최근 국방·방산 분야는 국가망 보안체계(N2SF) 도입을 계기로, 데이터의 민감도에 따라 보안 등급을 차등화하는 다층보안체계(MLS)로의 전환을 추진하고 있다. 이러한 위험 관리 기반 통제는 국가안보 관점에서 필수적이나, 국방 R&D 및 산학연 협력에 필요한 데이터의 외부 공유를 구조적으로 제한해 ‘데이터 사일로(Data Silo)’ 현상을 심화시킬 수 있다. 본 연구는 N2SF의 엄격한 반출·접근 통제 환경에서도 교육 및 연구 목적의 데이터 활용을 지원할 수 있는 데이터 중심 보안(Data-Centric Security)의 실증적 대안으로서, 하이브리드 비식별화와 온프레미스 생성형 AI 기반 합성데이터(Synthetic Data) 기술의 활용 가능성을 검토하였다. 첫째, 원본 사이버 위협 로그 내 민감정보를 보호하기 위해 정규표현식(Regex)과 개체명 인식 모델(NER)을 결합한 하이브리드 비식별화 전처리 파이프라인을 구축하였으며, 평가 표본에 사전에 주입한 식별 대상 195건을 모두(100%) 탐지·마스킹하였다. 둘째, N2SF 고보안 구역 내 외부 API를 통한 정보 유출 위험을 줄이기 위해 폐쇄망에서 구동 가능한 온프레미스 소형 거대언어모델(sLLM, Llama-3 8B)과 통계 기반 SDV(Synthetic Data Vault)를 활용한 합성데이터 생성 환경을 설계하였다. 셋째, 미국 로스앨러모스 국립연구소(LANL)의 이기종 사이버 보안 로그를 활용하여 총 100,000건의 방산 프록시 데이터셋을 구성하고 유용성을 평가하였다. 데이터셋의 정상:위협 클래스 비율은 19:1로 설정하였다. XGBoost 기반 TSTR(Train Synthetic, Test Real) 검증 결과, 실제 데이터로 학습한 TRTR(Train Real, Test Real) 모델의 F1-Score는 0.9848이었으며, sLLM 기반 합성데이터로 학습한 TSTR 모델의 F1-Score는 0.9367로 나타나 기준 모델 대비 95.1%의 성능 보존율을 보였다. 본 연구는 프록시 데이터셋을 활용한 실험을 통해 N2SF 환경에서 데이터 공유가 제한되는 경우 하이브리드 비식별화와 합성데이터를 결합한 데이터 활용 방안의 기술적 적용 가능성을 검토하였다. 다만 데이터의 보안등급 하향 및 외부 반출 여부는 이러한 기술적 검증과 별도의 제도적·보안적 절차에 따라 판단되어야 함을 논의하고, 향후 국방 AI 연구 생태계 조성을 위한 정책적·제도적 개선 방향을 제언한다.