5G 네트워크는 Massive IoT 환경에서 초저지연으로 서비스하는 것을 목표로 한다. 하지만, 보안이 취약한 사용자 장비가 5G 네트워크에 연결될 경우, 5G 네트워크 인프라와 디바이스에 서비스 장애를 일으킬 수 있다. 따라서 5G 코어 네트워크 환경에서 네트워크 침입을 탐지하기 위한 연구가 필요하다. 또한, 5G는 방대한 데이터셋을 발생시키므로, 데이터 처리 문제에 직면한다. 이를 해결하기 위해서, 대용량의 데이터셋에서 분류에 유의미한 feature를 식별할 수 있는 feature selection 과정이 적용된 머신러닝 기반 침입 탐지를 활용할 수 있다. 기존 머신러닝 기반 5G 네트워크 환경의 침입 탐지 연구들은 5G SDN 컨트롤러 대상 DDoS 탐지를 목적으로 한다. 그리고 침입 탐지 feature 관련 선행연구는 유선 네트워크 환경의 침입 탐지에 집중되어 있다. 따라서 본 연구는 5G SBA 환경에서 침입 탐지를 수행할 때, feature selection 과정이 미치는 효과를 분석하였다. 효과성은 분류 성능 평가 지표와 탐지 소요시간 측면에서 분석되었다. 실험 결과, 머신러닝 기반 5G 네트워크 침입 탐지에서 feature selection 과정을 선행할 경우, 분류 성능 평가 지표는 유지 및 향상되었으며, 훈련과 탐지에 소비되는 시간도 함께 감소하였다. 또한, 테스트 데이터셋의 크기가 커질수록 탐지 소요시간의 차이는 급격히 증가하였다.
연구는 실험을 통해서 5G 네트워크 환경에서 침입 탐지를 위한 학습 및 분류 전에 불필요한 feature를 제거하는 전처리 과정의 중요성을 확인하였다. 결과적으로, feature selection을 통한 전처리는 5G 네트워크 환경에서 침입을 초저지연으로 탐지하기 위한 목적에 효과적임을 확인하였다.