[논문 리뷰] GPS-IDS: An Anomaly-based GPS Spoofing Attack Detection Framework for Autonomous Vehicles

Murad Mehrab Abrar, Youssef, Amal외 7명|arXiv (Cornell University)|2024. 05. 14.

Vehicular Ad Hoc Networks (VANETs)인용 수 4

한 줄 요약

이 논문은 자율주행차의 GPS 스푸핑 공격을 탐지하기 위해 물리 기반 동적 자전거 모델을 활용하는 이상 탐지 시스템인 GPS-IDS를 제안한다. 차량 주행 행동에서 시간적 특징을 추출하고 기계학습을 적용함으로써, GPS-IDS는 기존 EKF 대비 최대 13초 빠른 탐지 시간과 동시에 94.4%의 F1 스코어를 달성한다. 이는 실제 주행 환경에서 수집한 69,000건의 정상 및 공격 데이터를 포함하는 새로운 실세계 AV-GPS-Dataset을 기반으로 한다.

ABSTRACT

Autonomous Vehicles (AVs) heavily rely on sensors and communication networks like Global Positioning System (GPS) to navigate autonomously. Prior research has indicated that networks like GPS are vulnerable to cyber-attacks such as spoofing and jamming, thus posing serious risks like navigation errors and system failures. These threats are expected to intensify with the widespread deployment of AVs, making it crucial to detect and mitigate such attacks. This paper proposes GPS Intrusion Detection System, or GPS-IDS, an Anomaly-based intrusion detection framework to detect GPS spoofing attacks on AVs. The framework uses a novel physics-based vehicle behavior model where a GPS navigation model is integrated into the conventional dynamic bicycle model for accurate AV behavior representation. Temporal features derived from this behavior model are analyzed using machine learning to detect normal and abnormal navigation behaviors. The performance of the GPS-IDS framework is evaluated on the AV-GPS-Dataset -- a GPS security dataset for AVs comprising real-world data collected using an AV testbed, and simulated data representing urban traffic environments. To the best of our knowledge, this dataset is the first of its kind and has been publicly released for the global research community to address such security challenges.

연구 동기 및 목표

• 자율주행차의 GPS 스푸핑 공격 증가 추세에 대응하여, 이로 인한 항법 실패 및 안전 위험을 방지하기 위해.
• 단일 센서 데이터에 의존하지 않고, GPS 항법 행동의 이면적 이상을 탐지하는 종합적인 침입 탐지 시스템을 개발하기 위해.
• 실세계 연구 목적을 위해 공개 가능한, 정상 및 가짜 GPS 행동을 촬영한 실세계 데이터셋(AV-GPS-Dataset)을 구축하고 배포하기 위해.
• 실시간 자율주행 환경에서 기존 방법(예: 확장된 칼만 필터, EKF)에 비해 탐지 속도와 정확도를 향상시키기 위해.
• 물리 기반 차량 동역학과 기계학습을 융합하여 자율 주행 시스템의 강력한 이상 탐지 능력을 향상시키기 위해.

제안 방법

• 프레임워크는 자율주행차의 행동을 정확히 표현하기 위해 GPS 항법 모델을 통합한 수정된 동적 자전거 모델을 도입한다.
• 물리 기반 차량 행동 모델에서 시간적 특징을 추출하여 정상 주행 동역학과 횡방향 운동 특성을 캡처한다.
• MLP, 랜덤 포레스트, XGBoost, 의사결정수형과 같은 기계학습 모델을 활용해 정상 및 비정상 항법 패턴을 구분하도록 훈련한다.
• 거짓 긍정 및 거짓 부정을 최소화하기 위해 감지 마진 0.4–0.5를 최적의 것으로 선정한다.
• 실세계에서 수집한 자율주행차 테스트베드 환경에서의 스푸핑 공격 상황을 기반으로 한 AV-GPS-Dataset을 활용해 시스템을 평가한다.
• 탐지 성능은 시간 시리즈 분석을 통해 탐지 지연 시간을 평가하고, EKF 기반 탐지 방법과 비교한다.

실험 결과

연구 질문

• RQ1 물리 기반 차량 행동 모델은 자율주행차에서 GPS 스푸핑 공격 탐지에 어떻게 기여하는가?
• RQ2 이상 탐지 기반의 GPS 스푸핑 탐지에서 거짓 긍정 및 거짓 부정을 최소화하기 위한 최적의 감지 마진은 무엇인가?
• RQ3 실세계 환경에서 제안된 GPS-IDS 프레임워크는 EKF 기반 탐지 방법에 비해 탐지 속도와 정확도에서 어떻게 비교되는가?
• RQ4 물리 기반 차량 모델에서 추출한 시간적 특징을 기반으로 훈련된 기계학습 모델은 얼마나 빨리 네트워크 오류가 심각해지기 전에 스푸핑 공격을 탐지할 수 있는가?
• RQ5 현장 실험에서 수집한 실세계 GPS 스푸핑 공격 데이터셋은 침입 탐지 시스템의 더 신뢰성 있고 일반화 가능한 평가를 가능하게 하는가?

주요 결과

• GPS-IDS는 GPS 스푸핑 공격 탐지에서 최대 F1 스코어 94.4%를 기록하며 기존 기준 방법을 크게 능가한다.
• EKF 기반 탐지 알고리즘 대비 최대 13초 빠른 탐지 시간을 확보했으며, 가장 뛰어난 성능을 보인 모델(MLP)은 공격을 단 10초 만에 탐지한다.
• 감지 마진 0.4–0.5는 가장 낮은 거짓 긍정률(0.0021)과 거짓 부정률(0.0012)을 기록하여 민감도와 특이도 사이의 최적 균형을 이룬다.
• 모든 테스트된 기계학습 모델(MPL, RF, XGB, DT)이 EKF보다 먼저 스푸핑 공격을 탐지했으며, MLP는 훈련 케이스 전반에서 10초의 가장 짧은 탐지 시간을 기록했다.
• 정상 및 스푸핑된 GPS 데이터 69,000건 이상을 포함한 AV-GPS-Dataset은 공개되었으며, 물리적 자율주행차 테스트베드에서 수집된 첫 번째 실세계 데이터셋이다.
• 시간 시리즈 분석 결과, 제안된 프레임워크는 공격 발생 후 10–16초 내로 공격을 탐지함을 확인했으며, EKF의 23초 지연보다 뚜렷하게 향상된 성능을 보였다.