IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT

현대 병원에서는 전자 비프음과 깜빡이는 불빛의 끊임없는 흐름이 환자의 생체 징후를 모니터링합니다. 사물인터넷 의료기기(IoMT)라고 알려진 연결된 네트워크의 일부인 이 장치들은 심장 박동과 혈류를 놀라운 정밀도로 측정합니다. 그러나 이러한 디지털 감시는 혼란스러운 문제에 직면해 있습니다. 알람이 울릴 때, 그 이유가 무엇인지 파악하는 것이 종종 불가능하다는 점입니다. 환자의 상태가 실제로 악화되고 있는 것일 수도 있고, 센서가 헐거워졌거나 보정 범위를 벗어났을 수도 있으며, 해커가 건강한 환자를 아픈 것처럼 보이게 하려고 데이터를 몰래 조작했을 수도 있습니다. 침상 옆에 서 있는 의사에게 이러한 모호함은 위험합니다. 기계적 오류를 의료 응급 상황으로 취급하는 것은 시간과 자원을 낭비하는 일이지만, 실제 공격이나 진정한 위기 상황을 무시하는 것은 생명을 앗아갈 수 있습니다. 핵심 과제는 단순히 무언가 잘못되었다는 것을 알아차리는 것이 아니라, 애초에 무엇이 알람을 발생시켰는지 정확히 이해하는 것입니다.

이를 해결하기 위해 메릴랜드 대학교 볼티모어 카운티(UMBC)의 연구진은 IoMT-SecAlarmBench라는 새로운 테스트 환경을 구축했습니다. 실제 병원에서 공격이 발생하기를 기다리는 대신—이는 직접 연구하기에는 너무 위험한 시나리오입니다—그들은 실제 환자 데이터에 특정 유형의 문제를 주입할 수 있는 통제된 환경을 만들었습니다. 그들은 수천 명의 환자로부터 얻은 심장 박동과 혈류의 실제 기록을 가져와 네 가지 다른 종류의 디지털 조작을 정교하게 도입했습니다. 어떤 공격은 매우 미묘하여 완벽하게 정상적으로 보이는 가짜 수치를 끼워 넣었습니다. 다른 공격은 센서 수치를 고정하거나 몇 시간 전의 오래된 심장 박동을 재생하는 것과 같이 더 명백했습니다. 결정적으로, 연구진이 스스로 이 문제들을 만들어냈기 때문에, 그들은 정확한 진실을 알고 있었습니다. 즉, 어떤 데이터 구간이 실제이고, 어떤 것이 결함이 있으며, 어떤 것이 해킹되었는지 알고 있었고, 심지어 공격이 없었을 때의 신호가 어떠했을지에 대한 복사본도 보관하고 있었습니다. 이 '반사실적(counterfactual)' 진실, 즉 일어났을 법한 상황에 대한 기록은 기존의 자연 데이터셋에서는 한 번도 제공된 적이 없는 것입니다.

연구팀은 그 후 이상 징표를 포착하도록 설계된 여섯 가지 서로 다른 컴퓨터 프로그램을 테스트했습니다. 그들은 이 프로그램들이 단순히 알람이 발생했다는 것을 감지할 수 있을 뿐만 아니라, 그 원인이 사이버 공격인지, 고장 난 센서인지, 아니면 실제 의료적 사건인지를 올바르게 식별할 수 있는지 확인하고자 했습니다. 결과는 현재 기술의 중대한 한계를 드러냈습니다. 프로그램들은 명백한 범위를 벗어난 오류를 포착하는 데는 어느 정도 능숙했지만, 가장 위험한 시나리오에서는 엄청나게 고전했습니다. 현재의 문제를 숨기기 위해 오래된 심장 박동을 재현하는 것처럼 데이터가 완벽하게 현실적으로 조작되었을 때, 탐지기들은 무작위 추측보다 나은 성과를 내지 못했습니다. 그들은 실제 생리적 현상과 정교한 공격을 구분할 수 없었습니다.

아마도 가장 시사적인 발견은 공격을 잡아내는 것과 오보를 피하는 것 사이의 절충 관계였을 것입니다. 가장 성능이 좋았던 프로그램은 가장 어려운 유형의 공격을 포착할 수 있었지만, 그 대가가 컸습니다. 사이버 공격을 올바르게 식별할 때마다, 무해한 센서의 글리치(glitch)를 공격으로 잘못 분류하는 경우가 다섯 번 이상 발생했습니다. 이는 이 프로그램들이 해커를 찾아내기 위해 사용하는 특징들—서로 다른 신체 신호 사이의 불일치를 찾는 것—이 해커와 헐거운 전선을 구분하는 것을 어렵게 만드는 바로 그 특징들과 동일하다는 점을 시사합니다. 또한 이번 연구는 의료 기기 공격을 탐지한다고 주장했던 이전의 일부 연구들이 실제 의료 신호를 이해하기보다는 데이터에 포함된 특정 장치 ID나 네트워크 주소와 같은 단순한 단서에 속았을 가능성이 높다는 것을 밝혀냈습니다. 이러한 쉬운 지름길들을 제거함으로써, 새로운 벤치마크는 기존의 많은 방법론이 이전에 생각했던 것보다 훨씬 덜 효과적이라는 것을 보여주었습니다.

궁극적으로, 이 연구는 완벽한 해결책을 제시하는 것이 아니라 현재의 지형에 대한 명확한 지도를 제공합니다. 이는 우리가 무언가 잘못되었다는 것을 알아차리는 시스템을 구축할 수는 있지만, 왜 그런 일이 일어났는지 알아내는 기술은 아직 숙달하지 못했음을 보여줍니다. 연구진은 환자가 아픈 것인지, 기계가 고장 난 것인지, 아니면 악의적인 행위자인지를 구별하는 것이 여전히 심오한 과제이며, 이는 단순한 패턴 매칭을 넘어 원인과 결과에 대한 깊은 이해를 필요로 한다는 것을 발견했습니다. 그들의 새로운 벤치마크는 미래의 도구들을 테스트할 수 있는 엄격한 방법을 제공하며, 우리가 환자를 보호하는 시스템을 구축했을 때 그 시스템이 단순히 알람을 울리는 능력이 아니라 진실을 말하는 능력에 의해 평가받도록 보장합니다.