[논문 리뷰] A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles

Li Yang, Abdallah Shami|arXiv (Cornell University)|2022. 01. 27.

Vehicular Ad Hoc Networks (VANETs)인용 수 10

한 줄 요약

이 논문은 인터넷 오브 차량(IoV)을 위한 전이 학습 및 하이퍼파라미터 최적화된 CNN 기반 침입 탐지 시스템(IPS)을 제안하며, 네트워크 트래픽을 이미지로 변환하여 공격 패턴 인식을 향상시킨다. 입자군집최적화(PSO)를 사용해 다섯 개인 사전 훈련된 CNN 모델(VGG16, VGG19, Xception, Inception, InceptionResNet)의 하이퍼파라미터를 최적화하고, 신뢰도 평균화 및 연결을 통한 앙상블 학습을 적용하여 Car-Hacking 및 CICIDS2017 데이터셋에서 각각 99.25% 이상의 F1 스코어를 달성한다. 이는 높은 정확도와 실시간 구현 가능성(패킷당 테스트 시간 3.2ms 이내)을 보여준다.

ABSTRACT

Modern vehicles, including autonomous vehicles and connected vehicles, are increasingly connected to the external world, which enables various functionalities and services. However, the improving connectivity also increases the attack surfaces of the Internet of Vehicles (IoV), causing its vulnerabilities to cyber-threats. Due to the lack of authentication and encryption procedures in vehicular networks, Intrusion Detection Systems (IDSs) are essential approaches to protect modern vehicle systems from network attacks. In this paper, a transfer learning and ensemble learning-based IDS is proposed for IoV systems using convolutional neural networks (CNNs) and hyper-parameter optimization techniques. In the experiments, the proposed IDS has demonstrated over 99.25% detection rates and F1-scores on two well-known public benchmark IoV security datasets: the Car-Hacking dataset and the CICIDS2017 dataset. This shows the effectiveness of the proposed IDS for cyber-attack detection in both intra-vehicle and external vehicular networks.

연구 동기 및 목표

• 차량 네트워크에서 인증 및 암호화 부족으로 인해 증가하는 사이버 공격 표면을 해결하기 위해.
• 내차량(CAN 기반) 및 외부 차량 네트워크를 모두 대상으로 고정확도, 실시간 침입 탐지 시스템(IPS)을 개발하기 위해.
• 네트워크 트래픽을 이미지 표현으로 변환하여 CNN 기반 패턴 인식의 성능을 향상시키기 위해.
• 입자군집최적화(PSO)를 활용해 CNN 모델의 하이퍼파라미터를 최적화하여 특징 학습 및 분류 성능을 향상시키기 위해.
• 신뢰도 평균화 및 연결을 포함한 앙상블 학습 전략을 통해 탐지 성능의 강건성과 정확도를 향상시키기 위해.

제안 방법

• 시간적 및 패턴적 특징를 시각화하기 위해 청크 기반 데이터 변환 방법을 사용해 원시 차량 네트워크 트래픽 데이터를 2차원 이미지 표현으로 변환한다.
• 전이 학습을 위한 다섯 가지 사전 훈련된 딥 CNN 아키텍처(VGG16, VGG19, Xception, Inception, InceptionResNet)를 기반 학습기로 활용한다.
• 입자군집최적화(PSO)를 적용해 CNN 모델의 하이퍼파라미터를 최적화하여 모델 일반화 및 탐지 정확도를 향상시킨다.
• 전체 성능 향상을 위해 두 가지 앙상블 학습 기법인 신뢰도 평균화 및 특징 연결을 활용해 최적화된 기반 모델들을 통합한다.
• 공개된 IoV 보안 데이터셋인 Car-Hacking(내차량) 및 CICIDS2017(외부 네트워크)에서 앙상블 모델을 훈련 및 평가한다.
• 라즈베리 파이에서 패킷당 테스트 시간을 측정하여 실시간 구현 가능성을 평가함으로써 차량 네트워크 제약 조건을 충족하는지 확인한다.

실험 결과

연구 질문

• RQ1 차량 네트워크 트래픽을 이미지 형식으로 변환하는 것이 IoV 시스템에서 CNN 기반 침입 탐지 성능을 향상시키는가?
• RQ2 입자군집최적화(PSO)는 IoV 데이터셋에서 CNN 하이퍼파라미터를 최적화하는 데 얼마나 효과적인가?
• RQ3 앙상블 학습 전략(신뢰도 평균화 및 연결)은 개별 모델 대비 탐지 정확도와 F1 스코어를 유의미하게 향상시키는가?
• RQ4 제안된 IDS는 실시간 배포에 적합한 낮은 인퍼런스 지연을 확보하면서도 높은 탐지 성능을 달성할 수 있는가?
• RQ5 기준 IoV 데이터셋에서 제안된 프레임워크는 F1 스코어, 정확도 및 인퍼런스 속도 측면에서 최신 기술 대비 어떻게 비교되는가?

주요 결과

• 제안된 IDS는 Car-Hacking 데이터셋에서 100% F1 스코어를 기록하여 비교된 모든 최신 기술 대비 최소 0.09% 이상 높은 성능을 보였다.
• CICIDS2017 데이터셋에서 신뢰도 평균화 앙상블 모델은 99.925%의 F1 스코어를 기록하여 평가된 모든 모델 중 최고 수준이었다.
• 신뢰도 평균화 앙상블 방법은 패킷당 인퍼런스에 단 1.5ms가 소요되어 차량 네트워크의 실시간 요구사항(패킷당 10ms 이내)을 충족했다.
• 신뢰도 평균화 앙상블의 총 훈련 시간은 2,658.1초였으며, 연결 방법의 3,598.7초 대비 유의미하게 낮았다.
• 모든 PSO 최적화 기반 모델은 CICIDS2017 데이터셋에서 F1 스코어 99.67% 이상을 달성하여 하이퍼파라미터 최적화의 효과를 입증했다.
• 이미지 기반 데이터 변환 방법은 공격 패턴을 명확히 시각화할 수 있었으며, 특히 Car-Hacking 데이터셋에서 높은 탐지 성능 향상에 기여했다.