README.md



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