[논문 리뷰] Prediction-Based GNSS Spoofing Attack Detection for Autonomous Vehicles

Sagar Dasgupta, Mizanur Rahman외 2명|arXiv (Cornell University)|2020. 10. 16.

Vehicular Ad Hoc Networks (VANETs)참고 문헌 23인용 수 9

한 줄 요약

이 논문은 자율주행차를 위한 실시간 위조 공격 탐지 방법을 제안한다. LSTM 기반 예측 모델을 사용하여 연속된 차량 위치 간 이동 거리를 추정한다. 예측된 거리와 실제 GNSS 측정값을 비교하고, 위치 측정 오차와 예측 오차를 기반으로 한 임계값을 적용함으로써, comma2k19 주행 데이터셋을 사용하여 높은 정확도로 위조 공격를 탐지한다.

ABSTRACT

Global Navigation Satellite System (GNSS) provides Positioning, Navigation, and Timing (PNT) services for autonomous vehicles (AVs) using satellites and radio communications. Due to the lack of encryption, open-access of the coarse acquisition (C/A) codes, and low strength of the signal, GNSS is vulnerable to spoofing attacks compromising the navigational capability of the AV. A spoofed attack is difficult to detect as a spoofer (attacker who performs spoofing attack) can mimic the GNSS signal and transmit inaccurate location coordinates to an AV. In this study, we have developed a prediction-based spoofing attack detection strategy using the long short-term memory (LSTM) model, a recurrent neural network model. The LSTM model is used to predict the distance traveled between two consecutive locations of an autonomous vehicle. In order to develop the LSTM prediction model, we have used a publicly available real-world comma2k19 driving dataset. The training dataset contains different features (i.e., acceleration, steering wheel angle, speed, and distance traveled between two consecutive locations) extracted from the controlled area network (CAN), GNSS, and inertial measurement unit (IMU) sensors of AVs. Based on the predicted distance traveled between the current location and the immediate future location of an autonomous vehicle, a threshold value is established using the positioning error of the GNSS device and prediction error (i.e., maximum absolute error) related to distance traveled between the current location and the immediate future location. Our analysis revealed that the prediction-based spoofed attack detection strategy can successfully detect the attack in real-time.

연구 동기 및 목표

• 오픈 액세스 C/A 코드와 약한 신호 강도로 인해 자율주행차의 GNSS가 위조 공격에 취약한 점을 해결하기 위해.
• 차량 항법을 손상시키기 전에 위조된 GNSS 신호를 실시간으로 식별할 수 있는 탐지 메커니즘을 개발하기 위해.
• CAN, GNSS, IMU 데이터의 센서 융합을 활용하여 거리 추정을 위한 예측 모델을 훈련하기 위해.
• GNSS 위치 측정 오차와 예측 오차를 조합하여 신뢰할 수 있는 공격 탐지 임계값을 설정하기 위해.
• real-world 주행 데이터를 사용하여 예측 기반 접근 방식의 효과성을 검증하기 위해.

제안 방법

• CAN, GNSS, IMU 센서에서 추출한 특징(가속도, 조향 휠 각도, 속도, 이동 거리 등)을 기반으로 LSTM 순환 신경망을 훈련한다.
• 순차적인 센서 데이터를 기반으로 현재 차량 위치와 다음 위치 사이의 거리를 예측한다.
• 최대 절대 예측 오차와 GNSS 장치의 알려진 위치 측정 오차를 사용하여 임계값을 계산한다.
• 예측된 거리와 실제 GNSS 측정 거리 간의 실시간 비교를 통해 위조 공격를 나타내는 이질성을 탐지한다.
• 임계값을 초과하는 모든 변동은 잠재적인 위조 공격로 표시한다.
• 궤적 일관성의 이질성을 탐지하기 위해 시계열 모델링 전략을 사용한다.

실험 결과

연구 질문

• RQ1 다중 센서 데이터를 사용하여 LSTM 기반 예측 모델이 연속된 차량 위치 간 이동 거리를 효과적으로 추정할 수 있는가?
• RQ2 예측 오차와 GNSS 위치 측정 오차를 어떻게 조합하여 위조 공격 탐지에 신뢰할 수 있는 임계값을 설정할 수 있는가?
• RQ3 이 방법은 실세계 주행 데이터를 사용하여 실시간으로 위조 공격를 얼마나 잘 탐지할 수 있는가?
• RQ4 다양한 주행 조건과 센서 노이즈 수준에서 시스템의 성능은 어떻게 되는가?
• RQ5 CAN, GNSS, IMU의 센서 융합이 위조 탐지의 정확도와 강건성에 어떤 영향을 미치는가?

주요 결과

• LSTM 모델은 다중 센서 입력을 사용하여 연속된 차량 위치 간 이동 거리를 높은 정확도로 예측하였다.
• 예측된 거리와 실제 GNSS 측정 거리 간 비교를 통해 탐지 시스템은 실시간으로 위조 공격를 성공적으로 식별하였다.
• 예측 오차와 위치 측정 오차를 통합한 임계값은 거짓 긍정을 효과적으로 줄였으며, 높은 탐지 민감도를 유지하였다.
• 이 방법은 comma2k19 데이터셋의 다양한 주행 시나리오에서 강건한 성능을 보였다.
• 암호화된 신호나 위조 패턴에 대한 사전 지식 없이도 신뢰할 수 있는 탐지 성능을 달성하였다.
• 이 방법은 계산적으로 효율적이며 자율주행차에 실시간 구현에 적합하다.