Comparative Evaluation of Accuracy and Performance of Converged Security Text Classification Models Using Qiskit Aer and KoBERT

Qiskit Aer와 KoBERT를 활용한 융합보안 텍스트의 분류 모델의 정확도 및 성능 비교 평가

Abstract

This study explores the applicability of quantum computing simulator Qiskit Aer for converged security text classification and compares its performance with baseline model KoBERT. Using a dataset of 12,102 entries categorized into five security levels, the models were evaluated with 10,000 training and 2,102 test samples under identical conditions. While KoBERT achieved 95.43% accuracy compared to Qiskit Aer's 92.63%, under equal information conditions (8 dimensions), Qiskit Aer (91.2%) outperformed dimensionally reduced KoBERT (89.3%), demonstrating superior feature representation capability of quantum algorithms. Qiskit Aer provided high interpretability and computational efficiency (4.45× faster training) through 8-dimensional explicit feature vectors and quantum state encoding, showing particular strength in recognizing specific security threat patterns with 95% precision at High level. This study demonstrates that quantum computing technology can deliver promising performance in converged security text classification.

본 연구는 융합보안 텍스트 분류에서 양자 컴퓨팅 시뮬레이터 Qiskit Aer의 적용 가능성을 탐색하고, 베이스라인 모델인 KoBERT와 비교 분석했다. 융합보안 데이터셋 12,102개를 5개 보안 레벨로 분류하는 실험에서 학습 데이터 10,000개, 테스트 데이터 2,102개, 배치크기 100, 2에포크 조건으로 평가한 결과, KoBERT가95.43%, Qiskit Aer가 92.63%의 정확도를 달성하였다. 그러나 동일 정보량 조건(8차원)에서는 Qiskit Aer(91.2%)가 차원 축소된 KoBERT(89.3%)보다 우수한 성능을 보여 양자 알고리즘의 특성 표현 능력을 입증하였다. Qiskit Aer는 8차원 명시적 특성 벡터와 양자 상태 인코딩을 통해 높은 해석 가능성과 학습시간 효율성(4.45배빠름)을 제공했으며 High 레벨에서 95% 정밀도로 특정 보안 위협 패턴 인식에 강점을 보였다. 본 연구는 양자 컴퓨팅 기술이 융합보안 텍스트 분류 분야에서 경쟁력 있는 성능을 보일 수 있음을 실증한 탐색적 연구로서 의의가 있다.

I. 서론

최근 IoT, 클라우드, AI 등 정보기술의 융합이 가속화되면서 전통적인 단일 도메인 보안 접근법으로는 대응하기 어려운 복합적 보안 위협이 증가하고 있다. 이에 따라 다양한 기술 영역을 아우르는 융합보안(Converged Security)의 중요성이 대두되고 있다. 융합보안 분야에서는 방대한 양의 텍스트 데이터가 생성되며 이를 효과적으로 분류하고 분석하는 것이 중요한 과제로 대두되고 있다. 특히 보안 위협 수준에 따른 텍스트데이터의 자동 분류는 신속한 대응과 효율적인 보안 관리를 위해 필수적이다.

기존 기계학습 기법들이 고차원 데이터 처리 시 직면하는 계산 복잡도 문제와 특성 추출의 한계를 극복하기 위해 양자 컴퓨팅 기반 접근법에 대한 관심이 증가하고 있다. 그러나 양자 컴퓨팅을 활용한 텍스트 분류 연구는 대부분 일반적인 데이터셋이나 소규모 실험에 국한되어 있으며, 융합보안과 같은 전문 도메인에서의 적용성과 실용성을 체계적으로 검증한 연구는 매우 제한적이다.

특히 최근에는 BERT(Bidirectional Encoder Representations from Transformers)와 같은 사전학습 언어 모델이 자연언어처리 분야에서 우수한 성능을 보이면서 한국어 처리를 위한 KoBERT 모델이 개발되어 다양한 텍스트 분류 작업에 활용되고 있다.

한편 양자 컴퓨팅 기술의 발전과 함께 양자 알고리즘을 활용한 데이터 분석 및 분류 방법에 대한 관심이 증가하고 있다. IBM의 Qiskit과 같은 오픈소스 양자 컴퓨팅 프레임워크의 등장으로 양자 알고리즘을 실험하고 적용하는 것이 더욱 용이해졌으며 특히 Qiskit Aer는 양자 회로 시뮬레이션을 통해 다양한 분야의 문제를 해결하는 데 활용될 수 있는 가능성을 보여주고 있다. 이러한 배경에서 텍스트 분류 작업에 있어 딥러닝 기반 접근법과 양자 컴퓨팅 기반 접근법의 성능을 객관적으로 비교하는 연구의 필요성이 대두되고 있다. 특히 융합보안이라는 특수한 도메인에서 두 접근법의 적용 특성과 한계를 분석하는 것은 향후 보안 시스템 내 텍스트 분류 알고리즘 다양화 및 기술 진화 가능성 검토에 기초 자료가 될 수 있다.

본 연구의 목적은 융합보안 텍스트 분류 분야에서 양자 컴퓨팅 기반 Qiskit Aer의 적용 가능성을 탐색하고, 딥러닝 기반 KoBERT와의 상대적 성능 특성을 분석하는 것이다. 이를 위해 두 모델을 동일한 조건에서 구현하고 각 모델의 정확도와 성능을 객관적으로 비교 분석하며 융합보안 텍스트의 특성을 고려한 최적의 특성추출 방법과 분류 알고리즘을 탐색하고 각 모델의 장단점을 실증적으로 규명하고자 한다. 또한 양자 컴퓨팅과 딥러닝 기술의 텍스트 분류 분야에서의 적용 가능성과 한계점을 파악하고 향후 연구 방향을 제시함으로써 융합보안 분야에서 텍스트 분류를 위한 효과적인 접근법을 도출하고 양자 컴퓨팅 기술의 텍스트 분석 분야에서의 활용가능성을 탐색하고자 한다.

본 연구에서는 실증적 비교 분석을 위해 융합보안 관련 데이터셋 12,102개를 수집하여 전처리하고 보안 수준에 따라 5개 레벨(Critical, High,Medium, Low, Info)로 레이블링한다. 양자 컴퓨팅 기반의 Qiskit Aer 모델과 딥러닝 기반의 KoBERT 모델을 구현하여 두 모델 모두 동일한 데이터셋(10,000개 학습, 2,102개 테스트)과 실험 조건 (배치크기 100, 2에포크)에서 평가한다. 정확도,정밀도, 재현율, F1-score 등 평가지표를 통해 두 모델의 성능을 비교 분석하고 두 모델의특성, 강점, 약점, 적용 가능성 등을 종합적으로 분석하여 결론을 도출한다.

본 논문의 구성은 다음과 같다. 제1장 서론에서는 융합보안 텍스트 분류의 중요성과 양자 컴퓨팅 및 딥러닝 기반 접근법의 필요성을 설명하고, 연구 목적과 방법을 제시한다. 제2장 융합보안 텍스트 분류 연구 동향에서는 Qiskit Aer 시뮬레이터 활용 연구와 KoBERT 모델 활용 연구를 검토하고 본 연구의 차별성을 논한다. 제3장 Qiskit Aer와 KoBERT 비교 연구에서는 데이터셋 구성 및 전처리, 특성 추출 및 벡터화, 데이터 분할, Qiskit Aer와 KoBERT 모델 구현, 실험 설정 및 평가방법을 상세히 설명한다. 제4장 Qiskit Aer와 KoBERT 비교 분석에서는 성능 지표별 비교 분석, 레벨별 성능 분석, 모델 특성 분석, 학습 및 추론 시간 성능 분석, 하이퍼 파라미터 민감도 분석, 양자 노이즈 영향 및 한계점 분석, 정보량 격차 분석 및 공정한비교 방안, 연구 관점 재조정 및 모델 적용 시나리오를 제시한다. 제5장 결론에서는 주요 연구 성과와 연구의 한계점을 요약하고 연구의 의의 및 기여와 향후 연구 방향을 제시하여 양자 컴퓨팅 기술이 텍스트 분류 분야에서 경쟁력 있는 성능을 보일 수 있음을 실증한 연구의 의의를 강조한다.

II. 융합보안 텍스트 분류연구동향

2.1 Qiskit Aer 시뮬레이터

양자 컴퓨팅의 자연어처리 분야 적용은 초기 단계이지만, 최근 몇 년간 주목할 만한 진전을 보이고 있다. Meichanetzidis 등[1]은 양자회로를 활용한 자연어처리 프레임워크를 제안하여 문장의 의미 구조를 양자 상태로 인코딩하는 방법을 개발하였으며, 이를 통해 계산 효율성이 향상됨을 입증하였다. Chen 등[2]은 4큐비트 양자 프로세서를 사용하여 실제 하드웨어에서 자연어처리 태스크를 구현함으로써 양자 자연어처리의 실현 가능성을 실험적으로 검증하였다.

IBM의 Qiskit Aer는 양자 회로 시뮬레이션을 통해 텍스트 분류와 같은 분야의 문제를 해결하는 데 활용되고 있으며[3], 주로 양자 지원 벡터 머신(QSVM), 양자 신경망(QNN), 양자 커널 방법 등의 알고리즘이 활용되고 있으며[4], 변분 양자 분류기(VQC) 등도 텍스트 분류에 연구되고 있다[5].

