[논문 리뷰] Detecting ADS-B Spoofing Attacks using Deep Neural Networks

Xuhang Ying, Joanna Mazer외 4명|arXiv (Cornell University)|2019. 04. 22.

Air Traffic Management and Optimization참고 문헌 21인용 수 13

한 줄 요약

이 논문은 수신된 신호의 물리계층 특징(기본 신호 샘플과 위상)을 분석함으로써 ADS-B 스푸핑 공격을 탐지하는 두 단계로 구성된 딥 네ural 네트워크(DNN) 기반 시스템인 SODA를 제안한다. 이는 기반 시설 스푸핑 공격에 대해 99.34%의 탐지 정확도와 단지 0.43%의 거짓 경고율, 개별 항공기 식별에 대해 96.68%의 F-score를 달성하며, 기존의 전통적 기계학습 방법보다 뚜렷이 뛰어나다.

ABSTRACT

The Automatic Dependent Surveillance-Broadcast (ADS-B) system is a key component of the Next Generation Air Transportation System (NextGen) that manages the increasingly congested airspace. It provides accurate aircraft localization and efficient air traffic management and also improves the safety of billions of current and future passengers. While the benefits of ADS-B are well known, the lack of basic security measures like encryption and authentication introduces various exploitable security vulnerabilities. One practical threat is the ADS-B spoofing attack that targets the ADS-B ground station, in which the ground-based or aircraft-based attacker manipulates the International Civil Aviation Organization (ICAO) address (a unique identifier for each aircraft) in the ADS-B messages to fake the appearance of non-existent aircraft or masquerade as a trusted aircraft. As a result, this attack can confuse the pilots or the air traffic control personnel and cause dangerous maneuvers. In this paper, we introduce SODA - a two-stage Deep Neural Network (DNN)-based spoofing detector for ADS-B that consists of a message classifier and an aircraft classifier. It allows a ground station to examine each incoming message based on the PHY-layer features (e.g., IQ samples and phases) and flag suspicious messages. Our experimental results show that SODA detects ground-based spoofing attacks with a probability of 99.34%, while having a very small false alarm rate (i.e., 0.43%). It outperforms other machine learning techniques such as XGBoost, Logistic Regression, and Support Vector Machine. It further identifies individual aircraft with an average F-score of 96.68% and an accuracy of 96.66%, with a significant improvement over the state-of-the-art detector.

연구 동기 및 목표

• 암호화 및 인증 기능의 부재로 인해 ADS-B 시스템에 심각한 보안 취약성이 존재하는 문제를 해결하기 위해.
• 암호 프로토콜에 의존하지 않고 물리계층 신호 특징을 활용하여 지상 기반 스푸핑 공격(예: 재생 공격 및 가짜 항공기 주입)을 탐지하기 위해.
• ADS-B 신호 내 고유한 위상 패턴을 기반으로 개별 항공기를 식별하고 분류하여 위장 공격을 탐지하기 위해.
• 기존의 지문 기반 및 기계학습 기반 접근법을 개선한 확장 가능한 비암호화 탐지 시스템을 개발하기 위해.
• 실제 외부 환경(OTA) 데이터를 사용하여 실제 조건 하에서 DNN 기반 탐지기의 강건성과 성능을 평가하기 위해.

제안 방법

• SODA는 두 단계로 구성된 DNN 아키텍처를 사용한다: 메시지 분류기는 기저대역(IQ) 샘플을 분석하여 지상 기반 공격자로부터 오는 악성 메시지를 탐지한다.
• 항공기 분류기는 수신된 신호의 위상 패턴을 사용하여 진짜 ICAO 주소를 예측하고, 메시지에 기재된 주장된 ICAO 주소와 비교한다.
• 시스템은 애나코이크 캬머 내에서 실외 환경(OTA) 테스트베드를 통해 수집한 실제 ADS-B 신호를 기반으로 훈련된다. 이에는 정상 및 스푸핑된 전송이 포함된다.
• 특징 추출은 기저대역(I) 및 Quadrature(Q) 샘플, 신호 위상 변동과 같은 물리계층 특징에 집중하여 전송기 고유의 서명을 포착한다.
• 모델 훈련은 레이블이 부여된 데이터를 사용한 지도 학습 방식을 사용하며, 탐지 및 분류 성능 최적화를 위해 초모델 조정이 수행된다.
• 최종 모델(M5)은 다양한 항공기 유형에서의 오분류율을 감소시키고 분류 정확도를 향상시키기 위해 미세 조정된다.

실험 결과

연구 질문

• RQ1 IQ 샘플과 위상과 같은 물리계층 특징만을 사용하여 DNN 기반 시스템이 지상 기반 ADS-B 스푸핑 공격을 탐지할 수 있는가?
• RQ2 ADS-B 신호의 위상 패턴을 기반으로 DNN는 개별 항공기를 얼마나 정확하게 분류할 수 있는가?
• RQ3 훈련 데이터 크기와 분류 작업에서의 항공기 수가 DNN 탐지기 성능에 어떻게 영향을 미치는가?
• RQ4 신뢰할 수 있는 항공기의 전송 패턴을 모방하는 공격자에 의해 스푸핑 공격가 탐지될 수 있는가?
• RQ5 기존의 기계학습 방법(XGBoost, SVM, 로지스틱 회귀 등)과 비교해 본다면, 제안된 DNN 기반 접근법은 어떤 성능을 보이는가?

주요 결과

• SODA는 지상 기반 스푸핑 공격을 99.34%의 탐지 확률로 탐지하며, 거짓 경고율은 단지 0.43%에 그친다.
• 항공기 분류기는 평균 F-score 96.68%와 정확도 96.66%를 달성하며, 최신 기술 대비 뚜렷이 뛰어난 성능을 보인다.
• 훈련 데이터의 20%만으로도 분류기는 80% 이상의 정확도를 유지하며, 일정한 데이터 임계값을 초과하면 성능이 포화 상태에 이르게 된다.
• 항공기 수가 25대에서 238대로 증가함에 따라 분류 정확도는 98.06%에서 약 95%로 약간 감소하여 중간 정도의 확장성 영향을 보인다.
• 혼동 행렬을 분석한 결과, 잘못 분류된 비대각 요소는 총 33개이며, 이 중에서 오분류율이 2% 이상인 경우는 33개뿐이며, 가장 높은 오분류율은 유사한 두 기체(91번과 92번) 간에 8.0%로 나타났다.
• 미세 조정된 모델은 F-score <90%인 항공기 비율을 M1 모델의 23.53%에서 단지 2.5%로 감소시켜 모델 최적화의 유용성을 입증한다.