[논문 리뷰] This Car is Mine!: Automobile Theft Countermeasure Leveraging Driver Identification with Generative Adversarial Networks

Kyung Ho Park, Huy Kang Kim|arXiv (Cornell University)|2019. 11. 22.

Autonomous Vehicle Technology and Safety참고 문헌 14인용 수 7

한 줄 요약

이 논문은 도난 방지를 위한 GAN 기반 운전자 식별 시스템을 제안하며, 도둑의 주행 데이터가 아닌 소유자 운전자 데이터만으로 훈련함으로써 도둑 데이터가 필요 없도록 한다. 훈련된 GAN의 분류기(discriminator)를 활용해 주행 패턴을 분류함으로써, 개인정보 보호, 경제성 향상, 역공학 공격에 대한 저항성 향상으로 인해 정상 차량에 추가 센서 없이도 실생활에 구현 가능한 정확한 소유자 식별이 가능하다.

ABSTRACT

As a car becomes more connected, a countermeasure against automobile theft has become a significant task in the real world. To respond to automobile theft, data mining, biometrics, and additional authentication methods are proposed. Among current countermeasures, data mining method is one of the efficient ways to capture the owner driver's unique characteristics. To identify the owner driver from thieves, previous works applied various algorithms toward driving data. Such data mining methods utilized supervised learning, thus required labeled data set. However, it is unrealistic to gather and apply the thief's driving pattern. To overcome this problem, we propose driver identification method with GAN. GAN has merit to build identification model by learning the owner driver's data only. We trained GAN only with owner driver's data and used trained discriminator to identify the owner driver. From actual driving data, we evaluated our identification model recognizes the owner driver well. By ensembling various driver authentication methods with the proposed model, we expect industry can develop automobile theft countermeasures available in the real world.

연구 동기 및 목표

• 감독 학습 기반 운전자 식별 모델 훈련을 위한 도둑 주행 데이터 확보 문제를 해결하기 위해.
• 도둑 데이터 수집 문제와 개인정보 문제를 피하기 위해 소유자 운전자 데이터만으로 구성된 실용적인 자동차 도난 방지 대책을 개발하기 위해.
• 역공학 공격에 저항하는 데드박스 분류기로 GAN 기반 분류기(discriminator)를 활용해 보안성과 실현 가능성을 향상시키기 위해.
• 추가 하드웨어 업그레이드 없이도 기존 차량에 구현 가능한 CAN 버스 데이터를 활용해 구현 가능성을 확보하기 위해.
• 기기 쌍방향 인증과 같은 다른 인증 방법과의 융합을 통해 실생활 적용 가능성을 높이기 위해.

제안 방법

• 소유자 운전자 주행 데이터만을 사용해 GAN을 훈련시키며, 분류기(discriminator)가 진짜(소유자)와 가짜(비소유자) 주행 패턴을 구분하는 능력을 중점적으로 다룬다.
• 훈련된 분류기를 이진 분류기로 활용해 들어오는 주행 데이터가 소유자의 고유한 주행 스타일과 일치하는지 확인한다.
• CAN 버스 데이터에서 가속, 브레이크, 조향 입력 등의 주행 특징을 추출해 GAN의 입력 표현으로 사용한다.
• 일반화 및 단일 클래스 분류에서의 강건성을 향상시키기 위해 수정된 GAN 아키텍처(RGAN)를 적용한다.
• 기기 쌍방향 인증과 같은 보조 방법과의 융합 전략을 구현해 가짜 양성 및 가짜 음성 비율을 낮춘다.
• 오류 탐지 시 새로운 데이터로 재훈련하는 피드백 루프를 설계해 지속적인 모델 개선을 가능하게 한다.

실험 결과

연구 질문

• RQ1 도둑 데이터의 레이블이 전혀 필요 없이 소유자 운전자 데이터만으로 GAN 기반 모델이 신뢰할 수 있는 운전자 식별을 수행할 수 있는가?
• RQ2 단일 클래스 운전자 식별에서 전통적인 감독 학습 모델과 비교해 GAN 기반 분류기의 성능은 어떻게 되는가?
• RQ3 추가 센서나 하드웨어 없이도 제안된 방법이 기존 차량에 얼마나 널리 적용될 수 있는가?
• RQ4 기기 쌍방향 인증과 같은 다른 인증 방법과의 융합을 통해 모델 성능은 어떻게 향상될 수 있는가?
• RQ5 비소유자 주행 데이터 수집을 피함으로써 개인정보 보호와 보안성이 유지될 수 있는가?

주요 결과

• GAN 기반 모델은 도둑 데이터 없이도 소유자 운전자를 높은 정확도로 식별함으로써 실생활 적용 가능성을 입증했다.
• 훈련 과정에서 도둑 데이터가 전혀 필요 없이도 소유자와 비소유자 주행 패턴을 강력하게 구분하는 성능을 달성했다.
• 추가 센서나 하드웨어가 필요 없이 CAN 버스 데이터만으로도 경제적으로 실현 가능한 시스템을 확보했다.
• GAN 분류기의 데드박스 성격 덕분에 식별 로직을 역공학으로 분석하기 어려워져 보안성이 향상되었다.
• 기기 쌍방향 인증과의 융합을 통해 가짜 양성 및 가짜 음성 비율이 크게 감소해 신뢰성이 향상되었다.
• 오류 탐지 기반의 재훈련 피드백 메커니즘 덕분에 장기적인 모델 지속성과 적응 능력이 확보되었다.