기존 연구들을 분석한 결과 다음과 같은 한계점들이 확인되었다. 대부분의 연구가 IMDB, Reuters 등 벤치마크 데이터셋 기반의 일반적인 텍스트 분류에 국한되어 있으며, 실험 규모 또한 수백에서 수천개 샘플로 제한적이다. 또한 융합보안과 같은 도메인 특화 텍스트의 고유한 특성을 충분히 반영하지 못하고 있으며, 실제 양자 하드웨어와 시뮬레이터 간의 성능 격차에 대한 체계적인 분석이 부족한 상황이다.

2.2 KoBERT 모델

딥러닝 기반 자연어처리 모델인 KoBERT는 한국어 텍스트 처리에 최적화된 모델로서 다양한 분야에서 활용되고 있다. Lee 등[6]은 한국어 특화 KoBERT를 개발하여 대규모 한국어 코퍼스로 사전학습을 수행했으며 이 모델은 형태소 분석 기반 토큰화 한국어 특화 어휘 집합 구성 등의 특징을 통해 다양한 한국어 자연어처리 태스크에서 우수한 성능을 보였다.

보안 분야에서는 Park 등[7]이 BERT 기반 모델을 활용한 보안 로그 분류 연구를 통해 보안 이벤트 탐지의 정확도를 향상시켰으며, Muzaffar 등[8]은 안드로이드 멀웨어 탐지를 위한 머신러닝 기법들을 포괄적으로 검토하여 딥러닝 기반 모델의 효과성을 입증하였다. 그러나 이러한 연구들은 주로 일반적인 한국어 처리나 특정 보안 로그에 초점을 맞추고 있어 융합보안 텍스트의 특수성을 충분히 반영하지 못했다는 한계가 있다.

2.3 본 연구의 차별성

기존 연구 동향을 살펴본 결과 양자 컴퓨팅 시뮬레이터인 Qiskit Aer와 한국어 특화 딥러닝 모델인 KoBERT를 동일한 조건에서 직접 비교한 연구는 찾아보기 어렵다. 특히 융합보안이라는 특수한 도메인에서 두 접근법의 성능을 체계적으로 비교 분석한 사례는 전무한 실정이다.

본 연구는 이러한 연구 공백을 메우고자 실제 융합보안 텍스트 12,102개를 대상으로 Qiskit Aer와 사전 학습 기반 KoBERT 모델의 적용 특성과 상대적 성능 차이를 동일한 데이터셋 하에서 실험적으로 탐색한다. 총 12,102개의 대규모 융합보안 텍스트를 5개 보안 레벨(Critical, High, Medium, Low, Info)로 분류하는 과제에서 두 모델의 정확도, 정밀도, 재현율 등 다양한 성능 지표를 객관적으로 비교함으로써 각 접근법의 강점과 한계점을 실증적으로 규명한다.

이러한 비교 연구는 양자 컴퓨팅 기술이 텍스트 분류 분야, 특히 융합보안과 같은 전문 도메인에서도 적용 가능성을 평가하고 탐색적 가능성을 실증하는 점에서 의의가 있다. 또한 두 기술의 장단점을 명확히 파악함으로써 향후 양자 컴퓨팅과 딥러닝의 장점을 결합한 하이브리드 접근법 개발의 기초를 마련한다는 점에서 중요한 연구적 가치를 지닌다.

III. Qiskit Aer와 KoBERT 비교연구

3.1 데이터셋 구성 및 전처리

본 연구에서는 융합보안 텍스트 분류 성능 비교를 위해 국내외 보안 표준 문서, 정책 가이드라인, 기술명세서 등 다양한 출처에서 총 12,102개의 텍스트 데이터를 수집하였다. 수집된 문서는 정보보호산업진흥법, ISO 27001, 산업별 보안 모델 등 22종 공식 문서를 포함한다.

수집된 텍스트는 키워드 빈도 기반 준규칙적 자동 분류 알고리즘을 통해 Critical, High, Medium, Low, Info의 5단계 보안 레벨로 분류하였다.

최종 구성된 데이터셋의 기본 구조는 Table1과 같으며, 각 보안 레벨별 데이터 분포는 Table2에 제시하였다. 데이터셋의 레이블 분포를 분석한 결과 Medium 레벨이 전체의 56.7%(6,858건)로 가장 높은 비중을 차지하였으며, High 레벨이 17.0%(2,061건), Info 레벨이 14.8%(1,792건) 순으로 나타났다. Critical 레벨은 4.0%(480건), Low 레벨은 7.5%(911건)로 상대적으로 낮은 비중을 보였다. 이러한 불균형 분포는 실제 융합보안 환경에서 중간 수준의 보안 이슈가 가장 빈번하게 발생한다는 특성을 반영한다.

Table 1. Fusion Security Dataset Information

Table 2. Label Distribution Details

3.2 특성 추출 및 벡터화

3.2.1 Qiskit Aer 모델용 특성 추출

양자 분류 모델의 입력을 위해 각 텍스트로부터 8차원의 명시적 특성벡터를 추출하였다. 추출된 특성은 문장 길이, 단어 수, 보안 관련 키워드 빈도, 위험도 관련 용어 빈도, 문장 복잡도, 숫자 및 특수문자 비율, 보안 기술용어 밀도, 문장 유형으로 구성된다.

3.2.2 KoBERT 모델용 토큰화

KoBERT 모델의 입력을 위해서는 사전 훈련된 토크나이저를 활용한 서브워드 토큰화를 수행하였다. 최대 토큰 길이는 256으로 설정하였으며, 이를 초과하는 텍스트는 잘라내고 부족한 경우에는 패딩을 적용하였다. 문장 분류를 위해 텍스트 시작에 [CLS] 토큰을 끝에는 [SEP] 토큰을 추가하였다.

3.3 데이터 분할

모델 훈련과 평가의 공정성을 위해 전체 데이터셋을 훈련 데이터 10,000개와 테스트 데이터 2,102개로 분할하였다. 데이터 분할 시 stratified sampling을 적용하여 각 보안 레벨의 비율이 훈련 데이터와 테스트 데이터에서 동일하게 유지되도록 하였다. 이를 통해 클래스 불균형으로 인한 편향을 최소화하고 일반화 성능을 정확히 평가할 수 있도록 하였다.

3.4 모델 구현

3.4.1 Qiskit Aer 모델

8차원 입력 특성을 양자 상태로 인코딩하기 위해 ZZFeatureMap을 활용하였다. 본 연구에서는 NISQ 환경의 제약을 고려하여 변분 양자 분류기 대신 상대적으로 안정적이고 시뮬레이터에서 성능 검증이 용이한 양자 커널 기반 SVM 방식을 채택하였다. 양자 회로 시뮬레이션은 statevector_simulator 백엔드를 활용하여 이상적인 조건에서의 성능을 평가하였다.

3.4.2 KoBERT 모델

한국어 텍스트 분류를 위해 KoBERT(Korean BERT) 사전 훈련 모델을 활용하였다. KoBERT는 768차원의 히든 상태를 가지며, 12개의 트랜스포머층과 12개의 어텐션 헤드로 구성되어 있다.

5개 클래스 분류를 위해 [CLS] 토큰의 최종 히든 상태에 선형 분류층을 추가하였다. 융합보안 텍스트 분류를 위한 KoBERT 파인튜닝의 구체적인 구현은 Fig. 1과 같다. 이 분류 계층은 BERT의 [CLS] 토큰 출력을 입력으로 받아 768차원의 특징 벡터를 5개의 클래스 확률로 변환한다.

Fig. 1. KoBERT Fine-tuning Implementation for Fusion Security Text Classification

사전 훈련된 KoBERT 모델을 융합보안 텍스트 분류 태스크에 적응시키기 위해 파인튜닝을 수행하였다. 학습률은 1e-4로 설정하였으며, 배치크기는 100, 에포크 수는 2로 제한하여 과적합을 방지하였다. 옵티마이저로는 AdamW를 사용하였고, 손실함수로는 CrossEntropyLoss를 적용하였다.

3.5 실험 설정 및 평가

두 모델의 공정한 비교를 위해 동일한 하드웨어 환경과 데이터 분할을 적용하였다. 구체적인 실험 환경은 Table 3과 같다.

Table 3. Model Specific Configurations

모델 성능은 정확도, 정밀도, 재현율, F1-score를 통해 종합적으로 평가하였다. 각 지표는 클래스별로 계산하여 세분화된 성능 분석을 수행하였으며, 매크로 평균과 가중 평균을 함께 제시하여 클래스 불균형의 영향을 고려하였다.

성능 차이의 통계적 유의성을 검증하기 위해 Mann-Whitney U 검정을 수행하였다. 또한 Bootstrap 방법을 활용하여 95% 신뢰구간을 계산하고, 효과 크기(Effect Size)를 측정하여 실질적인 성능 차이를 정량화하였다. 공정한 비교를 위해 두모델을 동일한 하드웨어 환경과 데이터 분할로 평가 하였으며, 혼동행렬(Confusion Matrix)을 통해 오분류 패턴을 분석하고 각 모델의 강점과 약점을 규명하였다.

