네트워크 침입 탐지용으로 미세조정된 LLM은 통계적 타당성 보장 없이 단일 예측만 내놓는다는 한계가 있다. 컨포멀 예측이 유한 표본 커버리지를 보장할 수 있지만, 정상 트래픽으로 보정한 임계값은 공격자가 조작 가능한 네트워크 특징을 변형하는 순간 무력화된다. 이 논문은 공격자가 사용할 것으로 예상되는 변형 메커니즘 기반 트래픽으로 보정하는 트래픽 인지형 컨포멀 예측을 제안해, 해당 메커니즘을 알고 샘플링 가능할 때 커버리지를 복원함을 입증했다. 모델 자체 점수를 조회하는 더 강력한 적응형 공격자에 대해서는 조작 가능한 특징과 파생값을 채점에서 제외해 확률적이 아닌 완전한 경로별 커버리지 보장을 달성했으며, 다만 청정 정확도는 기존 대비 7~14포인트 낮아지는 대가를 치른다.

• •정상 트래픽으로만 보정한 컨포멀 예측은 공격자의 특징 조작에 취약함을 입증
• •예상 변형 메커니즘 기반 트래픽으로 보정하는 '트래픽 인지형' 컨포멀 예측 제안
• •조작 가능 특징과 그 파생값을 제외해 확률적 아닌 경로별 커버리지 보장 확보
• •세 LLM 아키텍처 전반에서 모든 공격에 강건하나 청정 정확도는 7~14포인트 하락