IoV 환경을 위한 실시간 CAN 공격 탐지 모델 DAIRE

IoV 환경을 위한 실시간 CAN 공격 탐지 모델 DAIRE

차량 인터넷(IoV)은 안전성과 효율성을 높이며 현대 교통 시스템을 혁신하고 있습니다. 하지만 차량 통신의 핵심인 컨트롤러 영역 네트워크(CAN)는 사이버 공격에 매우 취약하여 심각한 보안 위험을 안고 있습니다.

이에 본 연구에서는 이러한 문제를 해결하기 위해 'DAIRE (Detecting Attacks in IoV in REal-time)'라는 경량 머신러닝 프레임워크를 제안합니다. DAIRE는 가벼운 인공 신경망(ANN) 구조 위에 구축되어, CAN 기반의 공격을 실시간으로 탐지하고 분류하도록 설계되었습니다.

DAIRE는 계산 자원을 적게 사용하면서도 높은 성능을 유지하는 것이 특징입니다. 이 모델은 서비스 거부(Denial-of-Service), 퍼지(Fuzzy), 스푸핑(Spoofing) 등 다양한 IoV 공격 유형에 대응하기 위해 희소 범주형 교차 엔트로피 손실 함수(sparse categorical cross-entropy loss function)와 RMSProp을 사용합니다.

CICIoV2024 및 Car-Hacking 데이터셋으로 검증된 결과, DAIRE는 평균 99.88%의 탐지율과 99.96%의 전체 정확도를 달성했습니다. 특히 주목할 만한 점은 추론 속도입니다. 샘플당 단 0.03ms라는 매우 빠른 분류 시간을 보여주어, 차량 시스템에 실시간으로 적용하기에 최적화되어 있음을 입증합니다.

결론적으로 DAIRE는 IoV 사이버 공격을 탐지하는 데 효과적일 뿐만 아니라, 실제 차량 환경에 배포할 수 있을 만큼의 뛰어난 실용성을 갖춘 핵심 보안 솔루션입니다.