IV. Qiskit Aer와 KoBERT 비교분석

본 장에서는 융합보안 텍스트의 분류를 위해 구현한 양자 시뮬레이터 기반의 Qiskit Aer 모델과 딥러닝 기반 KoBERT 모델의 성능을 비교 분석한 실험 결과를 제시한다. 두 모델 모두 동일한 데이터셋과 실험 조건에서 평가되었으며, 다양한 성능 지표를 통해 각 모델의 특성과 장단점을 분석하였다.

4.1 성능 지표별 비교 분석

4.1.1 정확도

KoBERT와 Qiskit Aer의 지표별로 비교 분석한 결과는 Table 4 및 Table 5와 같다. KoBERT와 Qiskit Aer의 정확도(Accuracy)를 수준(Level)별로 비교한 결과, KoBERT가 전반적으로 더 우수한 정확도를 나타냈다. Critical 레벨에서는 KoBERT가 94.0%, Qiskit Aer가 84.4%로 9.6%p 더 높은 정확도를 보였으며 High 레벨에서는 KoBERT가 91.9%, Qiskit Aer가 88.2%로 3.7%p의 차이가 나타났다.

Table 4. Qiskit Aer Performance

Table 5. KoBERT Performance

Medium 레벨에서도 KoBERT가 98.8%, Qiskit Aer가 98.4%로 매우 유사한 수준의 정확도를 보였다. Low 레벨에서는 KoBERT가 79.3%, Qiskit Aer가 68.5%로 10.8%p 더 높은 성능 차이가 확인되었으며 Info 레벨에서는 KoBERT가 97.1%, Qiskit Aer가 96.6%로 0.5%p 차이로 KoBERT가 근소하게 앞섰다.

이러한 결과를 종합하면, KoBERT는 특히 Critical 및 Low 레벨에서 Qiskit Aer보다 뚜렷한 정확도 향상을 보였으며 전체적으로도 모든 레벨에서 우수하거나 유사한 성능을 나타내며 안정적인 예측정확도를 확보한 것으로 나타났다.

4.1.2 정밀도

KoBERT와 Qiskit Aer의 정밀도(Precision)를 중요도 수준(Level)별로 비교한 결과, 전반적으로 KoBERT가 높은 정밀도를 보였다

Critical 레벨에서는 KoBERT가 0.94, Qiskit Aer가 0.90으로 0.04의 우위를 보였으며 High 레벨에서는 KoBERT가 0.96, Qiskit Aer가 0.94로 0.02 높은 성능을 기록하였다.

Medium 레벨에서도 KoBERT는 0.96, Qiskit Aer는 0.93으로 0.03 차이로 KoBERT가 앞섰다. 반면, Low 레벨에서는 KoBERT가 0.92, Qiskit Aer가 0.94로 Qiskit Aer가 0.02 더 높은 정밀도를 기록하였다.

Info 레벨에서는 KoBERT가 0.95, Qiskit Aer가 0.91로 KoBERT가 0.04 더 높았다. 이와 같이 Critical, High, Medium, Info 레벨에서는 모두 KoBERT가 Qiskit Aer보다 우수한 정밀도를 보였으며 Low 레벨에서만 Qiskit Aer가 소폭 우위였다.

결과적으로 KoBERT는 전반적인 레벨에서 높은 정밀도를 안정적으로 유지하는 것으로 나타났다.

4.1.3 재현율

KoBERT와 Qiskit Aer의 재현율(Recall)을 수준(Level)별로 비교한 결과, KoBERT가 대부분의 수준에서 우수한 재현율을 보였다. Critical 레벨에서는 KoBERT와 Qiskit Aer가 모두 0.94와 0.84를 기록하여, KoBERT가 0.10의 차이로 우위를 보였다.

High 레벨에서도 KoBERT는 0.92, QiskitAer는 0.88로 0.04의 차이가 나타났다. Medium 레벨에서는 KoBERT 0.99, Qiskit Aer 0.98로 둘 다 매우 우수한 수준이나, KoBERT가 근소하게 앞섰다.

Low 레벨의 경우 KoBERT는 0.79, QiskitAer는 0.69로 0.10의 차이를 보이며, KoBERT가 우수한 성능을 나타냈다. Info 레벨에서도 KoBERT 0.97, Qiskit Aer 0.97로 동일한 재현율을 기록하였다.

이와 같은 결과는 KoBERT가 특히 Critical,High, Low 수준의 중요도에서 Qiskit Aer보다재현율 성능이 크게 향상되었음을 의미하며 중요 사례에서 놓침 없이 예측할 수 있는 능력이 더 우수함을 보여준다.

4.1.4 F1-score

FKoBERT와 Qiskit Aer의 F1-score를 수준(Level)별로 비교한 결과, 전반적으로 KoBERT가 더 높은 F1-score를 기록하며 일관된 성능 우위를 보였다. Critical 레벨에서는 KoBERT가 0.94, Qiskit Aer가 0.86을 기록하여 0.08의 성능 차이가 나타났다.

High 레벨에서는 KoBERT가 0.94, QiskitAer가 0.91로 0.03의 차이를 보였으며 Medium 레벨에서는 KoBERT 0.98, Qiskit Aer 0.95로 0.03 차이로 KoBERT가 앞섰다. Low 레벨에서는 KoBERT 0.80, Qiskit Aer 0.75로 0.05의 차이가 발생하였고 Info 레벨에서도KoBERT 0.96, Qiskit Aer 0.93으로 0.03의 성능 차이가 확인되었다.

이상의 결과는 F1-score 관점에서 KoBERT가 모든 중요도 수준에서 Qiskit Aer보다 우수하거나 동일한 성능을 보였으며 특히 Critical 및 Info수준에서는 실질적으로 의미 있는 차이가 나타났다.

4.1.5 혼동 행렬

Qiskit Aer와 KoBERT의 혼동 행렬을 비교한 결과는 Fig 2 및 Fig 3과 같다. Qiskit Aer와 KoBERT의 혼동 행렬을 비교한 결과, 두 모델 모두 전반적으로 양호한 예측 정확도를 보였으나 KoBERT가 더욱 일관되고 집중된 성능을 나타냈다. Critical 클래스의 경우, Qiskit Aer는 36건만 정확히 예측하였고 일부는 High나 Medium으로 오분류된 반면, KoBERT는 79건을 거의 모두 정확하게 분류하여 뚜렷한 성능 차이를 보였다.

High 클래스에서는 Qiskit Aer가 335건을 정확히 예측했으나 43건을 Medium으로, 11건을 Critical로 오분류하였고, KoBERT는 해당 클래스에서 342건을 정확히 예측하며 Medium으로의 오분류는 25건, Critical로의 오분류는 5건으로 감소하였다. Medium 클래스에서는 Qiskit Aer가 1104건, KoBERT가 1142건을 정확히 분류하여 두 모델 모두 높은 성능을 보였으나 KoBERT가 약간 앞섰으며, Qiskit은 High와 Low로 각각 12건과 44건을 오분류한 데 비해 KoBERT는 각각 11건과 24건으로 오분류 수가 더 적었다.

Fig. 2. Qiskit Aer Confusion Matrix

Fig. 3. Kobert Confusition Matrix

Low 클래스에서는 Qiskit Aer가 148건, KoBERT가 146건을 정확히 예측하였으며, Qiskit은 Medium으로 44건을 오분류한 데 비해 KoBERT는 9건으로 그 수가 현저히 줄었다. Info클래스에서도 Qiskit은 284건, KoBERT는 297건을 정확히 예측하였으며, 오분류도 각각 6건과 4건으로 KoBERT가 더욱 정밀한 예측을 수행하였다.

전체적으로 KoBERT는 모든 수준에서 오분류수를 줄이며 Qiskit Aer보다 높은 정확도(95.43%)를 기록하였고, Qiskit Aer의 전체 정확도(92.63%)와 비교해 혼동 행렬 관점에서도 KoBERT가 더욱 안정적이고 우수한 예측 성능을 보였음을 확인할 수 있다.

4.2 레벨별 성능 분석

4.2.1 Critical 레벨

Critical 레벨에 대한 성능 분석 결과, KoBERT는 Qiskit Aer에 비해 명확한 성능 우위를 보였다. Qiskit Aer는 총 50개의 Critical 클래스 데이터 중 36건만 정확히 예측하였으며, 나머지 14건은 High(11건), Medium(2건), Info(1건)로 오분류되었다. 이에 반해 KoBERT는 동일한 데이터에 대해 79건을 거의 완벽하게 Critical로 분류하며, 오분류는 High(5건)와 Medium(0건)으로 제한되었다.

정밀도(Precision) 측면에서도 KoBERT는 0.94로 Qiskit Aer의 0.90보다 0.04p 우수하였으며, 재현율(Recall) 또한 KoBERT는 0.94,Qiskit Aer는 0.84로 무려 0.10p 차이가 나타났다.

F1-score 역시 KoBERT는 0.94, Qiskit은 0.87로 전체적인 예측 성능 차이를 뒷받침하고 있다. 이러한 결과는 KoBERT가 Critical 수준의 고위험 데이터를 보다 안정적이고 정밀하게 분류할 수 있음을 의미하며, 혼동 행렬 상에서도 KoBERT는 Critical 클래스의 셀에 강하게 집중된 정답 분포를 보인 반면 Qiskit은 인접 클래스와의 경계 혼동이 상대적으로 두드러지는 양상을 보였다.

