💻 computer science

Assessing Cybersecurity Risks and Traffic Impact in Connected Autonomous Vehicles

이 논문은 연결된 자율주행 차량에 대한 사이버 공격이 교통 흐름에 미치는 영향을 평가하고, 거짓 정보를 전파하는 공격 시나리오를 시뮬레이션하여 교통 효율과 안전을 극대화하는 새로운 차량 추종 모델을 제안함으로써 사이버 보안 위험을 완화할 수 있는 실용적인 해결책을 모색합니다.

원저자: Saurav Silwal, Lu Gao, Ph. D. Yunpeng Zhang, Ph. D. Ahmed Senouci, Ph. D. Yi-Lung Mo, Ph. D., P. E

게시일 2026-02-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Saurav Silwal, Lu Gao, Ph. D. Yunpeng Zhang, Ph. D. Ahmed Senouci, Ph. D. Yi-Lung Mo, Ph. D., P. E

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🚗 핵심 내용: "자율주행차, 하지만 해커가 조종한다면?"

미래의 자율주행차는 서로 대화하며 (V2V 통신) 길을 가고, 교통 체증을 줄이고 사고를 막을 거라고 기대합니다. 하지만 이 논문은 **"만약 해커가 이 '대화'를 방해하거나 거짓말을 한다면 어떻게 될까?"**라는 질문을 던집니다.

연구진들은 컴퓨터 시뮬레이션을 통해 9 대의 자율주행차가 줄지어 달리는 상황을 만들었고, 여기에 다양한 해킹 공격을 가해 보았습니다.

🎭 비유: "자율주행차 행렬과 해커의 장난"

이 연구를 이해하기 위해 9 대의 자율주행차가 '줄서기 놀이'를 하는 상황이라고 상상해 보세요. 앞차가 멈추면 뒤차는 자동으로 멈추고, 앞차가 가면 뒤차도 따라갑니다. 이때 해커가 등장하면 어떤 일이 벌어질까요?

1. 연구 방법: "가상의 놀이터"

연구진들은 실제 도로가 아니라 컴퓨터 속의 가상 도로를 만들었습니다.

규칙: 차들은 앞차의 속도와 거리를 보고 스스로 가속하거나 감속합니다. (이걸 '지능형 운전자 모델'이라고 하는데, 마치 똑똑한 운전자가 앞차를 주시하는 것과 같습니다.)
공격: 해커가 차들의 '눈 (센서)'과 '귀 (통신)'를 속여보았습니다.

2. 해커가 한 4 가지 장난 (공격 시나리오)

① 거짓말쟁이 해커 (False Message)

상황: 5 번째 차에게 "앞차가 지금보다 80m 더 멀리 있어!"라고 거짓말을 했습니다.
결과: 5 번째 차는 "아, 앞차가 멀구나!"라고 생각해서 발을 더 힘껏 밟고 가속했습니다. 하지만 실제로는 앞차가 바로 코앞에 있었죠.
파국: 5 번째 차가 4 번째 차를 들이받는 추돌 사고가 났습니다.

② "내가 리더야!" 해커 (Platoon Leader Identity Attack)

상황: 5 번째 차에게 "너는 이제 앞차가 없어. 네가 행렬의 리더야!"라고 속였습니다.
결과: 5 번째 차는 앞차가 없는 줄 알고 최고 속도로 질주했습니다. 하지만 실제로는 바로 앞에 4 번째 차가 있었습니다.
파국: 역시 추돌 사고가 발생했습니다.

③ 발동기 조작 해커 (Acceleration Manipulation)

상황: 5 번째 차의 발동기 (가속/감속) 값을 해커가 임의로 바꿨습니다. 갑자기 "급감속해!"라고 명령했습니다.
결과: 5 번째 차가 갑자기 멈추자, 그 뒤에 있던 차들도 연쇄적으로 멈췄습니다.
파국: 사고는 나지 않았지만, 교통 체증이 생기고 목적지 도착 시간이 10 초 이상 지연되었습니다.

④ 동시 다발 공격 (Multiple Vehicle Attack)

상황: 한 대가 아니라 3 대의 차 (4 번, 5 번, 8 번) 를 동시에 해킹했습니다.
- 4 번 차: "앞차가 너무 가까워!" (과도한 감속)
- 5 번 차: "가속해!" (과도한 가속)
- 8 번 차: "너가 리더야!" (앞차 무시)
결과: 연쇄 추돌 사고가 발생하며 교통 흐름이 완전히 마비되었습니다.

