RECAL은 시스템 상호작용 관계 간 극심한 통계적 불균형(CADETS 데이터셋에서 최대 14만 배 차이)을 반영해 희귀한 상호작용 패턴까지 포착하는 관계 균형 마스크 그래프 학습 기반의 프로베넌스 침입탐지 프레임워크다. 기존 시스템이 빈번한 관계에 치우쳐 정상 오차 수준의 관계별 차이를 간과함으로써 오탐과 미탐을 늘리던 문제를, 관계별 정상 오차 분포에 맞춰 재구성 오차를 보정하는 방식으로 해결한다. DARPA E3 3개 데이터셋에서 F1 점수 99.99%, 99.93%, 99.99%를 기록해 최고 성능 베이스라인을 각각 0.88, 0.82, 0.42%p 상회했고, 최저 오탐률 베이스라인 대비 평균 오탐률을 약 105배, 4배, 41배 낮췄다. 지능형지속위협(APT) 탐지의 정확도와 실용성을 동시에 끌어올린 결과로 보안 운영 현장에 곧바로 적용될 여지가 크다.

• •CADETS 데이터셋에서 관계 빈도가 최대 14만 배 차이 나는 통계적 불균형이 기존 침입탐지 성능을 저해함을 지적
• •관계 균형 마스크 그래프 학습과 관계별 정상 오차 분포 보정을 결합한 RECAL 프레임워크 제안
• •DARPA E3 3개 데이터셋에서 F1 99.99%, 99.93%, 99.99% 달성, 베이스라인 대비 최대 0.88%p 우위
• •최저 오탐 베이스라인 대비 평균 오탐률을 최대 약 105배까지 감소