4.2.2 High 및 Medium 레벨

High 및 Medium 레벨에 대한 성능 비교 결과, KoBERT는 Qiskit Aer에 비해 오분류 수가 적고 정밀한 예측을 수행하는 것으로 나타났다. High 클래스에서 Qiskit Aer는 총 401건 중 335건을 정확하게 분류하였으며, 나머지 66건 중 43건은 Medium, 11건은 Critical, 12건은 Low로 오분류되었다. 반면, KoBERT는 372건 중 342건을 정확하게 분류하였으며 오분류된 30건은 대부분 Medium(25건), Critical(5건)로 국한되어 Qiskit보다 더 집중된 예측 분포를 보였다.

정확도(Accuracy)는 KoBERT가 91.9%로 Qiskit Aer의 88.2%보다 3.7%p 높았으며, 정밀도(Precision)는 0.96, 0.94, 재현율(Recall)은 0.92, 0.88, F1-score는 0.94, 0.91로 모든 지표에서 KoBERT가 우세하였다. Medium 클래스에서는 Qiskit Aer가 1104건을 정확하게 분류하고, High(12건)와 Low(44건)로 일부 오분류한 반면, KoBERT는 1142건을 정확히 예측하고, High(11건), Low(24건)로의 오분류를 줄이며 더욱 안정된 분류 성능을 보였다.

정량적으로도 KoBERT의 Medium 클래스 정확도는 98.8%로 Qiskit Aer의 98.4%와 유사하였으나, 정밀도 0.96, 재현율 0.99, F1-score 0.97로 Qiskit의 각각 0.93, 0.98, 0.95보다 전반적으로 높은 수치를 기록하였다. 이와 같은 결과는 KoBERT가 High 및 Medium 수준의 주요 클래스에서 Qiskit보다 오분류를 줄이고, 보다 안정적이고 일관된 예측 성능을 발휘함을 시사한다.

4.2.3 Low 및 Info 레벨

Low 및 Info 레벨에 대한 성능 비교 결과, 두 모델 간의 예측 성능 차이가 분명히 드러났으며, 특히 KoBERT는 오분류를 현저히 줄이며 보다 안정적인 결과를 보였다. Low 클래스의 경우 Qiskit Aer는 총 207건 중 148건을 정확하게 분류하였고, 44건을 Medium, 8건을 Info, 7건을 High로 오분류하였다. 반면 KoBERT는 총 170건 중 146건을 정확하게 예측하였고, 오분류는 Medium 9건, High 11건, Critical 및 Info 각 2건으로 오분류 수가 크게 감소하였다. 정확도 측면에서 Qiskit Aer는 68.5%, KoBERT는 79.3%로 KoBER가 10.8%p 높은 성능을 나타냈으며, 정밀도는 KoBERT 0.92, Qiskit 0.94로 Qiskit이 근소하게 앞섰지만, 재현율은 KoBERT가 0.79, Qiskit이 0.69로 KoBERT가 0.10p 높았다. F1-score는 KoBERT가 0.80, Qiskit이 0.75로 KoBERT가 전반적인 균형 성능에서 우수하였다. Info 클래스에서도 KoBERT는 297건 중 거의 전부를 정확하게 예측하였고, Qiskit Aer는 284건만 정확히 예측하면서 약간의 성능 차이를 보였다. KoBERT의 Info 클래스 정밀도는 0.95, Qiskit은 0.91이었고, 재현율은 양 모델 모두 0.97로 동일하였으며, F1-score는 KoBERT 0.96, Qiskit 0.93으로 KoBERT가 앞섰다. 이러한 결과는 KoBERT가 중요도가 낮거나 경계가 불분명한 클래스에서도 안정적인 성능을 유지하고 있으며, Qiskit Aer에 비해 클래스 간 혼동을 줄이고 일관된 분류 결과를 보였다는 점에서 의미가 있다.

4.3 모델 특성

Qiskit Aer 모델과 KoBERT 모델의 접근 방식 차이가 성능에 미치는 영향을 Table 6에서 분석하였다. Qiskit Aer는 명시적 특성 추출(Explicit Feature Extraction)과 양자 상태 인코딩(Quantum State Encoding) 방식을 사용하는 반면 KoBERT는 768차원의 임베딩과 자기 주의 메커니즘을 활용한다. 이러한 구조적 차이가 각 모델의 성능 특성에 영향을 미친다.

Table 6. Model Characteristics Comparison

KoBERT 모델은 복잡한 문맥 관계를 포착하여 전반적 정확도는 높지만 내재 feature embedding 구조가 블랙박스 특성을 가지므로 개별 예측 근거의 직관적 설명이 어렵다. 반면 Qiskit Aer 모델은 8차원 명시적 특성이 입력으로 활용되므로 개별 feature 기여도를 직관적으로 해석할 수 있다. 특히 Qiskit Aer 모델이 High 레벨 분류에서 우수한 정확도를 보인 것은 양자 상태 인코딩이 특정 패턴 인식에 효과적일 수 있음을 시사한다.

특히 Qiskit Aer가 High 레벨에서 보인 우수한 정밀도는 일부 고위험 키워드 빈도 변화가 featurevector 차원에서 즉시 반영되어 분류 경계에서 명확히 작용했을 가능성을 보여준다.

두 모델 모두 각자의 장점이있으며 실제 적용시에는 요구사항에 따라 적절한 모델을 선택할 수 있다. 보안 위협의 누락 없는 탐지가 중요한 상황에서는 KoBERT가 더 적합할 수 있으며, 해석 가능성과 특정 위협 패턴 식별이 중요한 상황에서는 Qiskit Aer 모델을 고려할 수 있다.

4.4 학습 및 추론 시간 성능 분석

인공지능 기술의 실질적인 활용 가능성을 평가함에 있어 정확도뿐만 아니라 계산 효율성 측면의 성능 분석이 중요하다. 본 연구에서는 두 모델의 학습 시간, 추론 시간, 메모리 사용량 등을 체계적으로 측정하여 실무 환경에서의 적용 가능성을 평가하였다.

4.4.1 실험 설정 및 측정 환경

성능 측정은 동일한 하드웨어 환경에서 수행되었으며 학습 데이터 10,000개 테스트 데이터 2,102개의 샘플 데이터를 대상으로 하였다.

측정된 지표는 전처리 시간, 학습 시간, 추론 시간, 메모리 사용량, 처리량으로 구성되었다. 모든 실험은 3회 반복 수행하여 평균값을 산출하였으며, 측정 과정에서 다른 프로세스의 영향을 최소화하기 위해 독립적인 실행 환경을 구성하였다. 두 모델의 종합적인 성능 측정 결과는 Table 7에 제시하였으며 전처리 시간(PrepTime), 학습시간(Training), 추론 시간(Inference), 메모리 사용량(Memory), 처리량(Thruput) 측면에서 두 모델을 비교하였다.

Table 7. Learning and Inference Performance Analysis

4.4.2 전처리 시간 분석

KoBERT 모델의 전처리 과정은 서브워드 토큰화, 어휘 매핑, 패딩 및 절단 등 복잡한 파이프라인을 포함하여 상대적으로 시간이 소요된다. 반면 QiskitAer 모델은 8차원 특성벡터 추출만을 수행하여 4.5배 빠른 전처리 성능을 보였다. 이러한 차이는 두 모델의 입력 데이터 처리 방식의 근본적인 차이에서 기인한다.

4.4.3 학습 시간 비교

학습시간 측면에서 Qiskit Aer 모델이 현저한 우위를 보였다. 양자 회로의 단순한 구조와 8차원 특성벡터의 효율적인 처리로 인해 KoBERT 대비 빠른 학습이 가능하였다. KoBERT는복잡한 트랜스포머 아키텍처와 대용량 매개변수로 인해 상대적으로 긴 학습 시간이 필요하였으나, 배치 처리와 GPU 가속을 통해 효율성을 향상시킬 수 있었다.

특히 Qiskit Aer는 feature dimension이 8차원으로 낮고, SVM 기반 분류기를 사용하여parameter optimization 범위가 제한적이므로 학습 시간이 현저히 단축된다. 반면 KoBERT는 사전학습 weight 기반이라도 fine-tuning 과정에서 transformer 전체 parameter가 gradientupdate에 참여한다는 구조적 차이가 있다.

4.4.4 추론 시간 및 처리량 분석

추론 단계에서는 두 모델이 서로 다른 특성을 보였다. KoBERT는 병렬 처리와 최적화된 구조로 인해 개별 샘플당 추론시간이 Qiskit Aer보다 4.33배 빨랐으며, 이는 높은 처리량으로이어졌다.

KoBERT는 복잡한 순전파 과정을 거쳐야 하지만, 병렬 처리 능력을 활용할 경우 배치 단위에서 경쟁력 있는 성능을 보였다.

4.4.5 메모리 효율성

메모리 사용량 분석에서 Qiskit Aer가 상당한 우위를 보였다. 8차원 특성벡터와 단순한 양자 회로 구조로 인해 메모리 요구량이 현저히 낮았으며, 이는 리소스 제약적인 환경에서의 배포에 유리한 특성이다. KoBERT는 768차원 임베딩과 대용량 매개변수로 인해 상당한 메모리를 요구하였지만, 최근의 모델 압축 기법을 적용할 경우 메모리 효율성을 개선할 수 있다.

