기술 요약: 자율 우주선을 위한 TinyML 기반 사이버 보안

1. 문제 정의

자율 우주선은 적대적인 무선 주파수(RF) 환경에서 운용되며, 이러한 환경에서 적은 텔레메트리, 추적 및 명령(TT&C) 링크를 방해, 스푸핑 또는 조작할 수 있다. SPARTA(Space Attack Research and Tactic Analysis) 프레м워크는 이러한 위협을 업링크 재밍, 신호 스푸핑, 페이로드 조작, 지상 세그먼트 침해, 무단 명령 주입을 포함한 특정 전술로 분류한다.

딥러닝이 RF 신호 분류에 적용되어 왔으나, 그 계산 비용은 엄격한 레이턴시, 메모리 및 전력 제약을 받는 우주선 탑재 프로세서에는 부적합하다. 반대로, 경량 "TinyML" 모델은 마이크로초에서 밀리초 단위의 추론 예산 내에서 작동해야 한다. 이는 높은 표현력을 가진 모델(예: Random Forest, MLP)은 레이턴시 예산을 위반하는 경우가 많고, 경량 선형 모델(예: Logistic Regression)은 실시간 제약 조건은 충족하지만 미세하고 비선형적인 공격을 탐지하는 데 필요한 강건성이 부족할 수 있다는 근본적인 긴장 관계를 생성한다.

본 논문은 온보드 자율성 맥락에서 SPARTA 정렬된 사이버-RF 위협을 탐지하기 위해, 클래식하고 TinyML 호환 가능한 모델들의 **레이턴시-정확도 트레이드오프(trade-offs)**를 평가할 필요성을 다룬다.

2. 방법론

A. 물리 정보 기반 시스템 모델

저자들은 SPARTA 위협을 시뮬레이션하기 위해 통합된 베이스밴드 신호 모델을 구축한다. 수신 신호 $r(t)$는 다음과 같이 모델링된다:
$$r(t) = h(t) * s(t) + a(t) + n(t)$$
여기서 $s(t)$는 합법적인 업링크, $h(t)$는 채널 임펄스 응답, $n(t)$는 열 잡음, 그리고 $a(t)$는 위협 모드에 특화된 적대적 섭동(perturbation)을 나타낸다.

B. 위협 주입 및 데이터셋 생성

연구는 6가지 클래스(정상 1개, 위협 5개)를 기반으로 적대적 RF 스펙트로그램을 생성한다:

1. 정상(Benign): 정상 작동 ($a(t)=0$).
2. 업링크 재밍(Uplink Jamming): 고출력 잡음($a_{jam}(t)$)으로 모델링되며, 광대역 마스킹 또는 서브밴드 삭제를 유발함.
3. 가짜-NR / 스푸핑(Fake-NR / Spoofing): 가짜 NR 유사 제어 구조($a_{fakeNR}(t)$)를 주입하여 구조적인 스펙트럼 스트라이프를 생성함.
4. 페이로드 조작(Payload Manipulation): 최소한의 RF 에너지 변화($a_{payload}(t) \approx 0$)에 의존하며, 미세한 메타데이터 또는 타이밍 편차에 의존함.
5. 지상 세그먼트 침해(Ground-Segment Compromise): 비정상적인 타이밍 오프셋($a_{rogue}(t)$)을 가진 유효한 파형.
6. 무단 명령 주입(Unauthorized Command Injection): 의미론적으로 위험한 내용($a_{inj}(t)$)을 포함한 유효한 변조 신호.

데이터셋은 단시간 푸리에 변환(STFT)을 계산하여 스펙트로그램을 생성한 후, 이를 분류를 위해 고정된 크기의 패치로 슬라이싱하여 구축된다. 손상 모드인 BandErasure, FakeNR, NoiseBurst가 이러한 위협을 시뮬레이션하는 데 사용된다.

C. 평가된 모델

TinyML 제약 조건과 호환되는 네 가지 클래식 머신러닝 모델을 분석한다:

• 로지스틱 회귀 (Logistic Regression, LR): 선형 결정 경계, 확률적 출력.
• 선형 서포트 벡터 머신 (Linear SVM): 기하학적 마진을 최대화하는 선형 경계.
• 랜덤 포레스트 (Random Forest, RF): 비선형 경계를 모델링하는 결정 트리 앙상블.
• 다층 퍼셉트론 (Multi-Layer Perceptron, MLP): 비선형 활성화 함수를 가진 하나의 은닉층 네트워크.

D. 분석 프레임워크

평가는 다음을 결합한다:

1. 이론적 분석: 계산 복잡도(MAC 연산), VC 차원, 립시츠 연속성(Lipschitz continuity), 결정 경계 기하학의 유도.
2. 경험적 평가: 생성된 스펙트로그램 데이터셋에 대한 추론 레이턴시, 정확도 및 클래스별 F1 점수의 측정.

