[논문 리뷰] Long Short-Term Memory Neural Networks for False Information Attack Detection in Software-Defined In-Vehicle Network

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

Network Security and Intrusion Detection참고 문헌 25인용 수 8

한 줄 요약

이 논문은 소프트웨어 정의형 차량 내부 네트워크에서 시간 시리즈 ECU 데이터의 순차적 패턴을 활용하여 가짜 정보 공격을 탐지하기 위한 LSTM 기반 이상 탐지 모델을 제안한다. 모델은 실시간 탐지에서 95%의 정확도, 95%의 정밀도, 87%의 재현율을 달성하여 안전이 중요한 자동차 시스템에 대해 뛰어난 성능과 실현 가능성을 입증한다.

ABSTRACT

A modern vehicle contains many electronic control units (ECUs), which communicate with each other through the in-vehicle network 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 and Vehicle-to-Everything (V2X) connectivity. Due to the connectivity, CAVs will be more vulnerable to remote attackers. In this study, we developed a software-defined in-vehicle Ethernet networking system that provides security against false information attacks. We then created an attack model and attack datasets for false information attacks on brake-related ECUs. After analyzing the attack dataset, we found that the features of the dataset are time-series that have sequential variation patterns. Therefore, we subsequently developed a long short term memory (LSTM) neural network based false information attack/anomaly detection model for the real-time detection of anomalies within the in-vehicle network. This 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

• 연결형 및 자율주행 차량(CAVs)이 증가한 ECU 연결성과 V2X 통합으로 인해 증가하는 원격 사이버 공격에 대한 취약성에 대응하기 위해
• 브레이크와 같은 핵심 시스템을 대상으로 하는 가짜 정보 공격을 완화하기 위한 보안 강화된 소프트웨어 정의형 차량 내부 이더넷 네트워크 아키텍처를 개발하기 위해
• 브레이크 관련 ECU에 대한 가짜 정보 주입 공격을 시뮬레이션하기 위한 현실적인 공격 데이터셋을 구축하여 효과적인 모델 훈련 및 평가를 가능하게 하기 위해
• 차량 내부 네트워크 트래픽에서의 순차적 공격 패턴을 식별할 수 있는 실시간 이상 탐지 시스템을 설계 및 구현하기 위해
• 자동차 환경의 엄격한 실시간 통신 및 계산 제약 조건을 충족시키는 탐지 모델을 확보하기 위해

제안 방법

• ECU 간의 통신을 중앙집중화하고 보안화하기 위해 소프트웨어 정의형 차량 내부 이더넷 네트워크를 설계하였다.
• 브레이크 관련 ECU를 대상으로 하는 가짜 정보 주입 공격을 시뮬레이션하기 위해 합성 공격 모델을 구축하였다.
• 가짜 정보 공격의 특징적인 순차적 변동을 보여주는 시간 시리즈 네트워크 트래픽 데이터를 수집하고 분석하였다.
• 공격 데이터셋의 순차적 특징을 기반으로 Long Short-Term Memory(LSTM) 신경망을 훈련시켜 정상 및 비정상 행동을 학습하였다.
• 차량 내부 시스템의 실시간 요구 조건을 충족시키기 위해 저지연성 추론을 최적화하였다.
• 표준 평가 지표인 정확도, 정밀도, 재현율을 사용하여 공격 탐지 작업에서의 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 ECU 통신의 순차적 패턴을 학습함으로써 LSTM 기반 모델이 차량 내부 네트워크에서의 가짜 정보 공격을 효과적으로 탐지할 수 있는가?
• RQ2 브레이크 관련 ECU에 대한 가짜 정보 공격 탐지 시, 제안된 LSTM 모델의 정확도, 정밀도 및 재현율은 어떻게 되는가?
• RQ3 자동차 환경에서 요구하는 실시간 계산 및 통신 제약 조건을 모델이 어느 정도 충족하는가?
• RQ4 차량 내부 네트워크 트래픽의 순차적 특징이 이상 탐지 모델의 설계 및 성능에 어떤 영향을 미치는가?
• RQ5 기존의 CAN 기반 시스템에 비해 소프트웨어 정의형 차량 내부 네트워크 아키텍처가 가짜 정보 공격에 대한 보안성을 향상시킬 수 있는가?

주요 결과

• LSTM 기반 탐지 모델은 브레이크 관련 ECU에 대한 가짜 정보 공격 탐지에서 95%의 정확도를 달성하였다.
• 모델은 95%의 정밀도를 보이며 공격 탐지 시 거짓 경고의 비율이 낮음을 나타내었다.
• 재현율은 87%로 측정되어 대부분의 실제 가짜 정보 공격을 성공적으로 탐지함을 보여주었다.
• 모델는 실시간 성능 요구 조건을 충족하여 안전이 중요한 차량 내부 시스템에의 구현에 적합함을 입증하였다.
• ECU 통신 데이터의 순차적 특성이 LSTM 네트워크를 활용한 효과적인 이상 탐지 구현에 핵심적인 역할을 하였다.
• 소프트웨어 정의형 차량 내부 네트워크 아키텍처는 CAVs에서 확장 가능하고 보안 강화된 침입 탐지 기반으로 유의미한 기초를 제공하였다.