Benchmarking Dataset for Presence-Only Passive Reconnaissance in Wireless Smart-Grid Communications

이 논문은 스마트 그리드 통신에서 수동적 정찰 공격을 평가하기 위해 물리적 채널 특성을 반영한 계층적 네트워크 시뮬레이션 데이터셋 생성기를 제안하고, 이를 통해 그래프-시계열 및 연방 학습 기반 탐지 모델의 표준화된 벤치마킹을 가능하게 합니다.

핵심

🏠 1. 배경: 스마트 그리드와 '보이지 않는 감시자'

스마트 그리드는 우리 집의 전기 사용량부터 발전소까지 모든 것을 연결하는 거대한 인터넷 같은 네트워크입니다. 이 네트워크는 와이파이, 전선 (PLC), 이동통신 (LTE) 등 다양한 방식으로 연결되어 있습니다.

이제 공격자가 등장합니다. 하지만 이 공격자는 전력을 끊거나 데이터를 훔쳐보는 '악당'이 아닙니다.

• 전통적인 해커: 네트워크에 침입해 데이터를 변조하거나 시스템을 마비시킵니다. (예: 전기를 끊거나 거짓 신호를 보냄)
• **이 논문의 공격자 **(수동적 감시자) 네트워크에 아무것도 건드리지 않습니다. 그저 **전파가 지나가는 길가에 조용히 서서 **(또는 지나가며) 있습니다.

비유:

imagine you are walking down a hallway (the network). A traditional hacker might lock the doors or change the signs. But this new type of spy just stands quietly in the hallway. Their mere presence changes the **acoustics **(echoes) of the hallway slightly. They don't speak, but their body blocks some sound waves, making the echo sound a tiny bit different.

이 논문은 바로 **"사람이 서 있기만 해도 전파 신호가 어떻게 미세하게 변하는지"**를 기록한 데이터를 만들어내는 방법을 제시합니다.

---

🛠 2. 이 논문의 핵심: "가짜 현실"을 만드는 시뮬레이션

실제 전력망에 해커를 불러와서 실험하는 것은 너무 위험하고 어렵습니다. 그래서 연구자들은 **가상의 현실 **(시뮬레이션)을 만들었습니다.

🎭 비유: "극장 무대 위의 배우들"

이 논문은 12 명의 배우 (12 개의 전자기기) 가 있는 극장을 상상해 보세요.

• 배우들: 스마트 미터기, 발전소 제어기, 가정용 게이트웨이 등.
• **연출가 **(이 논문) 이 배우들이 서로 대화할 때, 무대 옆에 누군가 (공격자) 가 서 있으면 소리가 어떻게 변할지 계산하는 프로그램입니다.

이 프로그램이 하는 일:

1. 정상적인 상황: 배우들이 자연스럽게 대화합니다. (전기가 잘 흐르고 데이터가 잘 전송됨)
2. 공격 상황: 무대 옆에 '도청자'가 서 있습니다. 도청자가 서 있는 순간, 배우들의 목소리 (전파 신호) 가 약간 울림이 줄어들거나 (그림자 효과), 소리가 왜곡됩니다.
3. 결과: 도청자가 말을 하지 않아도, 배우들의 목소리 톤 (신호 강도, 지연 시간, 오류율) 이 미세하게 변합니다.

이 논문은 이 미세한 변화를 수학적으로 정확하게 계산해서, 인공지능 (AI) 이 학습할 수 있는 데이터 세트를 만들어냅니다.

---

🔍 3. 왜 이것이 중요한가? (AI 를 훈련시키는 용도)

이 데이터 세트의 목적은 AI 가 "도청자가 왔는지"를 알아내게 훈련시키는 것입니다.