💡 연구의 핵심 발견 (결론)

이 연구에서 가장 중요한 두 가지 교훈은 다음과 같습니다.

"가속"이 "감속"보다 더 위험하다:
- 차가 갑자기 느려지면 (감속), 뒤차들도 자연스럽게 따라 느려져서 사고는 잘 나지 않습니다. 다만 시간이 늦어질 뿐입니다.
- 하지만 차가 갑자기 빨려지면 (가속) (앞차가 있는데도 불구하고), 앞차와 부딪힐 확률이 매우 높습니다. 해커가 차를 더 빠르게 달리게 하는 장난을 치는 것이 가장 치명적입니다.
한 대가 망하면 전체가 망한다:
- 한 대만 해킹당해도 사고가 나지만, 여러 대를 동시에 해킹하면 사고 규모와 교통 체증이 기하급수적으로 커집니다.

🛡️ 이 연구가 우리에게 주는 메시지

자율주행차는 분명 편리하고 안전한 미래의 교통수단입니다. 하지만 해커가 통신망을 장악하면, 그 편리함이 오히려 치명적인 사고로 이어질 수 있다는 경고를 줍니다.

현재의 문제: 차들이 앞차의 정보만 믿고 움직이다 보니, 그 정보가 조작되면 차는 눈이 멀고 미친 듯이 달려들거나 멈춥니다.
해결책 제안: 연구진은 "앞차뿐만 아니라 뒤차의 정보도 함께 확인하면 사고를 예방할 수 있다"고 제안합니다. 마치 줄서기 놀이를 할 때, 앞사람뿐만 아니라 옆사람이나 뒤사람의 신호도 함께 확인하는 것처럼 말이죠.

한 줄 요약:

"자율주행차가 서로 대화하며 달리는 것은 멋진 미래지만, 해커가 그 대화를 속이면 '스마트한 차'가 '미친 차'가 되어 추돌 사고를 일으킬 수 있으니, 보안 장벽을 더 튼튼히 해야 합니다."

논문 요약: 연결된 자율주행 차량 (CAV) 의 사이버보안 위험 및 교통 영향 평가

1. 연구 배경 및 문제 제기 (Problem)

배경: 자율주행 차량 (AV) 과 연결된 자율주행 차량 (CAV) 은 교통 체증 완화, 안전성 향상, 연비 개선 등 혁신적인 잠재력을 가지고 있습니다. 특히 차량 간 통신 (V2V) 을 기반으로 한 적응형 크루즈 컨트롤 (ACC) 과 연결형 적응형 크루즈 컨트롤 (CACC) 은 교통 흐름을 최적화합니다.
문제: 그러나 무선 통신의 도입은 외부 공격에 대한 취약점을 초래합니다. 악의적인 사이버 공격 (거짓 정보 주입, 데이터 재전송, 가속도 조작 등) 이 발생하면 차량의 센서와 통신 시스템이 오작동하여 심각한 교통 사고나 정체를 유발할 수 있습니다.
연구 목적: 기존 연구가 주로 단일 차량의 공격에 집중했거나, 센서와 통신이 모두 무결한 상황을 가정했다면, 본 연구는 센서와 무선 통신이 동시에 침해된 최악의 시나리오를 가정하여 다양한 사이버 공격이 교통 흐름에 미치는 영향을 정량적으로 평가하고, 이를 완화할 수 있는 방안을 모색하는 데 목적이 있습니다.

2. 방법론 (Methodology)

가. 확장된 지능형 운전자 모델 (Extended Intelligent Driver Model, IDM)

기존 IDM 은 바로 앞의 차량 (Leader) 만을 고려하지만, 본 연구에서는 CAV 환경에 맞춰 여러 선행 차량의 데이터를 활용하는 새로운 모델을 개발했습니다.
핵심 로직: 대상 차량은 통신 범위 내의 선행 차량들 (최대 3 대) 로부터 속도와 위치 데이터를 수집합니다. 각 선행 차량을 기준으로 개별적으로 가속도를 계산한 후, **가장 안전한 결과 (가장 낮은 가속도/제동 요구)**를 선택하여 적용합니다.
- 수식: $v̇_n(t) = \min(v̇_{n,n-1}(t), v̇_{n,n-2}(t), \dots, v̇_{n,n-m}(t))$
이 접근법은 앞차가 급정지할 때 다른 차량의 정보를 고려해 충돌을 방지하는 안전 장치를 구현합니다.