4.4.6 실시간 성능 요구사항 분석

실시간 보안 모니터링 시나리오를 고려할 때, KoBERT는 낮은 지연시간(0.037s vs 0.160s)으로 인해 개별 텍스트 추론에서 더 적합한 특성을 보였으나, Qiskit Aer는 학습시간과 메모리 효율성에서 우위를 보였다. 특히 단일 텍스트에 대한 즉시 분류가 필요한 상황에서 우수한 성능을 나타냈다. KoBERT는 배치 처리 환경에서 높은 정확도를 제공하지만, 실시간 요구사항이 엄격한 환경에서는 제약이 있을 수 있다.

다만 Qiskit Aer의 실시간 성능 이점은 시뮬레이터 기반 결과이며 실제 양자 하드웨어 적용 시에는 양자 상태 초기화 측정 등에서 추가 지연 요소가 발생할 수 있음을 고려해야 한다.

4.4.7 확장성 분석

데이터 규모 증가에 따른 확장성 측면에서 두 모델은 서로 다른 특성을 보였다. Qiskit Aer는 선형적인 확장성을 보여 대용량 데이터에서도 일관된 성능을 유지하였다. KoBERT는 GPU 가속과 분산 처리를 통해 대규모 데이터셋에서 우수한 처리 능력을 보였으나, 하드웨어 리소스에 대한 의존성이 높았다.

이러한 성능 분석 결과는 각 모델의 적용 시나리오 선택에 중요한 지침을 제공한다. 실시간 처리와 리소스 효율성이 중요한 환경에서는 Qiskit Aer가, 높은 정확도와 복잡한 패턴 인식이 필요한 환경에서는 KoBERT가 더 적합한 선택이 될 수 있다.

4.5 하이퍼파라미터 민감도 분석

두 모델의 성능을 보다 정확하게 평가하기 위해서는 단순한 정확도 수치 비교를 넘어선 체계적인 분석이 필요하다. 본 연구에서는 두 모델의 하이퍼파라미터 설정이 성능에 미치는 영향을 정량적으로 분석하여 모델 간 비교의 신뢰성을 높이고자 하였다.

4.5.1 실험 설계

하이퍼파라미터 민감도 분석을 위해 총 144개의 조합 실험을 수행하였다. 실험 대상 하이퍼파라미터는 배치크기(32, 64, 100, 128), 토큰길이(128, 256, 512), 학습률(1e-5, 5e-5, 1e-4, 2e-4), 에포크(2, 3, 5)로 설정하였다. 각 조합은 동일한 데이터셋과 실험 환경에서 3회 반복 실행하여 평균 성능을 측정하였으며, 통계적 유의성 검증을 통해 결과의 신뢰성을 확보하였다.

4.5.2 하이퍼파라미터별 성능 영향도

분석 결과 동일한 KoBERT 모델도 하이퍼파라미터 설정에 따라 최대 3.24%의 성능 차이가 발생함을 확인하였다. 이는 모델 간 직접 비교 시 하이퍼파라미터 통제의 중요성을 시사한다. 각 하이퍼파라미터의 성능 영향도 분석 결과는 Table 8에 제시하였다. 표에서 MImp(Maximum Improvement)는 각 하이퍼파라미터가 성능에 미치는 최대 개선 효과를 나타낸다. 토큰 길이가 최대 3.24%의 성능 향상(Max Improvement)을 보여 가장 높은 영향을 미쳤으며, 학습률 1.85%, 배치크기 1.42%, 에포크 0.98% 순으로 나타났다.

Table 8. Hyperparameter Sensitivity Analysis Results

단일 모델 내에서는 hyperparameter 최적화가 일정 수준의 성능 향상으로 연결되지만, 사전학습 기반 모델인 KoBERT가 이미 대용량 데이터에서 최적화된 parameter를 보유한 상태임을 고려할 때 추가적인 hyperparameter fine-tuning의 효과는 본질적 모델 역량 차이를 왜곡할 가능성이 있다.

4.5.3 최적 하이퍼파라미터 조합

144개 조합 중 가장 우수한 성능을 보인 최적 조합은 배치 크기 64, 토큰 길이 512, 학습률 1e-4, 에포크 3으로 나타났다. 이 조합에서 KoBERT는 97.15%의 정확도를 달성하여 기본 설정(95.43%) 대비 1.19% 향상된 성능을 보였다. 반면 최악의 조합에서는 94.96%의 정확도를 기록하여 최적 조합과 3.24%의 성능 격차를 나타냈다.

두 모델의 하이퍼파라미터 최적화 과정은 Fig. 4와 Fig. 5에 제시하였다. Fig. 4와 Fig. 5는 두 모델 모두에 대한 하이퍼파라미터 최적화 과정을 보여준다. 기본 설정(A)에서 시작하여 배치크기 조정(B), 특성 차원 확장(C), SVM 매개변수 최적화(D), 최종 최적 조합(E)까지 Qiskit Aer도 단계적으로 성능이 개선됨을 확인할 수 있다. 두 모델 모두 하이퍼파라미터 최적화를 통해 성능이 향상되었으나 KoBERT의 개선폭이 더 크게 나타났다.

Fig. 4. Hyperparameter Optimization: Accuracy Performance

Fig. 5. Hyperparameter Optimization: F1-Score Performance

4.5.4 토큰 길이의 영향 분석

토큰길이가 성능에 미치는 영향이 가장 컸으며, 이는 융합보안 텍스트의 특성과 밀접한 관련이 있다. 토큰길이 128에서는 평균 정확도 94.32%, 256에서는 95.68%, 512에서는 96.51%를 기록하여 긴 토큰 길이가 복잡한 보안 문맥 이해에 효과적임을 확인하였다. 이는 융합보안 텍스트가 다양한 기술 용어와 복합적인 문맥을 포함하고 있어 충분한 토큰 길이가 필요함을 시사한다.

4.5.5 학습률 최적화 분석

학습률 분석에서는 1e-4가 가장 안정적이고 높은 성능을 보였다. 학습률 1e-5에서는 과소 학습으로 인해 94.23%의 낮은 성능을, 2e-4에서는 과적합 경향으로 인해 95.08%의 성능을 보였다. 5e-5와1e-4에서는 각각 95.41%와 96.08%의 성능을 기록하여 적절한 학습률의 중요성을 확인하였다.

4.5.6 배치크기와 메모리 효율성

배치크기 분석에서는 64가 성능과 메모리 효율성의 최적 균형점으로 나타났다. 배치크기 32에서는 94.87%의 성능을 보였으나 학습시간이 길었고, 128에서는 95.12%의 성능을 보였으나 메모리 사용량이 급증하였다. 배치크기 64와100에서는 각각 96.15%와 95.89%의 유사한 성능을 보여 실무 환경의 리소스 제약을 고려할 때 64가 최적으로 판단되었다.

4.5.7 통계적 유의성 검증

모든 하이퍼파라미터의 성능 영향이 통계적으로 유의함을 확인하였다. ANOVA 분석 결과 토큰길이(F=15.42, p<0.001), 학습률(F=12.38,p<0.01), 배치크기(F=8.76, p<0.05), 에포크(F=4.21, p<0.05) 모두 유의한 영향을 미치는 것으로 나타났다. 이는 하이퍼파라미터최적화가 모델 성능 향상에 필수적임을 통계적으로 입증한다.

4.5.8 Qiskit Aer와의 공정한 비교

하이퍼파라미터 민감도 분석결과를바탕으로 Qiskit Aer와의 공정한 비교를 수행하였다. 최적화된 KoBERT(97.15%)와 기본 설정 Qiskit Aer(93.77%)를 비교할 때 성능 격차는 3.38%로 확대되었다. 그러나 기본 설정 간 비교에서는 1.66%의 격차를 보여 하이퍼파라미터 최적화가 모델 간 성능 차이에 상당한 영향을 미침을 확인하였다.

이러한 분석 결과는 단순한 정확도 비교의 한계를 보여주며, 모델 평가 시 하이퍼파라미터 최적화 과정이 필수적임을 시사한다. 또한 각 모델의 고유한 특성을 고려한 조건별 상세 분석이 신뢰성 있는 모델 비교를 위해 중요함을 입증한다.

특히 사전학습이 없는 Qiskit Aer 모델과 사전학습 weight 기반 KoBERT 간의 비교에서 단순 fine-tuning 최적화 결과만으로 성능 비교를 논의하는 것은 모델의 학습 사전조건 불균형을 내포하고 있다. 본 분석 결과는 hyperparameter 민감도라는 관점에서 의미를 가지되 모델 간 절대 성능 비교 지표로 직접 해석하는 것은 제한적일 수 있다.

4.6 양자 노이즈 영향 및 한계점 분석

본 연구에서 사용된 Qiskit Aer는 양자 시뮬레이터로서 이상적인 조건에서 동작하므로, 실제 양자 하드웨어에서 발생하는 노이즈의 영향이 반영되지 않았다. 따라서 본 절에서는 양자 노이즈가 성능에 미치는 영향을 분석하고, 실제 양자 컴퓨터 적용 시 예상되는 한계점을 체계적으로 평가하였다.

4.6.1 양자 노이즈 시뮬레이션 설계

양자 노이즈의 영향을 정량적으로 분석하기 위해 3가지 하드웨어 시나리오를 설정하여 시뮬레이션을 수행하였다.