• 기존의 문제: 대부분의 보안 프로그램은 "데이터가 변조되었는가?"를 봅니다. 하지만 도청자는 데이터를 변조하지 않습니다. 그래서 기존 보안 프로그램은 도청자를 못 봅니다.
• 이 논문의 해결책: AI 에게 "소리의 울림이 평소와 조금 다르다면, 누군가 근처에 있는 거야!"라고 가르칩니다.

비유:

마치 집에 도둑이 들지 않았는지 확인하는 경비원이 있습니다.

• 옛날 경비원: "문이 열렸나? 창문이 깨졌나?" (데이터 변조 확인)
• 이 논문의 경비원 (AI): "방금 복도에서 발소리가 평소보다 조금 울림이 적었어. 누군가 벽에 기대고 있었나 봐." (전파의 미세한 변화 감지)

---

🧩 4. 이 데이터 세트의 특별한 점

이 논문이 만든 데이터 세트는 몇 가지 매우 중요한 특징이 있습니다.

1. **계층적인 구조 **(HAN, NAN, WAN)

   • 우리 집 (HAN), 동네 (NAN), 도시 전체 (WAN) 로 이어지는 네트워크 구조를 그대로 재현했습니다.
   • 비유: 아파트 한 층 (집) 에서 동네 경로당, 그리고 시청까지 이어지는 통신 구조를 모두 포함합니다.

2. **누수 방지 **(Leak-safe)

   • AI 가 답을 미리 보고 공부하지 못하게 합니다.
   • 비유: 시험 문제를 풀 때, 정답이 적힌 지우개를 미리 보고 풀면 안 됩니다. 이 데이터는 **학습용 **(Train), **검토용 **(Validation), **시험용 **(Test) 데이터를 완전히 분리해서, AI 가 진짜로 감지 능력을 키우도록 설계했습니다.

3. 물리 법칙 준수:

   • 단순히 숫자를 랜덤으로 바꾸는 게 아니라, 실제 전파가 물리 법칙 (그림자, 반사, 간섭) 에 따라 어떻게 변하는지 계산합니다.
   • 비유: 가상의 도청자가 서 있을 때, 전파가 벽에 부딪혀 어떻게 반사될지, 공기 중에서 어떻게 감쇠될지를 물리 공식으로 계산한 뒤 데이터를 만듭니다.

---

🚀 5. 결론: 무엇을 얻게 되나요?

이 논문의 결과는 다음과 같습니다.

• 새로운 보안 기준: 앞으로 스마트 그리드 보안 연구자들은 이 데이터를 표준으로 사용하여, "우리 AI 가 도청자를 얼마나 잘 찾아내는가?"를 비교할 수 있게 됩니다.
• **연동 학습 **(Federated Learning) 각 기기 (스마트 미터 등) 가 데이터를 따로따로 학습하되, 서로 협력해서 도청자를 찾아낼 수 있는 시스템을 테스트할 수 있는 기반을 마련했습니다.
• 실제 적용 가능성: 이 데이터로 훈련된 AI 는 실제 전력망에 적용되어, 해커가 전력을 끊기 전에 "누군가 네트워크를 감시하고 있다"는 것을 미리 알아차릴 수 있게 됩니다.

📝 한 줄 요약

"이 논문은 해커가 전선을 자르지 않고, 그냥 옆에 서 있기만 해도 전파 신호가 어떻게 변하는지 시뮬레이션한 '가짜 현실 데이터'를 만들어, AI 가 그 미세한 변화를 감지하도록 훈련시키는 방법을 제시합니다."

이처럼 이 연구는 보안의 패러다임을 "데이터를 훔치는 해커"에서 "주변을 감시하는 도청자"까지 확장하는 중요한 발걸음입니다.

기술 요약

1. 문제 정의 (Problem)

스마트 그리드 사이버 보안 연구는 주로 능동적 공격 (False Data Injection, 재전송, 서비스 거부 등) 에 초점을 맞추고 있어, 수동적 정찰 (Passive Reconnaissance) 위협은 상대적으로 간과되어 왔습니다. 특히, 공격자가 패킷을 주입하거나 변조하지 않고 수신만 수행하는 (Receive-only) '존재 기반 (Presence-only)' 공격은 기존 데이터셋에서 다루기 어렵습니다.

