[논문 리뷰] Automobile Theft Detection by Clustering Owner Driver Data

Yong Goo Kang, Kyung Ho Park외 1명|arXiv (Cornell University)|2019. 01. 01.

Autonomous Vehicle Technology and Safety참고 문헌 10인용 수 7

한 줄 요약

이 논문은 도난 징후를 나타내는 이상치를 탐지하기 위해 소유자 주행 데이터에 k-means 클러스터링을 적용하는 비지도 학습 기반 자동차 도난 탐지 방법을 제안한다. 이 방법은 레이블이 부여된 도난자 데이터가 필요 없이 최대 99.01%의 정확도를 달성한다. 이 접근법은 기어 박스 오일 온도 및 토크 컨버터 속도와 같은 CAN 버스 기능을 활용하여 정상 주행 행동을 모델링하고, 이에 대한 이탈을 도난 시도로 간주한다.

ABSTRACT

As automobiles become intelligent, automobile theft methods are evolving intelligently. Therefore automobile theft detection has become a major research challenge. Data-mining, biometrics, and additional authentication methods have been proposed to address automobile theft, in previous studies. Among these methods, data-mining can be used to analyze driving characteristics and identify a driver comprehensively. However, it requires a labeled driving dataset to achieve high accuracy. It is impractical to use the actual automobile theft detection system because real theft driving data cannot be collected in advance. Hence, we propose a method to detect an automobile theft attempt using only owner driving data. We cluster the key features of the owner driving data using the k-means algorithm. After reconstructing the driving data into one of these clusters, theft is detected using an error from the original driving data. To validate the proposed models, we tested our actual driving data and obtained 99% accuracy from the best model. This result demonstrates that our proposed method can detect vehicle theft by using only the car owner's driving data.

연구 동기 및 목표

• 레이블이 부여된 도난자 주행 데이터에 의존하지 않고 지능형 차량에서 자동차 도난을 탐지하는 데 도전하는 것.
• 정상 소유자 주행 데이터만을 사용하여 훈련하는 도난 탐지 시스템을 개발하는 것.
• 소유자의 정상 주행 패턴에서의 이탈을 식별하여 비정상 주행을 실시간으로 탐지하는 것.
• 실세계 차량 시스템에서의 비지도 학습이 운전자 인증 및 도난 탐지에 가능성을 평가하는 것.

제안 방법

• 소유자 주행 데이터에서 추출한 핵심 특징에 대해 k-means 클러스터링을 적용하여 정상 주행 행동을 모델링한다.
• 알고리즘은 주행 데이터를 소유자의 일반적인 주행 패턴을 나타내는 클러스터로 그룹화한다.
• 원래 주행 데이터를 가장 가까운 클러스터 중심점으로 매핑했을 때의 복원 오차를 측정하여 이상치를 탐지한다.
• 원시 CAN 버스 신호—예를 들어 기어 박스 오일 온도, 토크 컨버터 속도, 공회전 엔진 속도—를 입력 특징으로 사용한다.
• 다섯 개의 개별 모델 예측을 조합하여 정밀도를 향상시키기 위해 모델 앙상블을 구성한다.
• 정밀도, 재현율, F1 점수를 균형 잡기 위해 각 특징별로 임계값을 최적화한다.

실험 결과

연구 질문

• RQ1 비지도 학습이 도난자 데이터가 전혀 없는 정상 소유자 주행 데이터만으로 자동차 도난을 탐지할 수 있는가?
• RQ2 k-means 클러스터링이 차량 시스템의 이상 탐지에 있어 정상 주행 행동을 모델링하는 데 얼마나 효과적인가?
• RQ3 어느 CAN 버스 기능이 비정상 주행 행동 탐지에서 가장 높은 정확도를 제공하는가?
• RQ4 모델 앙상블은 실생활 구현에 적합한 높은 재현율을 유지하면서도 탐지 정밀도를 향상시킬 수 있는가?

주요 결과

• 기어 박스 오일 온도를 기반으로 한 모델 TOT는 99.01%의 정확도를 기록했으며, 정밀도 97.77%, 재현율 95.93%, F1 점수 96.84%를 달성했다.
• 토크 컨버터 속도 및 공회전 엔진 속도 등의 특징을 사용한 다른 개별 모델들은 정확도 97%에서 98.26% 사이를 기록했다.
• 모델 앙상블은 정확도 98.11%, 정밀도 99.30%, 재현율 88.75%, F1 점수 93.73%를 기록하여 가짜 경고를 줄이는 데 강력한 성능을 보였다.
• 모델 TOT는 가장 우수한 종합 성능을 보였으며, 실제 도난 사례의 95.93%를 탐지하여 고재현율 응용 분야에 적합했다.
• 이 방법은 레이블이 부여된 도난자 데이터가 없이도 도난 시도를 성공적으로 탐지했으며, 실생활 구현 가능성은 입증되었다.
• 이 연구는 정상 주행 패턴의 비지도 클러스터링이 차량 도난을 시사하는 비정상 행동을 효과적으로 식별할 수 있음을 확인했다.