값을 출력하는 1개 노드로 구성된 출력 층을 더 포함하고,상기 지도 학습 시키는 단계는, 오류 역전파(back-propagation)가 상기 표현 층과 상기 분류기 층 사이의 가중치까지만 일어나도록 지도 학습 시키는 단계를 포함하는, IoT 디바이스에 대한 사이버 공격 분류 모델 학습 방법
21 21
제19 항에 있어서,상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP로 송신된 패킷들의 개수와, 기준 시간 동안의 동일 소스 IP의 동일 소스 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP의 동일 도착지 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 소스 IP의 동일 소스 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP의 동일 도착지 포트에서 송신된 패킷들의 개수와, 단편화된 패킷의 개수와, 상기 복수의 특징들이 가리키는 패킷이 TCP 프로토콜 패킷인 경우 세트 되는 TCP 윈도우 사이즈와, 상기 복수의 특징들이 가리키는 패킷이 전송 계층(transport layer)에 해당하는 경우 세트 되는 데이터 길이와, 기준 시간 동안의 동일 소스 IP에서 송신된 데이터 사이즈와, 기준 시간 동안의 동일 도착지 IP로 송신된 데이터 사이즈와, TCP 프로토콜의 SYN 플래그가 세트 된 SYN 패킷의 비율과, 상기 SYN 패킷과 그 ACK 패킷의 개수 차이값과, ICMP 타입과, ICMP 코드와, 기준 시간 동안의 동일 소스 IP의 ICMP 패킷 비율과, 기준 시간 동안의 동일 도착지 IP의 ICMP 패킷 비율 및 ARP 패킷의 OP(Opcode) 값을 더 포함하는,IoT 디바이스에 대한 사이버 공격 분류 모델 학습 방법
22 22
변형된 오토 인코더 인공 신경망을 가지는 컴퓨팅 장치에서 수행되는 방법에 있어서,수집된 패킷에서 추출된 복수의 특징들을 얻는 단계; 및 상기 복수의 특징들을 상기 변형된 오토 인코더 인공 신경망에 입력하고, 상기 인공 신경망으로부터 출력된 데이터를 이용하여 상기 수집된 패킷이 가리키는 사이버 공격의 종류를 결정하는 단계를 포함하되,상기 복수의 특징들은, 기준 시간 동안의 동일 소스 IP에서 송신된 패킷들의 도착지 IP 개수와, 기준 시간 동안의 동일 도착지 IP로 송신된 패킷들의 소스 IP 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 소스 포트 개수와, 기준 시간 동안의 동일 소스 IP 및 동일 도착지 IP를 가지는 패킷들의 도착지 포트 개수와, 기준 시간 동안의 동일 소스 IP에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP로 송신된 패킷들의 개수와, 기준 시간 동안의 동일 소스 IP의 동일 소스 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP의 동일 도착지 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 소스 IP의 동일 소스 포트에서 송신된 패킷들의 개수와, 기준 시간 동안의 동일 도착지 IP의 동일 도착지 포트에서 송신된 패킷들의 개수와, 단편화된 패킷의 개수와, 상기 복수의 특징들이 가리키는 패킷이 TCP 프로토콜 패킷인 경우 세트되는 TCP 윈도우 사이즈와, 상기 복수의 특징들이 가리키는 패킷이 전송 계층(transport layer)에 해당하는 경우 세트되는 데이터 길이와, 기준 시간 동안의 동일 소스 IP에서 송신된 데이터 사이즈와, 기준 시간 동안의 동일 도착지 IP로 송신된 데이터 사이즈와, TCP 프로토콜의 SYN 플래그가 세트 된 SYN 패킷의 비율과, 상기 SYN 패킷과 그 ACK 패킷의 개수 차이값과, ICMP 타입과, ICMP 코드와, 기준 시간 동안의 동일 소스 IP의 ICMP 패킷 비율과, 기준 시간 동안의 동일 도착지 IP의 ICMP 패킷 비율 및 ARP 패킷의 OP(Opcode) 값을 포함하고,상기 변형된 오토 인코더 인공 신경망은,제1 차원의 입력 층과, 상기 입력 층으로부터 출력된 값을 입력받는 상기 제1 차원보다 작은 제2 차원의 인코더 층과, 상기 인코더 층으로부터 출력된 값을 입력 받는 상기 제2 차원보다 작은 제3 차원의 표현(representation) 층과, 상기 표현 층으로부터 출력된 값을 직접 입력 받고, 각 클래스 별 확률을 출력하는 분류기 층을 포함하는 것인,사이버 공격 분류 방법
지정국 정보가 없습니다
패밀리정보가 없습니다
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 과학기술정보통신부 한국인터넷진흥원 정보보호핵심원천기술개발사업 클라우드 기반 IoT 위협 자율 분석 및 대응 기술개발