earticle

영어

Recent multi-stage cyberattacks generate abnormal patterns across multiple points in a network, highlighting the limitations of centralized, single-model security architectures in understanding the overall context of such complex attacks. Inspired by the distributed propagation structure of fungi mycelium, this study proposes a Fungi-Inspired AI Defense Network that disseminates threat information based on the correlation of threat scores among multiple security AI modules. The proposed model consists of GatewayAI, AuthAI, DBAI, MonitorAI, and ForensicAI, each independently producing threat scores. By leveraging the time-series correlations among these modules, the system forms cooperative and inhibitory connections, enabling self-organizing threat propagation across the network. Experimental results show that the proposed model improves attack propagation detection speed by 37% and reduces the false positive rate by up to 22% compared to traditional IDS. Additionally, visualization of stage-wise activation patterns provides intuitive interpretability of the threat propagation path. This work represents the first attempt to apply biological network principles to AI-based cyber defense and demonstrates the potential of distributed, adaptive security architectures.

한국어

최근 복합형 사이버 공격은 네트워크의 여러 지점에서 단계적으로 비정상 패턴을 발생시키며, 단일 모델 기반의 중앙집중 형 보안 체계는 이러한 다중 단계 공격의 전체 맥락을 파악하는데 한계를 가진다. 본 연구는 곰팡이 균사체의 분산 확산 구조 에서 영감을 얻어, 보안 AI 모듈 간 상관관계 기반 위협정보 전파를 수행하는 곰팡이형 AI 방어 네트워크(Fungi-Inspired AI Defense Network)를 제안한다. 제안 모델은 GatewayAI, AuthAI, DBAI, MonitorAI, ForensicAI 등 여러 보안 모듈이 독립적 으로 위협 점수를 산출하고, 각 모듈 간 위협 점수 시계열의 상관관계를 기반으로 협력적·억제적 연결을 생성함으로써 자기조 직적 위협 확산(Self-Organizing Threat Propagation)을 수행한다. 실험 결과, 제안 모델은 전통적 IDS 대비 공격 전파 감지 속도에서 37% 향상되었으며, 오탐율(false positive rate)은 최대 22% 감소하였다. 또한 공격 단계별 활성화 패턴을 시각화하 여 위협 전파 경로를 직관적으로 해석할 수 있는 장점을 확인하였다. 본 연구는 생물학적 네트워크 원리를 AI 기반 보안 체계 에 적용한 최초의 시도로서 분산형 사이버방어 구조의 새로운 가능성을 제시한다.