연구진이 고정된 11% 양자비트오류율(QBER) 임계값으로는 놓치는 은밀한 도청 공격을 탐지하기 위한 시간적 QBER 기반 머신러닝 프레임워크를 BB84 양자키분배(QKD) 시스템에 제안했다. 세션 평균 QBER 대신 버스트 행위, 시간적 불안정성, 기저별 비대칭성, QBER 손실 상호작용을 포착하는 63개의 물리 정보 기반 시간적 특징을 추출했다. 7가지 도청 공격과 정상 채널 시나리오에 대해 랜덤포레스트, XGBoost, RBF 커널 SVM을 노이즈·손실 조건에서 평가한 결과, XGBoost가 10회 독립 실행 평균 정확도 88.01%와 매크로 F1 0.8803으로 가장 우수했다. 이진 공격 탐지기로 비교했을 때 고정 11% 임계값은 정확도 25.82%에 위양성률(FNR) 0.8477에 그쳤지만, 제안 프레임워크는 FNR을 0.0198까지 낮춰 은밀한 공격 탐지력을 크게 개선했다. SHAP 분석으로 물리 정보 기반 시간적 특징이 도청 전략 식별에 매우 유효함을 확인해 설명 가능한 실용적 QKD 보안 모니터링 방법을 제시한다.

• •63개 물리 정보 기반 시간적 특징으로 고정 11% QBER 임계값이 놓치는 은밀한 도청을 탐지한다
• •XGBoost가 10회 평균 정확도 88.01%, 매크로 F1 0.8803으로 가장 우수한 성능을 보였다
• •기존 고정 임계값 방식은 위양성률(FNR) 0.8477에 그쳤으나 제안 방식은 0.0198로 대폭 개선됐다
• •SHAP 분석으로 물리 정보 기반 특징이 도청 전략 식별에 매우 유효함을 확인했다
• •7가지 도청 공격 시나리오에 대한 설명 가능한 실시간 QKD 보안 모니터링 방법을 제시한다