• 핵심 문제: 공격자가 물리적으로 링크 근처에 존재할 때, 추가적인 그림자 (Shadowing) 와 다중 경로 (Multipath) 변화로 인해 채널 상태 정보 (CSI) 가 왜곡됩니다. 이는 프로토콜 레이어의 조작 없이도 신호 강도 (RSS) 나 CSI 통계에 측정 가능한 편차를 일으킵니다.
• 데이터셋의 부재: 기존 공개 데이터셋은 대부분 프로토콜 레이어의 이상 징후나 능동적 공격을 다루며, 계층적 토폴로지 (HAN/NAN/WAN) 와 이종 통신 기술을 고려한 물리적 전파 기반 관측치를 제공하는 벤치마크가 부족합니다. 이로 인해 엄격한 수동 위협 모델 하에서의 재현 가능한 평가가 어렵습니다.

2. 방법론 (Methodology)

이 논문은 IEEE 표준과 관련 문헌에 기반한 합성 데이터 생성기 (Synthetic Dataset Generator) 를 제안합니다. 이 생성기는 실제 필드 데이터의 민감한 누출 없이 재현 가능한 벤치마크를 제공합니다.

A. 토폴로지 및 네트워크 구조

• 3 계층 구조: 홈 영역 네트워크 (HAN), 지역 네트워크 (NAN), 광역 네트워크 (WAN) 로 구성된 12 노드 통신 그래프를 구현했습니다.
• 이종 기술: ZigBee, Wi-Fi, LoRa, PLC(전력선 통신), LTE, 광섬유 등 스마트 그리드의 다양한 통신 기술을 포함합니다.
• 연결 제약: HAN- WAN 간 직접 연결을 배제하고, 게이트웨이와 컨트롤러를 통한 계층적 집계 구조를 반영하여 현실적인 스마트 그리드 토폴로지를 재현합니다.

B. 물리적 일관성 있는 채널 모델링 (Physical Consistency)

데이터는 단순한 무작위 노이즈가 아닌, 물리적 인과관계에 따라 생성됩니다.

1. 잠재 채널 과정 (Latent Channel): 각 노드는 기술별 상관관계를 가진 복소 가우스 - 마르코프 (Gauss-Markov) 프로세스로 페이딩 (Fading) 을 모델링합니다.
2. 관측치 생성 체인:
   • CSI/진폭 (C): 잠재 채널 진폭에 측정 노이즈와 양자화 (Quantization) 를 적용하여 생성.
   • SNR: 진폭, 그림자 페이딩 (Shadowing), 간섭을 기반으로 dB 단위로 계산.
   • 패킷 오류율 (PER): SNR 에 기반한 로지스틱 매핑으로 도출.
   • 지연 (Latency): 기본 지연 + PER 기반 재전송 기대치 + 지터 + 버스트 성분으로 구성.
3. 결과: 모든 링크 지표 (SNR, PER, 지연 등) 는 채널 상태 변화에 일관되게 반응하도록 재계산됩니다.

C. 공격 모델링 (Threat Model)

• 수동적 존재 기반 공격: 공격자는 송신하지 않으며, 링크 근처에 물리적으로 존재하여 추가적인 그림자 손실 (Excess Shadowing) 과 채널 일관성 (Coherence) 저하를 유발합니다.
• 시나리오: 공격은 특정 시간 창 (Window) 에서 발생하며, 트래픽이 있는 활성 구간 (tx_count > 0) 에만 적용됩니다.
• 변화: 그림자 손실이 증가하면 SNR 이 감소하고, 이는 PER 증가와 지연 시간 증가로 전파됩니다.