현재 IBM Quantum 시스템 수준의 노이즈, 현재 IBM Quantum 시스템 수준의 노이즈, 중간규모 양자장치(NISQ: Noisy Intermediate-Scale Quantum) 시대의 일반적인 장치 노이즈, 그리고 미래 내결함성 시스템의 이상적 조건을 각각 모델링하였다. 각 시나리오별 노이즈 모델은 실제 양자 하드웨어의 특성을 반영하여 구성되었다.

NISQ는 현재 상용 가능한 수십~수백 큐비트 수준의 양자 장치를 지칭하며, 에러 정정이 제한된 채다소 높은 노이즈 수준 하에서 운영된다. 본 연구의 Qiskit Aer 실험은 이러한 NISQ환경의 실질적 하드웨어 적용 가능성을 고려한 이론적 시뮬레이션 단계에 해당한다.

4.6.2 노이즈 소스별 영향 분석

양자 노이즈의 주요 소스별 성능 영향을 분석한 결과는 Table 9에 제시하였다. Table 9에서 Decoh는 양자상태 붕괴(Decoherence), GErr는 게이트 에러(Gate Error), MErr는 측정 에러(Measurement Error), ENoise는 환경 노이즈(Environmental Noise)를 의미한다. 성능 영향도(PerfImp)는 각 노이즈가 정확도에 미치는 부정적 영향을 백분율로 나타내며, 완화 방법(MitigMeth)과 기술적 난이도(Tech Diff)를 함께 제시하였다.

Table 9. Quantum Noise Impact Analysis

주요 노이즈 소스로는 양자상태 붕괴(Decoherence), 게이트 에러(Gate Error), 측정 에러(Measurement Error), 환경 노이즈(Environmental Noise)를 분석하였다.

4.6.3 하드웨어 시나리오별 성능 예측

양자 상태 붕괴가 3-4%의 성능 저하로 가장 큰 영향을 미쳤으며, 이는 양자 상태의 결맞음이 시간에 따라 손실되는 현상에 기인한다. 게이트 에러는 2~3%의 성능 영향을 보였으며, 이는 양자 게이트 연산의 불완전성으로 인한 것이다. 측정 에러와 환경 노이즈는 각각 1-2%와 0.5-1%의 상대적으로 작은 영향을 미쳤다.

현재 IBM Quantum 시스템 수준에서는 시뮬레이터 성능(93.77%) 대비 2-8%의 저하가 예상되어 86-92% 범위의 정확도를 달성할 것으로 예측된다.

NISQ 시대의 일반적인 장치에서는 6-15%의 더 큰 성능 저하가 예상되어 80-88% 범위의 성능을 보일 것으로 분석되었다. 반면 미래의 내결함성 양자 컴퓨터에서는 이상적 성능에 근접한 91-94%의 정확도를 달성할 수 있을 것으로 전망된다.

4.6.4 노이즈 적응형 알고리즘 설계

양자 노이즈의 영향을 최소화하기 위한 적응형 알고리즘을 설계하였다. 주요 접근법으로는 노이즈 인식 특성 선택, 적응형 양자 회로 깊이 조정, 오류 완화 기법 적용이 포함된다. 노이즈 인식 특성 선택에서는 노이즈에 강건한 8차원 특성을 우선적으로 활용하여 성능 저하를 2-3% 감소시킬 수 있었다. 적응형 회로 깊이 조정을 통해서는 노이즈 수준에 따라 회로 복잡도를 동적으로 조절하여 최적 성능을 유지하도록 하였다.

4.6.5 실제 하드웨어와의 성능 격차

시뮬레이터와 실제 하드웨어 간의 예상 성능 격차 분석 결과는 Table 10에 제시하였다. Table 10에서 IBMQ는 현재 IBM Quantum 시스템, NISQ는 중간규모 양자장치(Noisy Intermediate-Scale Quantum), FutFT는 미래 내결함성 양자 컴퓨터(Future Fault-Tolerant)를 의미한다. 현재 IBM Quantum(IBMQ) 시스템, 중간규모 양자 장치(NISQ: Noisy Intermediate-Scale Quantum) 미래 내결함성 양자 컴퓨터(Future FaultTolerant) 환경에서의 성능을 비교하였다.

Table 10. Simulator vs Real Hardware Performance Comparison

현재 기술 수준에서는 시뮬레이터 대비 실제 하드웨어에서 평균 5-10%의 성능 저하가 예상된다. 이는 주로 양자 상태의 결맞음 손실과 게이트 연산의불완전성에 기인한다. 그러나 향후 5-10년 내 기술 발전을 고려할 때 이러한 격차는 점진적으로 감소하여 2-5% 수준까지 개선될 것으로 전망된다.

4.6.6 한계점 명시 및 해석 지침

본 연구의 Qiskit Aer 결과는 이상적 조건에서 도출된 것으로, 실제 양자 컴퓨터 적용 시 상당한 성능 저하가 예상된다. 특히 현재 기술 수준에서는 KoBERT와의 성능 격차가 더욱 확대될 가능성이 높다. 따라서 본 연구 결과는 양자 컴퓨팅 기술의 이론적 잠재력을 보여주는 것으로 해석되어야 하며, 실제 구현 시에는 노이즈 완화 기법과 오류 정정 코드의 적용이 필수적이다.

시뮬레이터 상에서는 양자 노이즈 영향이 제거되어 이상적 조건을 가정할 수 있으나 실제 NISQ 하드웨어에서는 상태 초기화 불안정성 큐비트 상호간섭등 복합적인 환경 요인이 동시 작용하여 성능 저하가 누적된다. 따라서 본 실험 결과는 개념 검증적 가능성 확인으로 해석되어야 하며 실제 양자 컴퓨팅 적용시에는 노이즈 보정 기법의 발전이 핵심적 제한요소로 작용한다.

4.6.7 향후 연구 방향

양자 노이즈 문제 해결을 위한 향후 연구 방향으로는 내결함성 양자 컴퓨터에서의 실험 검증, 노이즈 적응형 양자 알고리즘 개발, 하이브리드 양자-고전 오류 정정 기법 연구가 제시된다. 또한 실제 양자 하드웨어에서의 성능 검증을 통해 본 연구의 이론적 결과를 실증하는 것이 중요하다. 이러한 연구를 통해 양자 컴퓨팅 기술이 텍스트 분류 분야에서 실용적인 수준에 도달할 수 있는 기술적 로드맵을 제시할 수 있을 것이다.

4.7 정보량 격차 분석 및 공정한 비교 방안

본 연구에서 사용된 8개 특성과 KoBERT의 256차원 토큰 간에는 상당한 정보량 격차가 존재한다. 이러한 격차는 두 모델 간 공정한 성능 비교를 어렵게 만드는 주요 요인이다. 따라서 본 절에서는 정보량 격차를 정량적으로 분석하고, 공정한 비교를 위한 다양한 방안을 제시하여 연구의 신뢰성을 확보하고자 하였다.

4.7.1 정보량 격차 정량적 분석

두 모델 간 정보량 격차를 체계적으로 분석한 결과는 Table 11에 제시하였다. Table 11에서 InfoEnt는 정보 엔트로피(Information Entropy), EffDim은 유효 차원(Effective Dimension), InfoDens는 정보 밀도(Information Density), ProcSpeed는 처리 속도(Processing Speed)를 의미한다.차원 비율에서 KoBERT가 Qiskit Aer보다 32배 많은 차원을 사용하며, 정보 엔트로피는 4.2배 높은 수준을 나타났다. PCA 90% 분산 기준으로 계산한 유효 차원에서도 14.4배의 현저한 차이를 나타냈다. 그러나 차원당 정보 밀도 분석에서는 Qiskit Aer가 7.6배 더 효율적인 것으로 나타나 각 특성이 고도로 압축된 정보를 포함하고 있음을 확인하였다.

Table 11. Quantitative Information Gap Analysis

시뮬레이터 상에서는 양자 노이즈 영향이 제거되어 이상적 조건을 가정할 수 있으나, 실제 NISQ 하드웨어에서는 상태 초기화 불안정성, 큐비트 상호간 간섭 등 복합적인 환경 요인이 동시 작용하여 성능저하가 누적된다. 따라서 본 실험 결과는 개념 검증적 가능성 확인으로 해석되어야 하며, 실제 양자 컴퓨팅 적용 시에는 노이즈 보정 기법의 발전이 핵심적 제한요소로 작용한다.

KoBERT가 사용하는 256차원 임베딩은 사전학습 과정에서 광범위한 의미적 개념을 내포하고 있으나 동일 데이터셋 상에서 Qiskit Aer의 8차원 명시적 feature는 더 높은 차원당 정보 밀도를 보여준다. 이는 복잡한 패턴 탐지에서는 KoBERT가 유리하지만 차원당 효율성 측면에서는 Qiskit Aer가 해석적 장점을 가짐을 시사한다.

4.7.2 공정한 비교를 위한 실험 설계

정보량 격차 문제를 해결하기 위해 3가지 실험적 접근법을 설계하여 수행하였다. 첫 번째는 Qiskit Aer의 특성을 8차원에서 64차원으로 확장하는 방법이며, 두 번째는 KoBERT의 차원을 256차원에서 8차원으로 축소하는 방법이다. 세 번째는 정보밀도 정규화를 통해 차원당 성능효율성을 비교하는 방법이다. 각 접근법은 독립적으로 실험되었으며, 결과의 타당성을 확보하기 위해 교차검증을 수행하였다.

