[논문 리뷰] 5G enabled Mobile Edge Computing security for Autonomous Vehicles

Daryll Ralph D'Costa, Hassan Abbas|arXiv (Cornell University)|2022. 01. 30.

Vehicular Ad Hoc Networks (VANETs)인용 수 4

한 줄 요약

이 논문은 자율주행 차량을 지원하는 5G 기반 모바일 에지 컴퓨팅(MEC) 환경에서 분산 서비스 거부(DDoS) 공격을 탐지하고 분류하기 위한 기계학습 기반 프레임워크를 제안한다. 기존 데이터셋에 합성된 5G 네트워크 파라미터를 추가하고, 레이블 인코딩과 소수 클래스 오버샘플링을 적용한 후, DDoS 공격과 5G 대기 시간 품질을 예측하기 위한 모델을 훈련한다. 그러나 실제 5G 데이터가 부족하고 단일 기계에서 시뮬레이션된 실험에 의존함에 따라 성능이 제한된다.

ABSTRACT

The world is moving into a new era with the deployment of 5G communication infrastructure. Many new developments are deployed centred around this technology. One such advancement is 5G Vehicle to Everything communication. This technology can be used for applications such as driverless delivery of goods, immediate response to emergencies and improving traffic efficiency. The concept of Intelligent Transport Systems (ITS) is built around this system which is completely autonomous. This paper studies the Distributed Denial of Service (DDoS) attack carried out over a 5G network and analyses security attacks, particularly the DDoS attack. The aim is to implement a machine learning model capable of classifying different types of DDoS attacks and predicting the quality of 5G latency. The initial steps of implementation involved the synthetic addition of 5G parameters into the dataset. Subsequently, the data was label encoded, and minority classes were oversampled to match the other classes. Finally, the data was split as training and testing, and machine learning models were applied. Although the paper resulted in a model that predicted DDoS attacks, the dataset acquired significantly lacked 5G related information. Furthermore, the 5G classification model needed more modification. The research was based on largely quantitative research methods in a simulated environment. Hence, the biggest limitation of this research has been the lack of resources for data collection and sole reliance on online data sets. Ideally, a Vehicle to Everything (V2X) project would greatly benefit from an autonomous 5G enabled vehicle connected to a mobile edge cloud. However, this project was conducted solely online on a single PC which further limits the outcomes. Although the model underperformed, this paper can be used as a framework for future research in Intelligent Transport System development.

연구 동기 및 목표

• 자율주행 차량을 위한 5G 기반 모바일 에지 컴퓨팅(MEC) 환경의 보안 취약점을 해결하기 위해, 특히 DDoS 공격에 대응한다.
• 5G 네트워크 환경에서 다양한 유형의 DDoS 공격을 분류할 수 있는 기계학습 모델을 개발한다.
• MEC 및 자율주행 차량 운영 환경에서의 성능 지표로 5G 네트워크 대기 시간 품질을 예측한다.
• 기존 데이터셋을 강화하기 위해 합성된 5G 파라미터를 사용하는 것이 DDoS 탐지 모델 훈련에 유용한지 평가한다.

제안 방법

• 기존 데이터셋에 합성된 5G 네트워크 파라미터를 추가하여 실제 5G MEC 환경을 시뮬레이션한다.
• 데이터 전처리 과정으로서 범주형 특성의 레이블 인코딩과 소수 클래스의 오버샘플링을 통해 데이터셋의 균형을 맞춘다.
• 표준 분할 기법을 사용하여 데이터셋을 훈련 및 테스트 세트로 분리한다.
• 여러 기계학습 모델을 훈련하고 DDoS 공격 분류 및 5G 대기 시간 예측에 대해 평가한다.
• 표준 분류 지표를 사용하여 모델 성능을 평가하였지만, 요약에서는 구체적인 수치를 기재하지 않았다.
• 연구는 단일 PC에서 실행된 시뮬레이션 환경에서 완전히 수행되었으며, 공개된 데이터셋에 의존하였다.

실험 결과

연구 질문

• RQ1 자율주행 차량을 위한 5G 기반 모바일 에지 컴퓨팅 환경에서 기계학습 모델이 다양한 유형의 DDoS 공격을 분류하는 데 얼마나 효과적인가?
• RQ2 합성된 5G 파라미터는 기존 데이터셋의 대표성과 유용성을 차량 네트워크의 DDoS 탐지에 향상시킬 수 있는가?
• RQ3 MEC 기반 ITS 시스템에서 DDoS 공격 조건 하에서 기계학습 모델이 5G 네트워크 대기 시간 품질을 정확하게 예측할 수 있는가?
• RQ4 실제 자율주행 차량 시나리오에서 DDoS 탐지 모델을 훈련하고 검증하기 위해 단일 기계에서의 시뮬레이션 환경과 합성 데이터를 사용할 경우의 한계는 무엇인가?

주요 결과

• 제안된 기계학습 모델은 시뮬레이션된 5G MEC 환경에서 DDoS 공격을 성공적으로 탐지하고 분류하였다.
• 모델의 기능성은 확보되었지만, 실제 5G 네트워크 데이터가 부족하고 합성 파라미터에 과도하게 의존함에 따라 성능이 제한되었다.
• 본 연구에서 사용된 데이터셋은 진정성 있는 5G 관련 정보가 크게 부족하여 모델의 일반화 능력과 신뢰성에 영향을 미쳤다.
• 모델의 5G 대기 시간 품질 예측 능력 역시 동일한 데이터 제약과 시뮬레이션 제약으로 인해 제한되었다.
• 실제 5G 기반 자율주행 차량 네트워크에서 강력한 DDoS 탐지 시스템을 훈련하기 위한 실질적 데이터 부족이 심각한 격차로 드러났다.
• 모델의 성능이 떨어졌지만, 프레임워크는 향후 지능형 교통 시스템 및 5G MEC 보안 분야의 연구에 기초가 되는 접근법을 제공한다.