본 연구는 기존 모델을 다시 훈련하지 않고 특정 데이터 포인트를 제거하는 기계 학습 제거(MU) 기법을 네트워크 침입 탐지(NI) 분야에 적용하는 XGBoost-Forget 방안을 제시합니다. IoT-23과 GeNIS라는 두 개의 표식 NI 데이터셋을 활용하여 모델 성능, 학습 효율성, 망각 품질을 평가했습니다. 결과적으로 XGBoost-Forget은 원본 모델과 유사한 예측 성능을 유지하면서도 훨씬 빠른 학습 제거 속도를 보여줍니다.
본 연구는 기존의 딥러닝 및 이미지 데이터 중심의 MU 연구를 극복하고, 표식 데이터에 의존하는 NI 분야에 특화된 XGBoost-Forget 방안을 제시합니다. IoT-23과 GeNIS 데이터셋을 사용하여 성능, 효율성, 망각 품질을 측정했으며, 원본 모델의 성능에 근접하면서도 빠른 학습 제거가 가능함을 확인했습니다. 네트워크 침입 탐지 환경에서 MU 적용 가능성을 보여주는 중요한 결과입니다.
XGBoost-Forget은 예측 성능을 유지하면서도 기존 모델을 다시 훈련하는 것보다 훨씬 빠른 학습 제거를 제공하여, NI 분야에서 MU의 실용성을 높이는 데 기여합니다.