[논문 리뷰] Smart and Secure CAV Networks Empowered by AI-Enabled Blockchain: The Next Frontier for Intelligent Safe Driving Assessment

Le Xia, Yao Sun외 4명|arXiv (Cornell University)|2021. 04. 09.

Blockchain Technology Applications and Security참고 문헌 13인용 수 19

한 줄 요약

이 논문은 실시간 주행 위험 평가를 위한 장기 단기 기억(LSTM) 모델과 악성 데이터 공격에 대한 저항성을 확보하기 위해 비잔틴 결함 저항성 기반 위임형 지분 증명(BFT-DPoS) 블록체인을 통합한 블록체인 기반 지능형 안전 주행 평가(BEST) 프레임워크를 제안한다. 이 프레임워크는 대규모 악성 데이터 주입 상황에서도 92.5–93.8%의 정확도를 달성하여 기존의 중심화된 및 블록체인 미통합 방법들을 능가한다.

ABSTRACT

Securing safe driving for connected and autonomous vehicles (CAVs) continues to be a widespread concern, despite various sophisticated functions delivered by artificial intelligence for in-vehicle devices. Diverse malicious network attacks are ubiquitous, along with the worldwide implementation of the Internet of Vehicles, which exposes a range of reliability and privacy threats for managing data in CAV networks. Combined with the fact that the capability of existing CAVs in handling intensive computation tasks is limited, this implies a need for designing an efficient assessment system to guarantee autonomous driving safety without compromising data security. In this article we propose a novel framework, namely Blockchain-enabled intElligent Safe-driving assessmenT (BEST), which offers a smart and reliable approach for conducting safe driving supervision while protecting vehicular information. Specifically, a promising solution that exploits a long short-term memory model is introduced to assess the safety level of the moving CAVs. Then we investigate how a distributed blockchain obtains adequate trustworthiness and robustness for CAV data by adopting a byzantine fault tolerance-based delegated proof-of-stake consensus mechanism. Simulation results demonstrate that our presented BEST gains better data credibility with a higher prediction accuracy for vehicular safety assessment when compared with existing schemes. Finally, we discuss several open challenges that need to be addressed in future CAV networks.

연구 동기 및 목표

• 연결형 및 자율주행 차량(CAV) 네트워크에서 주행 안전성과 데이터 보안이라는 이중적 과제를 해결하기 위해.
• 중앙집중식 차량 데이터 관리 체계에서 GPS 저주 및 데이터 위조와 같은 악성 공격으로 인한 위험을 완화하기 위해.
• 동적인 CAV 환경에서 데이터의 진위성과 무결성을 보장하는 탈중앙화되고 신뢰할 수 있는 시스템을 설계하기 위해.
• 실시간으로 안정적인 안전 감시를 위해 AI 기반 위험 예측과 블록체인 기반 데이터 기원 추적을 통합하기 위해.
• 적대적 조건에서도 높은 예측 정확도를 유지할 수 있도록 확장 가능하고 강건한 프레임워크를 개발하기 위해.

제안 방법

• 실시간 차량 위험 지수(VRI) 예측을 위해 시간적 시계열 주행 상태 데이터를 분석하기 위해 이중층 장기 단기 기억(LSTM) 네트워크를 활용한다.
• 차량 데이터의 신원 확인과 보안을 확보하기 위해 비잔틴 결함 저항성 기반 위임형 지분 증명(BFT-DPoS) 합의 메커니즘을 통합한 협의체 블록체인을 적용한다.
• 계산 작업을 오프로드하고 데이터 처리 및 합의 작업의 지연을 줄이기 위해 모바일 에지 컴퓨팅(MEC)을 활용한다.
• VRI 분류를 위해 교차 엔트로피 손실 함수를 적용하고, LSTM 모델의 효율적 기울기 갱신을 위해 Adam 최적화기를 사용한다.
• 신속하고 신뢰할 수 있는 데이터 기록을 보장하기 위해 1초 간격의 블록 생성 주기와 8MB의 블록 크기를 갖춘 RSU 기반 합의 규칙을 도입한다.
• 실시간 CAV 데이터에서의 과적합 방지를 위해 훈련 중 LSTM 모델에 드롭아웃 정규화를 적용한다.

실험 결과

연구 질문

• RQ1 CAV 네트워크에서 악성 데이터 주입에 대응할 수 있도록 AI 기반 위험 예측을 어떻게 강화할 수 있는가?
• RQ2 블록체인 기반 합의 메커니즘이 차량 데이터의 신뢰성 향상과 변조 방지에 어느 정도 기여하는가?
• RQ3 통합된 LSTM-블록체인 프레임워크는 증가하는 악성 CAV 수에 대비해 높은 예측 정확도를 유지할 수 있는가?
• RQ4 정확도와 내성 면에서 제안된 BEST 프레임워크는 중심화된 및 블록체인 미통합 접근 방식과 비교해 어떻게 다를 수 있는가?
• RQ5 실제로 매우 동적인 도시 교통 환경에서 이러한 시스템을 구현할 때의 주요 과제는 무엇인가?

주요 결과

• BEST 프레임워크는 50회의 훈련 반복 후 약 0.2의 VRI 예측 손실을 기록하며, 딥 네ural 네트워크(DNN) 기반 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 50대의 악성 CAV가 위조 데이터를 주입하는 상황에서도 블록체인의 기능 덕분에 위조 콘텐츠를 탐지하고 제거할 수 있어 낮은 예측 손실을 유지했다.
• 악성 CAV 수가 0에서 100으로 증가하더라도 VRI 평가 정확도는 92.5–93.8%로 안정적으로 유지되어 강력한 내성성을 입증했다.
• 중앙집중식 기반 시스템은 악성 CAV 수가 증가함에 따라 정확도가 급격히 감소(85.6% 이하)하여 기존 아키텍처의 취약성을 드러냈다.
• 블록체인 통합 기반 시스템은 더 빠른 수렴 속도와 높은 강건성을 보였으며, 데이터셋의 순도와 예측 신뢰성 유지에 효과적임을 입증했다.
• LSTM과 블록체인의 통합은 고정밀 예측 정확도와 데이터 불변성을 동시에 확보하여 실시간 CAV 안전 감시에 적합한 시스템임을 입증했다.