Core Concepts
저전력 AIoT 기기에서 실행 가능한 경량 악성코드 탐지 모델을 제안하고 최적화하여 성능과 메모리 사용량을 개선하였다.
Abstract
이 연구는 AIoT 기기에서 악성코드 탐지를 위한 경량 메타 학습 앙상블 모델을 최적화하는 것을 목표로 한다. 기존 연구에서 제안된 슈퍼 학습기 앙상블 모델은 정확도와 오탐율 측면에서 우수한 성능을 보였지만, 저전력 AIoT 기기에 적용하기에는 메모리 요구사항이 너무 높았다.
이를 해결하기 위해 다음과 같은 최적화 기법을 적용하였다:
모델 변환: 라이브러리 의존성을 최소화하여 Python 기반 모델을 라이브러리 없는 버전으로 변환
모델 최적화: 랜덤 포레스트 트리 수 감소, 다층 퍼셉트론의 불필요한 노드 제거
모델 특징 축소: 정확도 저하를 최소화하면서 모델 크기와 추론 시간을 줄이는 방법 적용
이러한 최적화 과정을 통해 기존 모델과 유사한 성능(정확도, TPR, FPR)을 보이면서도 추론 시간과 메모리 사용량이 크게 감소한 모델을 개발할 수 있었다. 특히 C로 변환된 최종 모델은 저전력 AIoT 기기에서 실행 가능한 수준의 메모리 요구사항을 보였다.
Stats
랜덤 포레스트 트리 수를 40개에서 10개로 줄이면 추론 시간이 18.8초에서 13.3초로 감소한다.
다층 퍼셉트론의 은닉층 노드 수를 (5, 5)에서 (1, 2)로, (12, 12)에서 (8, 8)로 줄이면 추론 시간이 약 60초 감소한다.
C로 변환된 최종 모델의 메모리 사용량은 3.4 MB로, 저전력 AIoT 기기에서 실행 가능한 수준이다.