[논문 리뷰] A Reinforcement Learning Approach for GNSS Spoofing Attack Detection of Autonomous Vehicles

Sagar Dasgupta, Tonmoy Ghosh외 1명|arXiv (Cornell University)|2021. 08. 19.

Autonomous Vehicle Technology and Safety참고 문헌 20인용 수 7

한 줄 요약

이 논문은 저비용 차량 내 센서 데이터를 활용하여 자율주행차량에서 GNSS 위조 공격을 실시간으로 탐지하기 위한 딥 강화학습(Reinforcement Learning, RL) 기반 프레임워크를 제안한다. Honda Driving Dataset로 훈련된 모델은 99.99–100%의 정확도와 100%의 재현율을 달성하여, 높은 정밀도와 F1 스코어를 보이며 주행 단위 위조 탐지에 매우 효과적임을 입증한다.

ABSTRACT

A resilient and robust positioning, navigation, and timing (PNT) system is a necessity for the navigation of autonomous vehicles (AVs). Global Navigation Satelite System (GNSS) provides satellite-based PNT services. However, a spoofer can temper an authentic GNSS signal and could transmit wrong position information to an AV. Therefore, a GNSS must have the capability of real-time detection and feedback-correction of spoofing attacks related to PNT receivers, whereby it will help the end-user (autonomous vehicle in this case) to navigate safely if it falls into any compromises. This paper aims to develop a deep reinforcement learning (RL)-based turn-by-turn spoofing attack detection using low-cost in-vehicle sensor data. We have utilized Honda Driving Dataset to create attack and non-attack datasets, develop a deep RL model, and evaluate the performance of the RL-based attack detection model. We find that the accuracy of the RL model ranges from 99.99% to 100%, and the recall value is 100%. However, the precision ranges from 93.44% to 100%, and the f1 score ranges from 96.61% to 100%. Overall, the analyses reveal that the RL model is effective in turn-by-turn spoofing attack detection.

연구 동기 및 목표

• 자율주행차량의 GNSS 위치 기반에 의존하는 실시간이고 강건한 위조 공격 탐지 시스템을 개발하기 위해.
• 특수한 GNSS 하드웨어를 요구하지 않고도 저비용 차량 내 센서 데이터를 입력으로 활용하여 위조 공격를 탐지하기 위해.
• 주행 단위 위조 이벤트를 탐지할 수 있는 딥 강화학습 모델을 설계하기 위해.
• 실제 주행 데이터셋에서 정확도, 재현율, 정밀도, F1 스코어 기준으로 모델 성능을 평가하기 위해.
• GNSS 수신기에서 피드백-보정 메커니즘을 구현하여 위조 공격에 대한 내성을 향상시키기 위해.

제안 방법

• 저자들은 위조 및 비위조 시나리오의 레이블이 부여된 데이터셋을 생성하기 위해 Honda Driving Dataset를 사용한다.
• 실시간 센서 데이터를 정상 또는 위조로 분류하기 위해 딥 Q넷(DQN) 기반 강화학습 모델을 훈련한다.
• 차량의 동적 행동을 나타내기 위해 속도, 야워트, 가속도와 같은 차량 내 센서에서 유도된 상태 특징을 사용한다.
• 보상의 누적 최대화를 통해 정확한 탐지를 위해 환경과의 시도-오류 상호작용을 통해 최적의 정책을 학습하는 RL 에이전트를 설계한다.
• 표준 분류 지표인 정확도, 정밀도, 재현율, F1 스코어를 사용하여 모델을 평가한다.
• 안전 기반 응용 분야에서 거짓 음성 결과를 최소화하고 재현율을 우선시하기 위해 보상 형태 조정(reward shaping)을 적용한다.

실험 결과

연구 질문

• RQ1 저비용 차량 내 센서 데이터만을 사용하여 딥 강화학습 모델이 GNSS 위조 공격을 효과적으로 탐지할 수 있는가?
• RQ2 실생활 주행 조건에서 탐지 정확도, 재현율, 정밀도, F1 스코어 측면에서 모델의 성능은 어떠한가?
• RQ3 RL 기반 시스템이 자율주행차량 구현에 적합한 실시간 주행 단위 위조 탐지 기능을 달성할 수 있는가?
• RQ4 다양한 위조 시나리오와 주행 동역학 조건에서 모델의 성능는 어떻게 변화하는가?
• RQ5 모델이 새로운 주행 패턴에 대해 얼마나 잘 일반화되며, 높은 탐지 신뢰도를 유지할 수 있는가?

주요 결과

• 딥 강화학습 모델은 평가된 모든 시나리오에서 99.99%에서 100%의 탐지 정확도를 달성한다.
• 모델은 완벽한 재현율 100%를 확보하여 거짓 음성 결과 없이 모든 위조 공격를 성공적으로 식별함을 나타낸다.
• 정밀도 값은 93.44%에서 100% 사이로 변동하며, 거짓 양성 결과를 최소화하는 데 강력한 신뢰성을 보여준다.
• F1 스코어는 96.61%에서 100% 사이로 변동하며, 정밀도와 재현율 간의 균형 잡힌 강력한 성능을 반영한다.
• 모델는 뛰어난 일반화 능력과 실시간 처리 능력을 보이며, 안전 핵심 자율주행차량 시스템에의 구현에 적합하다.
• 결과는 복잡한 GNSS 신호 처리 없이도 차량 내 센서 데이터만으로도 매우 효과적인 위조 탐지가 가능함을 확인한다.