분산에너지자원(DER)의 확산으로 전력망의 사이버 공격 표면이 커진 상황에서, 연구진은 설명가능 AI(XAI) 기반 이상 탐지 프레임워크 ExCYDER를 제안했다. LightGBM과 SHAP을 결합해 각 모델 판정이 특징 기여도 근거와 일치하는지 자체 검증하는 메커니즘을 도입함으로써, 탐지 경보의 내부 추론이 일관되고 신뢰할 만한지 확인해 보안운영센터(SOC)의 신뢰성 문제를 해결하려 한다. 실제적인 DNP3 데이터셋 실험에서 탐지 정확도 98% 이상을 달성했고, 규칙-SHAP 일치도는 평균 44.6%, 경보당 SHAP 처리 지연은 14.5ms, 신뢰도 편차는 5% 이내로 안정적인 검증 성능을 보였다. 탐지 정확도를 희생하지 않으면서 일관된 경보와 불일치한 경보를 구분할 수 있어, DER 특화 SOC의 해석가능성과 운영 신뢰도를 높이는 데 기여한다.

• •문서에서 이상탐지가 자기 판단과 특징 기여도 근거의 일관성을 스스로 검증하는 ExCYDER 프레임워크 제안
• •LightGBM과 SHAP을 결합해 모델 결정이 특징 기여도 증거와 부합하는지 확인
• •실제적인 DNP3 데이터셋에서 탐지 정확도 98% 이상 달성
• •규칙-SHAP 일치도 44.6%, 경보당 SHAP 지연 14.5ms, 신뢰도 편차 5% 이내
• •탐지 정확도 손상 없이 일관되고 이상한 경보를 구별해 SOC의 해석가능성과 운영신뢰도 향상