Deep Defence on Wheels: 포괄적인 차량 네트워크 보안을 위한 이중 침입 탐지 시스템 아키텍처

외부 세계와의 연결성 증가와 내장된 보안 메커니즘의 부재는 기존의 차량 내부 네트워크를 사이버 공격에 취약하게 만들었습니다. 초기 연구들은 알려진 및 알려지지 않은 공격에 대한 탐지 정확도를 최대화하는 데 초점을 맞추었으며, 종종 크고 전체 정밀도의 머신러닝 모델을 사용했습니다. 하지만 IDS(Intrusion Detection System)를 차량 전자 시스템에 내장하려면 약 2,000 CAN 프레임/s를 처리하기 위해 낮은 탐지 지연 시간(low detection latency), 에너지 효율성, 그리고 최소한의 전자 제어 장치(ECU) 자원 오버헤드가 필요합니다. 경량화된 모델은 정확도와 이러한 배포 제약 조건 사이에서 균형을 이루어야 합니다. 우리는 지도 학습(supervised learning) 및 비지도 학습(unsupervised learning) 기반 솔루션으로 구성된 이중 IDS 프레임워크를 제안하며, 각 솔루션은 실시간의 자원 제한적인 자동차 플랫폼에 최적화되어 있습니다. 양자화된 LSTM 기반 IDS (QLSTM-IDS)는 단일 모델 아키텍처를 사용하여 두 가지 널리 사용되는 데이터셋으로 평가했을 때 DoS/Flooding, Fuzzing 및 Spoofing/Malfunction 공격에 대해 99.9% 이상의 탐지 정확도를 달성합니다. 이 모델은 Brevitas 양자화 인식 학습 라이브러리를 사용하여 훈련되었으며, AMD의 FINN 툴체인과 호환되는 사용자 정의 블록을 가진 데이터플로우 가속기로 변환되었고 Vitis HLS를 사용하여 합성되었습니다. 이를 보완하여, AMD의 Vitis-AI 툴체인을 사용하여 양자화된 8비트 컨볼루션 오토인코더 기반 IDS (QCAE-IDS)는 CAN-ID 시퀀스 패턴을 변경하는 이전에 본 적 없는 이상 징후를 99% 이상의 정확도로 탐지합니다. 통합 아키텍처는 두 모델이 단일 FPGA에서 작동할 수 있도록 하여, 소프트웨어 오버헤드를 최소화하기 위해 네트워크 인터페이스 IP와 처리 시스템을 연결합니다. QLSTM-IDS는 메시지당 0.25 ms의 추론 지연 시간과 0.8 mJ의 에너지 소비를 달성하는 반면, QCAE-IDS는 블록당 0.42 ms 및 1.1 mJ를 달성합니다. 두 솔루션 모두 ZCU104 SoC (XCZU7EV FPGA)에 배포 및 평가되었으며, 고속 CAN 버스에서 알려진 공격과 알려지지 않은 공격을 실시간으로 탐지하기 위한 유연한 하드웨어/소프트웨어 공동 설계를 입증했습니다.