[논문 리뷰] In-Vehicle False Information Attack Detection and Mitigation Framework using Machine Learning and Software Defined Networking.

Zadid Khan, Mashrur Chowdhury외 3명|arXiv (Cornell University)|2019. 06. 24.

Vehicular Ad Hoc Networks (VANETs)인용 수 8

한 줄 요약

이 논문은 연결 및 자율 주행 차량(CAVs)의 CAN 버스 프레임에 대한 위조 정보 공격을 탐지하기 위해 LSTM 기반 기계학습 모델과 통합된 SDN 기반 차량 내 네트워크 프레임워크를 제안한다. 시스템은 실시간 이상 탐지에서 95%의 정확도, 95%의 정밀도, 87%의 재현율을 달성하면서도 SDN 제어를 통해 동적 방어 정책을 구현한다.

ABSTRACT

A modern vehicle contains many electronic control units (ECUs), which communicate with each other through the Controller Area Network (CAN) bus to ensure vehicle safety and performance. Emerging Connected and Automated Vehicles (CAVs) will have more ECUs and coupling between them due to the vast array of additional sensors, advanced driving features (such as lane keeping and navigation) and Vehicle-to-Everything (V2X) connectivity. As a result, CAVs will have more vulnerabilities within the in-vehicle network. In this study, we develop a software defined networking (SDN) based in-vehicle networking framework for security against false information attacks on CAN frames. We then created an attack model and attack datasets for false information attacks on brake-related ECUs in an SDN based in-vehicle network. We subsequently developed a machine-learning based false information attack/anomaly detection model for the real-time detection of anomalies within the in-vehicle network. Specifically, we utilized the concept of time-series classification and developed a Long Short-Term Memory (LSTM) based model that detects false information within the CAN data traffic. Additionally, based on our research, we highlighted policies for mitigating the effect of cyber-attacks using the SDN framework. The SDN-based attack detection model can detect false information with an accuracy, precision and recall of 95%, 95% and 87%, respectively, while satisfying the real-time communication and computational requirements.

연구 동기 및 목표

• 연결 및 자율 주행 차량(CAVs)의 차량 내 네트워크가 확장된 ECU 통합과 V2X 연결성으로 인해 증가하는 취약성을 해결하기 위해.
• 차량 내 네트워크에 특화된 소프트웨어 정의 네트워킹(SDN) 프레임워크를 개발하여 보안 및 동적 제어를 향상시키기 위해.
• 위조 정보 주입 공격를 겨냥한 브레이크 관련 ECU를 대상으로 한 현실적인 공격 모델과 데이터셋을 구축하기 위해.
• 시간 시리즈 분류를 활용한 CAN 버스 트래픽에 대한 실시간 기계학습 기반 이상 탐지 시스템을 설계하고 구현하기 위해.
• 감지된 사이버 공격에 효과적으로 대응하기 위해 SDN 프레임워크 내에서 방어 정책을 수립하기 위해.

제안 방법

• 중앙 집중식 제어를 가능하게 하고 동적 보안 정책을 지원하는 SDN 기반 차량 내 네트워크 아키텍처 설계.
• CAN 버스 통신 계층에서 브레이크 관련 ECU를 대상으로 한 위조 정보 공격 모델 구축.
• 학습 및 평가를 위한 정규화된 CAN 프레임과 공격 유발 프레임으로 구성된 레이블링된 데이터셋 생성.
• CAN 프레임 시퀀스의 시간 시리즈 분류를 위해 장단기 기억(LSTM) 네트워크 구현.
• 실시간 탐지 및 대응을 위해 LSTM 모델을 SDN 컨트롤러에 통합.
• 공격 감지 시 활성화되는 트래픽 필터링 및 경로 재지정과 같은 SDN 기반 방어 정책 정의.

실험 결과

연구 질문

• RQ1 SDN 기반 차량 내 네트워크 아키텍처는 CAN 버스 프레임에 대한 위조 정보 공격의 탐지 및 방어를 어떻게 향상시킬 수 있는가?
• RQ2 CAVs에서 브레이크 관련 ECU에 대한 위조 정보 공격의 핵심 특성은 무엇이며, 이를 현실적으로 모델링하고 시뮬레이션할 수 있는가?
• RQ3 LSTM 기반 딥러닝 모델은 낮은 지연 시간과 높은 정확도로 시간 시리즈 CAN 버스 데이터의 이상을 효과적으로 탐지할 수 있는가?
• RQ4 기계학습과 SDN의 통합은 차량 내 네트워크에서 실시간 보안을 어떻게 향상시키는가?
• RQ5 위조 정보 공격 감지 시 동적으로 시행할 수 있는 효과적인 방어 정책은 무엇인가?

주요 결과

• 제안된 SDN 기반 탐지 프레임워크는 CAN 프레임에 대한 위조 정보 공격 탐지에서 95%의 정확도를 달성한다.
• 모델은 공격 탐지 시 거짓 양성률이 낮음을 보여주는 95%의 정밀도를 나타낸다.
• 재현율은 87%에 도달하여 시스템이 실제로 발생한 위조 정보 공격의 87%를 성공적으로 식별함을 의미한다.
• LSTM 기반 이상 탐지 모델은 차량 내 네트워크의 실시간 계산 및 통신 요구 조건을 충족한다.
• SDN 통합을 통해 공격 감지 시 활성화될 수 있는 동적 방어 정책을 구현함으로써 시스템의 내성 강화가 가능하다.
• 공격 데이터셋과 모델은 향후 차량 내 네트워크 보안 분야 연구를 위한 현실적인 기준을 제공한다.