자율주행차의 급속한 도입과 함께, Connected and Autonomous Vehicles (CAVs)에 관한 연구가 활발해지면서 특히 이상 탐지의 영역에서 중대한 보안 과제가 노출되고 있으며, 단 한 번의 악의적 공격(예: 위치 스푸핑)조차도 치명적인 결과를 초래할 수 있다. 이러한 응용에서 에너지 효율은 무엇보다 중요하지만, 최근 대부분의 연구는 점점 더 복잡한 모델 설계를 통해 성능 향상에 초점을 맞추고 있다. Spiking Neural Networks (SNNs)는 에너지 효율적인 특성으로 주목받고 있음에도 불구하고, 차량 네트워크에서 이상 탐지에 SNN을 적용하는 연구는 거의 전무한 실정이다. 본 연구에서는 이러한 공백을 해소하기 위해, 차량 네트워크에서의 에너지 제약을 극복하면서도 높은 탐지 성능을 유지하도록 설계된 SNN 기반 이상 탐지 프레임워크를 제안한다. 우리는 기존 SNN의 역량을 향상시키는 새로운 RSNN 모델을 도입하고, 시스템 성능을 추가로 최적화하기 위한 고급 특징 공학 기법을 통합한다. 실험 평가 결과, 다양한 공격 시나리오에서 견고한 성능을 보였으며, 정밀도, 정확도, 재현율 및 F1 점수에서 높은 수치를 달성하였다. 특히 위치 스푸핑과 랜덤 오프셋 공격 조건에서 유의미한 성능 향상이 관찰되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.