이 연구는 5G 네트워크 텔레메트리 기반 침입 탐지에서 AI 모델의 복잡도가 실제로 정당화되는지를 검증했다. XGBoost 같은 트리 앙상블, TabNet 같은 표 형식 딥러닝, 제로샷·퓨샷 프롬프팅을 쓴 대형언어모델(LLM)을 탐지 성능, 추론 시간, CPU 사용량 측면에서 비교했다. 대규모 5G 데이터셋 실험 결과 XGBoost 등 전통적 머신러닝 모델은 무시할 만한 추론 시간으로 거의 완벽한 탐지 성능을 냈지만, LLM 기반 접근은 성능이 크게 떨어지고 CPU 사용량은 수십 배 더 높았다. 퓨샷 프롬프팅은 재현율을 개선했지만 정확도 저하와 CPU 시간 증가를 동반해 격차를 메우지 못했다. 표 형식 5G 침입 탐지에는 복잡성을 늘리기보다 과제 적합성에 따라 모델을 선택해야 한다는 점을 시사한다.

• •XGBoost, TabNet, LLM(제로샷·퓨샷)을 5G 침입 탐지 성능·추론시간·CPU 사용량으로 비교
• •XGBoost는 거의 완벽한 탐지 성능을 무시할 만한 추론 시간으로 달성
• •LLM 기반 탐지는 성능이 크게 낮고 CPU 사용량이 수십 배 더 높음
• •퓨샷 프롬프팅은 재현율은 높이지만 정확도 저하·CPU 시간 증가로 격차 해소 실패