이 논문은 새로운 공격 유형에 대한 적응력이 부족한 기존 지도학습 기반 침입탐지시스템(IDS)의 한계를 보완하기 위해 보상 기반 듀얼링 딥Q러닝(Dueling DQN) 모델을 제안한다. 가치(value)와 이점(advantage) 스트림을 분리하는 듀얼링 네트워크 구조로 학습 효율성과 안정성을 높였으며, DDoS·봇넷·무차별 대입 공격 등 다양한 공격 유형을 포함한 실제 침입탐지 벤치마크 데이터셋 CIC-IDS2018로 학습해 여러 공격 클래스에서 평균 99.68%의 정확도를 달성했다. 또한 SHAP(SHapley Additive exPlanations) 기반 설명가능AI(XAI)를 학습·평가 과정에 통합해 모델 예측에 대한 해석 가능성도 제공한다.

• •가치·이점 스트림을 분리한 듀얼링 DQN 구조로 IDS 학습 효율과 안정성 향상
• •CIC-IDS2018 벤치마크에서 DDoS·볇넷·무차별대입 등 여러 공격 클래스 평균 정확도 99.68%
• •SHAP 기반 설명가능AI를 통합해 모델 예측의 해석 가능성 확보
• •지도학습 IDS의 신종 공격 적응력 한계를 강화학습 접근으로 보완