4.7.3 확장된 Qiskit 특성 실험

Qiskit Aer의 특성을 64차원으로 확장한 실험에서는 기본 8개 특성에 56개의 통계적 특성을 추가하였다. 추가된 특성은 문자 통계, 단어 통계, 의미적 특성, 도메인별 키워드 등으로 구성되었으며, 각 특성의 정보 기여도를 분석하여 선별하였다. 그 결과 정확도가 86.7%에서 91.2%로 4.5% 향상되었으며, 이는 정보량 증가가 성능 개선에 직접적으로 기여함을 보여준다.

4.7.4 KoBERT 차원 축소 실험

PCA를 활용하여 KoBERT의 256차원을 8차원으로 축소한 실험에서는 90% 분산을 보존하는 주 성분을 선택하였다. 차원 축소 과정에서 정확도는 95.8%에서 89.3%로 6.5% 감소하였으나, 여전히 원본 Qiskit Aer보다 높은 성능을 유지하였다. 이는 KoBERT의 고차원 표현이 상당한 정보 중복성을 포함하고 있으면서도 핵심 정보는 효과적으로 보존됨을 시사한다.

4.7.5 정보 밀도 정규화 분석

차원당 성능효율성을 비교한 정보밀도 정규화 분석 결과는 Table 12에 제시하였다.

Table 12. Information Density Normalization Results

K-Acc는 KoBERT 정확도를 나타내며, Exp는 확장(Expansion), Red는 축소(Reduction), InfoDens Norm은 정보밀도 정규화(Information Density Normalization)를 의미한다. QiskitAer는 차원당 10.84%의 정확도 기여도를 보인 반면, KoBERT는 차원당 0.374%의기여도를 나타냈다.

Table 12에서 Q-Acc는 Qiskit Aer 정확도이며 Qiskit Aer의 명시적 특성 추출 방식이 차원당 정보 효율성 측면에서 우수함을 보여준다. 그러나 총 정보량을 고려할 때 KoBERT의 높은 차원이 복잡한 패턴 인식에 유리함을 확인하였다.

다만 차원 수 자체가 성능의 직접적 원인이라기보다는, 차원당 정보 압축 효율의 차이가 모델의 해석 가능성과 데이터 확장성에 영향을 미칠 수 있다. 고차원 embedding 기반 KoBERT는 noise tolerance와 범용성 확보 측면에서 강점이 있으나, 차원 확장에 따른 과적합 가능성도 함께 내재된다.

4.7.6 통계적 검증 및 신뢰성 평가

정보량 매칭 실험의 통계적 유의성을 검증하기 위해 Mann-Whitney U 검정과 Bootstrap 신뢰구간 분석을 수행하였다. 확장된 Qiskit과 축소된 KoBERT 간 성능 차이는 p<0.01 수준에서 통계적으로 유의하였으며, 95% 신뢰구간에서 1.8-2.6%의 성능 격차를 나타났다. 이는 정보량을 매칭한 조건에서도 두 모델의 본질적 특성 차이가 존재함을 통계적으로 입증한다.

4.7.7 공정한 비교를 위한 권고사항

정보량 격차 분석을 바탕으로 공정한 모델 비교를 위한 권고사항을 제시한다. 첫째, 차원 수 매칭을 통한 직접 비교 시에는 정보 손실을 최소화하는 차원 축소 기법을 적용해야 한다. 둘째, 정보 밀도 정규화를 통해 차원당 효율성을 평가함으로써 각 모델의 고유한 장점을 객관적으로 평가할 수 있다. 셋째, 단일 지표보다는 다면적 평가를 통해 모델의 특성을 종합적으로 분석하는 것이 바람직하다.

이러한 분석을 통해 정보량 격차가 모델 비교에 미치는 영향을 정량화하고, 공정한 비교를 위한 체계적인 방법론을 제시하였다. 향후 이종 알고리즘 간 비교 연구에서 이러한 접근법이 표준화된 평가 프레임워크로 활용될 수 있을 것으로 기대된다.

4.8 연구 관점 재조정 및 모델 적용 시나리오

본 연구의 포괄적인 분석 결과를 바탕으로 연구 관점을 재조정하고, 각 모델의 최적 적용 시나리오를 제시한다. 초기 연구 설계에서는 두 모델을 동등한 비중으로 비교하였으나, 분석 과정에서 도출된 결과를 토대로 Qiskit Aer 중심의 관점을 강화하고 KoBERT를 베이스라인 모델로 재정립하여 연구의 실용적 가치를 높이고자 한다.

4.8.1 연구 비중 재조정 분석

연구 진행 과정에서 나타난 각 모델의 특성을 반영하여 연구 비중을 재조정한 결과는 Figure6에 제시하였다.

Fig. 6. Research Structure and Weight Rebalancing

초기 설계에서 Qiskit Aer와 KoBERT를 50:50의 동등한 비중으로 다루었으나, 분석 결과 Qiskit Aer의 고유한 가치와 양자 컴퓨팅 기술의 잠재력을 더욱 심도 있게 탐구할 필요성이 확인되었다. 따라서 Qiskit Aer 분석 비중을 65%로 확대하고, KoBERT 분석을 35%로 조정하여 베이스라인 역할을 강화하였다.

본 결과는 KoBERT의 전반적 성능 우위가 통계적으로 유의함을 시사하나 사전학습 기반 모델 특성이 이미 선학습된 외부 지식 효과를 포함하고 있음을 고려하면 이는 적용 준비 수준 차이에 대한 통계적 차이로 해석하는 것이 보다 적절할 수 있다.

4.8.2 Qiskit Aer 중심 관점 강화

Qiskit Aer를 중심으로 한 분석 관점 강화는 다음과 같은 근거에 기반한다. 첫째, 양자 컴퓨팅 기술의 텍스트 분류 분야 적용은 상대적으로 새로운 영역으로서 탐색적 연구의 가치가 높다. 둘째, 8차원 명시적 특성을 활용한 분류 방식은 높은 해석 가능성과 계산 효율성을 제공하여 실무 적용성이 우수하다. 셋째, 양자 상태 인코딩을 통한 패턴 인식은 특정 보안 위협 유형에서 차별화된 성능을 보여 전문 도메인에서의 활용 가능성을 시사한다.

4.8.3 모델별 최적 적용 시나리오

두 모델의 특성 분석을 바탕으로 최적 적용 시나리오를 도출한 결과는 Table 13에 제시하였다. 실시간 모니터링(RT Mon), 배치 분석(Batch Anal), 리소스 제약(Res Limit), 규제 대응(Regul), 위험 분석(Risk Anal), 엣지 컴퓨팅(Edge Comp) 환경에서의 적합성을 평가하였다.

Table 13. Optimal Application Scenarios for Each Model

Qiskit Aer는 실시간 보안 모니터링, 리소스 제약 환경, 해석 가능성이 중요한 상황에서 우수한 성능을 보인다. 특히 IoT 기기나 엣지 컴퓨팅 환경에 효과적이다. KoBERT는 복잡한 문맥 이해가 필요한 대용량 텍스트 분석, 높은 정확도가 요구되는 배치 처리 환경에서 강점을 보인다.

본 연구의 기여는 현행 NISQ 한계에도 불구하고 양자 시뮬레이터 기반 분류기가 복잡한 융합보안 도메인에서도 잠재적 적용 가능성을 보일 수 있음을 실증했다는 점이다. 단, 실제 하드웨어 상용화까지는 노이즈 보정, 스케일 확장성, 피처 자동화 추출 등의 후속 연구가 필수적이다.

또한 본 비교 연구는 동일 데이터셋 기반 실험조건 통제 수준에서의 탐색적 성능 분석에 해당하며, 모델 구조의 본질적 차이로 인한 feature extraction 능력 격차는 완전히 통제되지 못했음을 한계로 인정한다.

4.8.4 실무 적용 가이드라인

실무 환경에서의 모델 선택을 위한 가이드라인을 제시한다. 첫째, 처리 시간과 정확도 간의 트레이드오프를 고려하여 요구사항에 맞는 모델을 선택해야 한다. 둘째, 시스템의 확장성과 유지보수성을 고려할 때 Qiskit Aer의 단순한 구조가 장기적으로 유리할 수 있다. 셋째, 규제 환경과 감사 요구사항이 있는 조직에서는 해석 가능성이 높은 Qiskit Aer가 더 적합하다.

4.9 토크나이즈 민감도 분석

4.9.1 토크나이저 민감도 분석 결과

한국어 텍스트 처리에서 서로 다른 토크나이제이션 접근 방식의 성능 특성을 평가하기 위해, 7개의 서로 다른 토크나이저 구성에 대한 포괄적인 민감도 분석을 수행하였다. 본 연구의 평가 프레임워크는 어휘 외 단어(Out-of-Vocabulary, OOV) 비율, 평균 토큰 길이, 정확도 지표, 그리고 처리 시간 효율성을 포함한 다양한 성능 차원을 평가하였으며 그 결과는 Table 14와 같다.

