earticle

영어

This study analyzes the accident response performance by applying the Ai REsilience System (ARES), an artificial intelligence resilience system, in large-scale cyber disasters such as the National Information Resource Service (NIRS) data center fire. ARES integrates public sentiment data and technology logs into equivalent first-class inputs, and implements a cycle of cyclic resilience of "prediction→response→ recovery→ learning" through a hybrid AI engine that combines time series prediction (LSTM/Transformer), abnormality detection (Autoencoder/Isolation Forest), risk classification (GBM/MLP), and explainable AI (SHAP) and SOAR-based orchestration. This paper compares technical and social indicators such as average detection time (MTTD), average recovery time (MTTR), civil complaint growth rate, and public satisfaction (CSAT) by parallel simulation of traditional response model and ARES-based response model on the same accident timeline. This study empirically suggests that technological recovery performance and social trust recovery can be improved when the use of early warning of CX signals and automated orchestration are combined.

한국어

본 연구는 국가정보자원관리원(NIRS) 데이터센터 화재와 같은 대규모 사이버 재난 상황에서 인공지능 복원력 시스템 Ai REsilience System(ARES)을 적용해 사고 대응 성과를 분석한다. ARES는 국민 체감 데이터와 기술 로그를 동등한 1급 입력 으로 통합하고, 시계열 예측(LSTM/Transformer), 이상탐지(Autoencoder/Isolation Forest), 위험도 분류(GBM/MLP) 및 설명 가능 AI(SHAP)를 결합한 하이브리드 AI 엔진과 SOAR(Security Orchestration, Automation, and Response) 기반 오케스트레 이션을 통해 ‘예측→대응→회복→학습’의 순환 복원력 사이클을 구현한다. 본 논문은 전통적 대응 모델과 ARES 기반 대응 모 델을 동일 사고 타임라인에서 병렬 시뮬레이션하여 평균 탐지시간(MTTD), 평균 복구시간(MTTR), 민원 증가율 및 국민만족 도(CSAT) 등 기술적·사회적 지표를 비교하였다. 본 연구는 CX(Customer eXperience) 신호의 조기경보 활용과 자동화 오케스 트레이션이 결합될 때 기술적 복구 성과와 사회적 신뢰 회복이 동반 개선될 수 있음을 실증적으로 제시한다.