나. 시뮬레이션 환경

플랫폼: Python 기반 시뮬레이션.
설정: 1 차선 도로, 총 9 대의 차량으로 구성된 플레톤 (Platoon), 1000m 구간.
매개변수: 목표 속도 10m/s, 차량 길이 5m, 최소 간격 2m, 최대 가속도 0.73m/s², 최대 감속도 1.67m/s² 등 (Table 1 참조).
공격 시나리오: 5 번째 차량을 중심으로 다음과 같은 4 가지 공격 유형을 구현했습니다.
1. 거짓 메시지 (False Message): 선행 차량의 위치나 속도에 대한 오류 데이터 주입.
2. 플레톤 리더 신원 공격 (Platoon Leader Identity Attack): 앞차 인식을 차단하여 공격 대상 차량이 스스로 리더로 인식하게 함.
3. 가속도 조작 (Acceleration Manipulation): 계산된 가속도 값을 임의의 값으로 강제 변경.
4. 다중 차량 공격 (Multiple Vehicle Attack): 여러 차량을 동시에 공격하여 연쇄적 혼란 유발.

3. 주요 결과 (Results)

시뮬레이션 결과, 공격 유형과 대상 차량의 수에 따라 교통 흐름에 다음과 같은 영향을 미쳤습니다.

거짓 간격/속도 데이터 공격:
- 위치 조작: 앞차와의 간격을 실제보다 80m 더 멀게 인식하게 하여 차량이 가속하다가 후면 추돌 (63 초 시점) 발생.
- 속도 조작: 앞차 속도를 실제보다 10 배 느리게 인식하게 하여 급감속 유발. 결과적으로 뒤따르는 차량 (6 번 차량) 이 600m 지점에 도달하는 데 약 3.87 초의 지연 발생.
플레톤 리더 신원 공격:
- 앞차를 인식하지 못해 스스로 리더로 인식하고 가속하다가 후면 추돌 (53.4 초 시점) 발생.
가속도 조작 공격:
- 특정 가속도 (2m/s² 감속) 로 강제 조작 시, 뒤따르는 차량들이 연쇄적으로 감속. 11.43 초의 이동 지연 발생 (추돌은 없으나 효율성 저하).
다중 차량 동시 공격:
- 4, 5, 8 번 차량을 동시에 공격. 5 번 차량이 4 번 차량과 25 초 만에 추돌, 8 번 차량이 7 번 차량과 5 초 만에 추돌하는 등 가장 심각한 혼란과 연쇄 사고 발생.

4. 주요 기여 및 결론 (Key Contributions & Conclusions)

공격 유형별 영향 비교:
- 가속 유도 공격 (가장 위험): 차량이 앞차보다 빠르게 가속하도록 유도될 경우 추돌 사고로 이어짐.
- 감속 유도 공격: 차량이 느려지도록 유도될 경우 사고는 발생하지 않으나, **교통 지연 (Delay)**이 심화됨.
- 결론: 가속을 유도하는 공격이 감속을 유도하는 공격보다 훨씬 치명적임.
모델의 혁신성: 단일 선행 차량이 아닌, **여러 선행 차량의 데이터를 종합하여 '최악의 안전 시나리오' (가장 안전한 가속도)**를 선택하는 새로운 CAV 제어 모델을 제안했습니다. 이는 기존 모델이 앞차 급정지 시 다른 차량 정보를 무시하고 충돌할 수 있는 한계를 보완합니다.
한계 및 제언:
- 현재 모델은 앞차 정보만 고려합니다. 뒤따르는 차량 (Trailing vehicles) 과의 통신을 추가하면, 공격을 받은 차량의 상태를 앞차에 알려주어 앞차가 가속하거나 플레톤을 이탈하게 함으로써 사고를 예방할 수 있습니다.

5. 의의 (Significance)

본 연구는 CAV 의 사이버 보안 취약점이 단순한 정보 유출을 넘어 물리적 사고와 교통 시스템 마비로 직결될 수 있음을 시뮬레이션을 통해 입증했습니다. 특히, 센서와 통신이 동시에 침해된 극단적인 상황에서도 교통 흐름을 안정화할 수 있는 강건한 (Robust) 제어 알고리즘의 필요성을 강조하며, 향후 CAV 보안 정책 및 방어 시스템 개발에 중요한 기초 데이터를 제공합니다.