khu_capstone_1

자율자동차를 위한 연합학습 기반 유해 트래픽 탐지

서론

자동차와 같은 ECU 기반 시스템에서 사용하는 표준 프로토콜인 CAN 은 송수신에 대한 인증 체계가 존재하지 않는다. 특히 현대에는 무인 자동차와 같이 자동차 내 ECU 간 네트워크도 외부로 개방된 형태가 등장하고 있다. 자동차 내 네트워크에 침입이 가능한 위험이 조성됨에 따라, 인증체계가 부재한 프로토콜인 CAN의 낮은 보안성을 보완해줄 침입 탐지 및 차단 시스템(IDS/IPS)의 필요성이 대두된다.

본 연구에서는 데이터의 외부 유출과 실시간 탐지를 위한 방안을 제시한다. 엣지(자동차)마다 자체 모델을 개별적으로 학습한 뒤, 학습 데이터가 아닌 모델 가중치를 중앙 서버와 연동하는 ‘연합 학습’ 을 유해 트래픽 탐지 시스템에 적용해보고자 한다. 또한, 실시간 처리 방식을 구현하기 위하여 RNN 을 기반으로 한 모델을 유해 트래픽 탐지 시스템에서 이용해보고자 한다.

모델 성능

단일 엣지 정확도 및 추론 시간

	CNN	Stateful (Ours)
추론 시간 (msec)	19.49	0.49
정확도 (%)	99%	98%

연합학습 적용 정확도

연합학습 방법	CNN	Stateful (Ours)
엣지 평균	57.95	90.94
FED AVG	60.36	96.88
FED PROX	91.63	97.50
FED Timestamp	60.35	96.74
FED Dynamic	94.65	97.45

실험 환경

• Google Colab or Linux (Ubuntu)

• Pytorch >= 1.6.0

• Python >= 3.6

• NVIDIA GPU + CUDA CuDNN

모델 학습

• Train model python3 fed_train.py --packet_num 3 --fold_num 0 --batch_size 128 --lr 0.001 --n_nets 100 --comm_type fedprox --comm_round 50

사용한 데이터셋

• CAN Dataset