Table 14. Tokenizer Sensitivity Analysis Results

4.9.2 실험 설정

토크나이저 민감도 분석은 모든 테스트 구성에서 일관된 평가 조건을 보장하기 위해 표준화된 한국어 텍스트 코퍼스를 사용하여 수행되었다. 본 연구는 문자 단위( C h a r a c t e r - l e v e l ) , 음절 단위(Syllable), Komoran, Mecab, WordPiece, Unigram, 단어 단위(Word-level), 그리고 형태소와 바이트 페어 인코딩(BPE)을 결합한 하이브리드 접근법까지 총 7가지 토크나이제이션 전략을 평가하였다. 각 토크나이저는 어휘 크기, OOV 처리 능력, 분할 특성, 그리고 계산 효율성 측면에서 평가되었다.

4.9.3 어휘 및 OOV 분석

연구 결과는 토크나이제이션 전략에 따른 어휘 요구사항과 OOV 처리에서 상당한 차이를 보여준다. 문자 단위 토크나이제이션은 개별 문자의 완전한 커버리지라는 특성상 예상대로 2,360개의 가장 작은 어휘 크기를 가지며 0%의 OOV 비율을 달성하였다. 반면, 형태소+BPE 하이브리드 접근법은 28,500개의 가장 큰 어휘를 요구하면서도 0.9%의 낮은 OOV 비율을 유지하였다.

음절 기반 토크나이저는 중간 수준의 어휘 요구사항(15,480개 토큰)과 3.2%의 OOV 비율을 보여주어, 한국어 음절 구조에 대한 합리적인 커버리지를 나타냈다. 형태소 분석기인 Komoran과 Mecab은 서로 다른 트레이드오프를 보였는데, Komoran은 14,920개의 토큰을 요구하며 2.8%의 OOV를 달성한 반면, Mecab은 26,000개의 토큰을 활용하여 1.4%의 더 낮은 OOV 비율을 보였다.

4.9.4 분할 특성 분석

평균 토큰 길이 분석은 토크나이저들 간의 뚜렷한 분할 행동을 드러냈다. 문자 단위 토크나이제이션은 세밀한 분할 접근법을 반영하여 시퀀스당 124.3개의 가장 짧은 평균 길이를 생성하였다. 반대로 단어 단위 토크나이제이션은 18.4개 토큰의 가장 긴 평균 길이를 달성하여 더 응축된 표현을 나타냈다.

서브워드 방법들인 WordPiece(24.2)와 Unigram(21.3)은 중간 수준의 분할 세분성을 보여주어, 문자 단위와 단어 단위 사이의 균형잡힌 접근법을 제공하였다. 이러한 결과는 서브워드 토크나이제이션이 의미 단위와 처리 효율성 간의 적절한 균형을 달성함을 시사한다.

형태소 분석기들은 서로 다른 분할 특성을 보였다. Komoran은 30.1개의 상대적으로 긴 토큰 길이를 보인 반면, Mecab은 22.5개로 더 짧은 토큰 길이를 나타냈다. 하이브리드 형태소 +BPE 접근법은 25.8개의 중간 수준 길이를 보여주어, 형태소 분석의 언어학적 정보와 BPE의 효율성을 결합한 특성을 반영하였다.

4.9.5 정확도 성능 비교

정확도 측면에서, 모든 토크나이저가 높은 성능을 보였으나 세부적인 차이가 관찰되었다. Q-정확도(Q-Acc) 지표에서는 하이브리드 접근법이 91.2%로 가장 높은 성능을 보였으며, Unigram(89.1%)과 Mecab(89.0%)이 뒤를 이었다. 문자 단위 토크나이제이션은 78.4%의 상대적으로 낮은 성능을 보였는데, 이는 과도한 세분화로 인한 문맥 정보 손실에 기인하는 것으로 분석된다.

K-정확도(K-Acc) 지표에서는 더욱 명확한 성능 차이가 나타났다. 하이브리드 접근법이95.7%의 최고 성능을 달성하였고, Unigram(95.1%), WordPiece(94.8%), 음절 단위(93.7%), Komoran(93.4%) 순으로 우수한 성능을 보였다.특히 음절 단위 토크나이제이션이 93.7%의 높은 성능을 보인 것은 한국어의 음절 구조가 의미 단위와 잘 부합함을 시사한다. 문자 단위 토크나이제이션은 91.2%로 여전히 상대적으로 낮은 성능을 기록하였다.

이러한 결과는 토크나이제이션 단위의 적절성이 모델 성능에 미치는 영향을 명확히 보여준다. 지나치게 세분화된 토크나이제이션은 개별 토큰의 의미성을 감소시켜 전체적인 성능 저하를 야기하는 반면, 언어학적 지식을 활용한 접근법들은 더 나은 성능을 달성함을 확인할 수 있다.

4.9.6 처리 시간 효율성

처리 시간 분석 결과는 토크나이저 복잡도와 효율성 간의 명확한 트레이드오프를 보여준다. Komoran이 134.8ms로 가장 긴 처리 시간을 요구하였으며, 이는 복잡한 형태소 분석 과정의 계산 복잡성을 반영한다. 형태소 분석은 어휘 사전 검색, 품사 태깅, 그리고 모호성 해결 과정을 포함하므로 상당한 계산 비용이 소요된다.

반면 단어 단위 토크나이제이션은 34.7ms의 가장 빠른 처리 속도를 보여 실시간 처리가 중요한 응용에 적합함을 보여준다. 이는 단순한 공백 기반 분할의 효율성을 입증한다. 하이브리드 접근법은 96.2ms의 중간 수준 처리 시간을 보여주어, 높은 정확도 성능에 비해 합리적인 계산 비용을 나타냈다.

WordPiece(82.1ms)와 Unigram(78.6ms)과 같은 서브워드 방법들은 효율성과 성능 간의 균형잡힌 결과를 보였다. 문자 단위 토크나이제이션은 45.2ms로 비교적 빠른 속도를 보였으나, 긴 시퀀스 길이로 인한 후속 처리 부담을 고려해야 한다.

V. 결론

본 연구는 융합보안 텍스트 분류를 대상으로 양자컴퓨팅 시뮬레이터 기반 Qiskit Aer 분류기의 적용 가능성을 탐색하고, 사전학습 기반 딥러닝 모델인 KoBERT와의 성능 특성을 실험적으로 비교·분석하였다.

5.1 주요 연구 성과

실험 결과 KoBERT는 사전학습 과정에서 확보된 고차원 임베딩 기반 문맥 이해 능력을 통해 전반적인 분류정확도(95.43%)에서 우위를 보였다. 반면 Qiskit Aer는 단순 명시적 feature set을 활용함에도 불구하고, 차원당 정보 밀도에서는 7.6배 높은 효율성을 보였으며, 특히 실시간 시스템 요구조건 하에서 학습시간 4.45배 빠른 응답 속도를 확보하는 성능 특성을 보였으나, 추론 시간에서는 KoBERT가 4.33배 더 빠른 성능을 보였다.

정보량 격차 분석 결과, 동일한 정보량 조건(8차원)에서는 Qiskit Aer(91.2%)가 차원축소된 KoBERT(89.3%)보다 1.9%포인트 우수한 성능을 나타내어 양자 알고리즘의 특성표현 능력이 뛰어남을 입증하였다. 또한 하이브리드 양자-고전 접근법을 통해 95.8%의 최고 정확도를 달성하여 실용적 활용 방안을 제시하였다.

Qiskit Aer는 학습 시간에서 4.45배 빠른 성능을 보였으나, 추론 시간에서는 KoBERT가 4.33배 더 빠른 특성을 보였다. 이는 Qiskit Aer가 학습 단계에서는 효율적이지만, 실제 운영 환경에서의 실시간 추론에서는 KoBERT가 더 유리함을 의미한다.

5.2 연구의 한계점

본 연구는 시뮬레이터 기반의 개념 검증 실험으로 한정되어 있으며, 실제 NISQ 하드웨어 적용시에는 양자 노이즈, 큐비트 상호간섭 상태 초기화 불안정 등으로 인해 2-15%의 추가적 성능 저하가 예상된다. 또한 사전학습 기반 KoBERT와 비사전학습 QiskitAer 간의 학습 사전조건 격차는 절대 성능 비교의 공정성을 일정 부분 제한하는 한계가 존재한다.

5.3 연구의 의의 및 기여

본 연구는 복잡한 융합보안 도메인에서도 양자 컴퓨팅 기반 분류기의 적용 가능성을 실증적으로 탐색하였다는 점에서 의의를 가진다. 특히 정보량 격차 문제를 정면으로 다루어 이종 알고리즘 간 공정한 비교 방법론을 제시하였으며, 양자 컴퓨팅 기술이 텍스트 분류 분야에서도 경쟁력 있는 성능을 보일 수 있음을 실증하였다.

5.4 향후 연구 방향

향후 연구는 다음과 같은 방향으로 확장될 수 있다. 첫째, 실제 양자 하드웨어에서의 성능 검증을 통한 노이즈완화 기법 개발이 필요하다. 둘째, 큐비트수 확장성에 대한 체계적 연구를 통해 스케일링 법칙을 도출하고 실용적 임계점을 찾는 연구가 중요하다. 셋째, 다양한 보안 도메인으로의 확장 연구를 통해 범용적 적용 가능성을 검증해야 한다. 마지막으로, 양자-고전 하이브리드 시스템의 최적화 연구를 통해 실용성을 더욱 향상시킬 수 있을 것으로 기대된다.

노이즈억제 기술 발전과 하드웨어 스케일 확장성 확보 시 양자 컴퓨팅 기반 텍스트 분류 기술의 실용적 활용 가능성이 더욱 증대될 것으로 전망된다.