[논문 리뷰] Secure Mobile Crowdsensing with Deep Learning

Liang Xiao, Donghua Jiang외 2명|arXiv (Cornell University)|2018. 01. 23.

Mobile Crowdsensing and Crowdsourcing참고 문헌 12인용 수 6

한 줄 요약

이 논문은 스택드 오토에인커(사전학습 기반 신경망)와 딥 뉴럴 네트워크(DNN), 컨volution 신경망(CNN)을 활용하여 모바일 커니즈센싱(MCS) 시스템의 보안을 향상시키기 위한 딥러닝(DL) 기반 프레임워크를 제안한다. 이는 인증, 개인정보 보호, 위조 센싱 탐지, 침입 탐지, 간섭 방지 통신에 활용된다. 딥 Q넷(DQN)을 사용하여 동적 간섭에 저항하는 방식으로 더 빠른 수렴(학습 시간 66.7% 감소)과 더 높은 신호대간섭+노이즈비(SINR)를 달성하며, 기존 기법들보다 정확도와 효율성 면에서 뛰어나다.

ABSTRACT

In order to stimulate secure sensing for Internet of Things (IoT) applications such as healthcare and traffic monitoring, mobile crowdsensing (MCS) systems have to address security threats, such as jamming, spoofing and faked sensing attacks, during both the sensing and the information exchange processes in large-scale dynamic and heterogenous networks. In this article, we investigate secure mobile crowdsensing and present how to use deep learning (DL) methods such as stacked autoencoder (SAE), deep neural network (DNN), and convolutional neural network (CNN) to improve the MCS security approaches including authentication, privacy protection, faked sensing countermeasures, intrusion detection and anti-jamming transmissions in MCS. We discuss the performance gain of these DL-based approaches compared with traditional security schemes and identify the challenges that need to be addressed to implement them in practical MCS systems.

연구 동기 및 목표

• 동적이고 이질적인 IoT 네트워크 환경에서 위조 센싱, 위조 공격, 간섭, 내부자 공격 등의 심각한 보안 위협을 해결하기 위해.
• SAE, DNN, CNN, DQN 등의 딥러닝 기법을 활용하여 기존의 결정론적 보안 기법들보다 더 높은 수준의 MCS 보안을 향상시키기 위해.
• 실시간 MCS 응용 프로그램에서 딥러닝 기반 접근법의 성능 향상을 평가하며, 인증, 개인정보 보호, 침입 탐지, 간섭 방지 기능에 집중하기 위해.
• 실제 MCS 시스템에서의 구현 과제, 즉 실시간 처리, 유틸리티 평가 정확도, 백업 보안 프로토콜 등을 규명하기 위해.

제안 방법

• 인증 및 개인정보 보호 향상을 위해 특징 추출 및 차원 축소를 위해 스택드 오토에인커(SAE)를 활용한다.
• 고정밀도의 악성코드 탐지 및 센싱 데이터 분류를 위해 딥 뉴럴 네트워크(DNN)와 컨volution 신경망(CNN)을 사용한다.
• 동적 무선 환경에서 적응형 간섭 방지 통신을 가능하게 하기 위해 경험 재생과 타겟 네트워크를 활용한 딥 Q넷(DQN)을 구현한다.
• 간섭 방지 전송에서 채널 점프 전략 최적화를 위해 CNN 기반 상태공간 압축을 적용한다.
• 학습 시간 단축과 자원 제약이 있는 모바일 장치에의 배포를 위해 전이 학습과 분산 딥러닝을 통합한다.
• 센싱 정확도, 계산 비용, 보호 비용을 균형 있게 고려하는 유틸리티 함수를 활용하여 DQN 기반의 위조 센싱 대응 전략을 지도한다.

실험 결과

연구 질문

• RQ1 딥러닝은 모바일 커니즈센싱 시스템에서 인증 및 개인정보 보호의 정확도와 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 딥러닝 기반 침입 탐지 및 악성코드 탐지는 MCS 환경에서 기존의 결정론적 기법들보다 어느 정도 뛰어나게 성능을 발휘할 수 있는가?
• RQ3 DQN 기반 간섭 방지 통신은 동적 MCS 환경에서 고전적 Q-러닝 대비 더 빠른 수렴과 더 나은 SINR 성능을 달성할 수 있는가?
• RQ4 내부자 공격자 및 은밀한 공격자 존재 시 실시간으로 유틸리티 함수를 정확하게 평가하여 MCS 보안 결정을 어떻게 지도할 수 있는가?
• RQ5 딥러닝 기반 MCS 보안 시스템의 초기 학습 및 구현 단계에서 신뢰성을 확보하기 위해 필요한 백업 보안 메커니즘은 무엇인가?

주요 결과

• DQN 기반 간섭 방지 통신 시스템은 1,000개의 타임슬롯 이후 최적 성능에 수렴하며, Q-러닝 대비 학습 시간이 66.7% 감소한다.
• DQN 기반 시스템은 1,000개의 타임슬롯 이후 Q-러닝 대비 8.3% 높은 신호대간섭+노이즈비(SINR)를 달성하여 전송 신뢰성을 향상시킨다.
• DNN 및 CNN 기반의 딥러닝 기법들은 기존 방법보다 악성코드 탐지 및 위조 센싱 대응에서 뛰어나며, 공격 성공률를 감소시킨다.
• 상태공간 압축을 위한 CNN의 사용은 학습 속도를 가속화하고 대규모 이질적 MCS 네트워크에서 특징 추출 성능을 향상시킨다.
• 자원 제약이 있는 모바일 장치에서 실시간 배포를 위해 분산 딥러닝과 최적화된 하이퍼파ram터(예: 미니배치 크기)가 필수적이다.
• 딥러닝 기반 시스템의 초기 학습 실패 위험이 매우 높아 네트워크 전체의 보안 침해를 초래할 수 있으므로 백업 보안 프로토콜이 필요하다는 점을 이 연구는 규명했다.