차량 환경에서 머신러닝 기반 스푸핑 탐지의 적대적 강건성 연구

Adversarial Robustness of Machine Learning–Based Spoofing Detection in Vehicular Systems

연구 내용

GPS 스푸핑 탐지 모델의 의사결정 경계 취약성을 분석하고 적대적 교란 신호로 우회하는 공격을 평가하는 연구

자율주행에서 GPS 스푸핑은 안전에 직접적인 위협이 되며, 특히 머신러닝 기반 탐지기는 정확도 외에 적대적 공격에 대한 강건성이 핵심이 됩니다. 본 연구는 SVM 기반 GPS 스푸핑 탐지 모델의 의사결정 경계를 분석해 취약 구조를 규명하고, 데이터 위치 이동과 유사도 기반 노이즈 등 우회 전략을 설계하여 탐지 성능이 비선형적으로 저하되는 조건을 확인합니다. 또한 강건성 개선을 위해 SNN과 Support Vector Machine을 결합한 하이브리드 모델의 내부 파라미터 민감도를 평가하여 공격 강도에 따른 방어 가능성을 도출합니다.

관련 프로젝트

0건

연구 흐름

초기에는 SVM 기반 GPS 스푸핑 탐지기의 공격 관점 취약성을 의사결정 경계 수준에서 분석하는 접근을 수행했습니다. 이후 우회 공격을 데이터 위치 이동과 유사도 기반 노이즈 조합으로 구체화하여 시뮬레이션 환경에서 탐지 성능 저하 양상을 측정했습니다. 이어서 방어 측면으로는 스파이킹 신경망에 SVM을 통합한 하이브리드 구조를 도입해 기존 DNN 및 SNN 대비 성능과 강건성을 비교했습니다. 최근에는 내부 파라미터를 변화시키며 공격 강도별 강건성 조건을 탐색하는 방향으로 연구를 확장하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

GPS 스푸핑 탐지 강건성 평가
적대적 우회 공격 시나리오 생성
결정 경계 기반 취약성 분석
SVM-SNN 하이브리드 방어 모델
공격 강도별 파라미터 튜닝
자율주행 인지 보안 검증
사이버-물리 보안 프레임
스푸핑 방지 모니터링 정책
강건 학습 실험 설계
차량 센서 신뢰도 향상