3. 주요 기여

본 논문은 다음과 같은 구체적인 기여를 주장한다:

• 물리 정보 기반 RF 시스템 모델: 베이스밴드 신호 및 스펙트로그램에서 5가지 SPARTA 위협 모드의 수학적 발현을 포착하는 통합 모델.
• 엄격한 수학적 분석: TinyML 모델의 계산 복잡도, VC 차원 및 립시츠 연속성에 관한 새로운 이론적 결과 제시, 이를 통해 레이턴시-정확도 트레이드오프에 대한 원칙적인 이해 제공.
• 포괄적인 경험적 벤치마킹: 적대적 스펙트로그램을 사용하여 SPARTA 위협 스펙트럼 전반에 걸친 LR, SVM, RF, MLP의 체계적인 평가.
• 구조적 한계 식별: 클래식 TinyML 모델이 낮은 RF 도메인 분리도로 인해 페이로드 조작을 탐지하는 데 있어 근본적인 약점을 보인다는 사실 발견.
• 설계 가이드라인: 관찰된 트레이드오프를 바탕으로 한 우주선 탑재 사이버 보안 아키텍처에 대한 구체적인 권고안.

4. 결과

A. 레이턴시 vs. 정확도 트레이드오프

• 로지스틱 회귀 (LR): 가장 낮은 계산 복잡도($O(d)$)와 함께 마이크로초 수준의 추론을 달성한다. 랜덤 포레스트 대비 **정확도 저하가 단 1%**에 불과하여, 레이턴시가 중요한 실시간 온보드 자율 운용에서 가장 효과적인 베이스라인이 된다.
• 랜덤 포레스트 (RF): 비선형 왜곡(예: 로그 지상국 타이밍 이상)을 포착함으로써 가장 높은 정확도를 제공한다. 그러나 추론 비용이 $O(K \cdot d_t)$로 스케일링되어, 엄격한 TinyML 레이턴시 예산을 위반하는 경우가 빈번하다.
• SVM 및 MLP: SVM은 마진 최대화를 통해 구조적 간섭(예: Fake-NR)에 대한 개선된 강건성을 제공하지만, 선형적 한계를 공유한다. MLP는 복잡한 패턴을 모델링할 수 있으나, 레이턴시 제약 조건을 충족하기 위해 공격적인 양자화 또는 프루닝(pruning)이 필요하다.

B. 위협별 성능

• 용이/중간 난이도 탐지: 업링크 재밍 및 Fake-NR 스푸핑은 높은 에너지 또는 구조적인 스펙트럼 아티팩트 덕분에 비교적 탐지가 쉽다.
• 난해한 탐지: 페이로드 조작, 지상 세그먼트 침해, 명령 주입은 훨씬 더 탐지하기 어렵다. 특히, 페이로드 조작은 최소한의 RF 에너지 왜곡을 유발하며 미세한 통계적 편차에 의존하기 때문에 분리도가 가장 낮으며, 클래식 선형 및 얕은 모델들이 이를 구분하는 데 어려움을 겪는다.

5. 의의 및 주장

본 논문은 SPARTA RF 및 사이버 위협 탐지를 위해 TinyML 모델을 물리 정보 기반으로 이론적 및 경험적으로 분석한 최초의 연구임을 표방한다.

• 실질적 영향: 연구는 로지스틱 회귀가 더 복잡한 모델에 비해 무시할 만한 수준의 정확도 손실을 보이면서 마이크로초 추론을 제공하므로, 온보드 우주선 사이버 보안을 위한 최적의 균형을 제공한다고 결론짓는다.
• 이론적 통찰: 복잡한 모델(RF, MLP)이 더 높은 이론적 용량을 제공하지만, 많은 위협 클래스에 대해 엄격한 실시간 자율 운용 측면에서는 계산 오버헤드로 인해 선형 모델보다 실용성이 떨어진다는 점을 강조한다.
• 향// 방향: 저자들은 현재의 클래식 모델들이 페이로드 조작을 탐지하는 데 지속적인 약점을 보인다는 점을 지적하며, 향후 우주선 사이버 보안의 발전은 단순히 모델 복잡성을 높이는 것이 아니라 **더 풍부한 특징 인코더(feature encoders)**와 **다중 시간 척도 학습 아키텍처(multi-timescale learning architectures)**에 집중해야 한다고 제언한다.

저자들은 현재의 클래식 모델의 한계에 대해 겸허한 태도를 유지하며, 평가된 모든 모델이 페이로드 조작 탐지에서 지속적인 취약점을 보인다는 점을 명시함으로써, 본 결과를 에지 인텔리전스 및 우주 시스템을 위한 신뢰할 수 있는 AI 연구를 위한 베이스라인으로 설정한다.