IoT 침입 탐지 시스템(IDS) 구축에 드는 AutoML 탐색 시간을 줄이기 위해 LLM을 정책 생성기로 활용하는 프레임워크가 제안됐다. 이 프레임워크는 데이터셋 프로파일을 입력받아 데이터 균형화, 특징 공학, 알고리즘 선택과 하이퍼파라미터 최적화(CASH)에 대한 경계가 있는 검증된 AutoML 정책을 LLM이 생성하도록 한다. 동일한 10회 시도 예산에서 이 방법은 기존 TPE 기반 AutoML보다 가중 F1 점수가 높아 CICIDS2017에서 99.680%, IoTID20에서 99.186%를 기록했다. 30회 시도의 전통적 AutoML-TPE 기준선과 비교해도 10회 시도만으로 각각 63.7%, 49.9%의 최적화 시간을 줄이면서 F1 점수는 오히려 소폭 높았다. 제한된 탐색 예산에서도 LLM 정책이 탐색 품질을 높이면서 효율성 이점을 유지할 수 있음을 보여준다.

• •LLM을 정책 생성기로 써 데이터 균형화·특징 공학·CASH 정책을 자동 생성하는 AutoML 프레임워크
• •동일 10회 시도 예산에서 TPE 기반 AutoML보다 높은 F1: CICIDS2017 99.680%, IoTID20 99.186%
• •30회 시도 전통 AutoML-TPE 대비 최적화 시간 63.7%·49.9% 단축
• •적은 시도로도 F1 점수는 오히려 소폭 상승
• •저예산 AutoML 탐색에서도 LLM 정책이 효율성과 품질을 동시 확보