D. 데이터셋 구성 및 안전성 (Leak-Safe Construction)

• 분할 독립성: 학습/검증/테스트 세트는 서로 다른 시드 (Seed) 로 생성되어 데이터 누출 (Data Leakage) 이 발생하지 않습니다.
• 유도된 특징: 이동 평균, 엔트로피, 인접 노드 집계 (Neighbor Aggregates) 등 인과적 (Causal) 시간 계열 특징을 추출합니다.
• 페더레이션 준비: 각 노드별 정규화 파라미터를 학습 데이터에만 적용하여 검증/테스트에 사용하는 등 분산 학습 (Federated Learning) 환경에 적합하게 설계되었습니다.

3. 주요 기여 (Key Contributions)

1. 토폴로지 인식 벤치마크: HAN/NAN/WAN 계층 구조와 이종 통신 기술을 반영한 12 노드 통신 그래프 데이터셋 생성기 제공.
2. 엄격한 수동 공격 모델: 패킷 주입/변조 없이 전파 환경 변화 (그림자, 일관성 저하) 만을 시뮬레이션하여, 물리적 인과관계에 기반한 링크 지표 변화를 생성.
3. 누출 방지 (Leak-Safe) 설계: 분할 독립적 생성, 인과적 특징 추출, 학습 데이터 기반 정규화 등을 통해 공정한 평가를 보장.
4. 페더레이션 및 그래프 학습 지원: 노드별 분할 데이터와 인접 행렬을 제공하여 중앙 집중식, 로컬, 페더레이션 기반 그래프 - 시간 계열 탐지 모델 개발을 지원.
5. 표준 기반 파라미터: 3GPP TR 38.901, CC2420 데이터시트, LoRa 사양 등 실제 표준과 문헌에 기반한 파라미터 설정으로 합성 데이터의 신뢰성 확보.

4. 결과 (Results)

• 분포 변화 검증: 공격 시 CSI 진폭과 SNR 이 감소하고, 이에 따라 PER 와 지연이 증가하는 일관된 분포 이동 (Distribution Shift) 을 확인했습니다.
• 벤치마킹 실험: 페더레이션 환경에서 선형 회귀 (Fed-LR), 트리 앙상블 (Fed-XGB), 순환 신경망 (Fed-LSTM, Fed-GRNN) 기반 탐지기를 평가했습니다.
  • 성능: 단순한 샘플 단위 판단 (Row-wise) 은 정밀도 (Precision) 와 재현율 (Recall) 간의 트레이드오프가 발생하며, 특히 LoRa 등 저빈도 노드에서 탐지가 어려웠습니다.
  • 시사점: 수동적 존재 기반 공격은 미묘하고 기술 의존적이므로, 시간적 일관성과 공간적 (인접 노드) 맥락을 모두 고려한 그래프 - 시간 계열 모델이 필수적임을 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 스마트 그리드 보안 연구에 다음과 같은 중요한 기여를 합니다:

• 새로운 위협 모델의 표준화: 능동적 공격뿐만 아니라, 물리적 근접에 의한 수동 정찰 공격을 체계적으로 평가할 수 있는 최초의 벤치마크 데이터셋을 제공합니다.
• 재현 가능한 연구 기반: 필드 데이터 수집의 어려움과 개인정보/보안 문제를 해결하기 위해, 물리적 법칙에 기반한 고품질 합성 데이터를 제공하여 연구의 재현성을 높입니다.
• 차세대 탐지 기술 촉진: 단순한 임계값 기반 탐지를 넘어, 그래프 신경망 (GNN) 과 페더러티드 러닝을 활용한 정교한 이상 탐지 알고리즘 개발을 위한 표준 테스트베드를 마련했습니다.

결론적으로, 이 연구는 스마트 그리드 통신의 물리적 계층에서 발생하는 미묘한 수동적 위협을 탐지하기 위한 표준화된, 재현 가능하며, 물리적으로 일관된 평가 프레임워크를 제시했다는 점에서 의의가 큽니다.