Explainable and trustworthy AI-driven fuzzy consensus for secure data sharing in intelligent transportation systems

현대적인 도시의 북적이는 동맥 속에서, 자동차는 더 이상 단순한 기계가 아닙니다. 이들은 사고를 피하고 교통을 원활하게 하기 위해 끊임없이 데이터를 교환하는 움직이는 컴퓨터입니다. 흔히 '차량 사물인터넷(IoV)'이라 불리는 이 연결된 차량 네트워크는, 자동차가 공유하는 정보가 진실이며 그 정보를 공유하는 자동차를 신뢰할 수 있다는 단순하지만 취약한 전제에 의존합니다. 차량이 갑자기 브레이크를 밟거나 위험 상황을 보고할 때, 뒤따르는 차량들은 이 신호를 믿을지 말지를 즉각적으로 결정해야 합니다. 만약 거짓말쟁이를 믿게 된다면, 그 결과는 혼란의 연쇄 반응이나 충돌로 이어질 수 있습니다. 엔지니어들의 과제는 모든 운전자의 경로와 신원 같은 개인적인 세부 사항을 노출하지 않으면서도, 유용할 만큼 충분히 빠르게 이 정보를 검증할 수 있는 시스템을 구축하는 것입니다. 이를 해결하기 위해 연구자들은 인간이 불확실성을 다루는 방식을 모방하는 인공지능과 수학적 논리의 결합으로 눈을 돌리고 있으며, 경직된 블랙박스형 계산 방식에서 벗어나 스스로의 추론 과정을 설명할 수 있는 시스템을 향해 나아가고 있습니다.

절강대학교 기술연구소(Zhejiang University of Technology)와 중국 해외 부동산 관리(China Overseas Property Management)의 연구팀은 이 신뢰 문제를 다루는 새로운 방법을 제안했습니다. 그들은 차량의 신뢰성을 확인하는 전통적인 방식들이 혼란스러운 도시 교통의 현실에 비해 너무 경직되어 있거나 느리다고 주장합니다. 단순히 자동차를 '좋음' 또는 '나쁨'으로 판별하는 점수에 의존하는 대신, 그들의 접근 방식은 '직관적 퍼지 논리(intuitionistic fuzzy logic)'라는 개념을 사용합니다. 이 방법은 신뢰가 고정된 숫자가 아니라 의구심과 망설임을 포함하는 변화하는 상태임을 인정하게 해줍니다. 복잡한 주행 이력과 실시간 위치를 "높은 신뢰" 또는 "낮은 신뢰"와 같이 인간이 이해할 수 있는 언어로 변환함으로써, 시스템은 빠르면서도 투명한 결정을 내릴 수 있습니다. 연구진은 차량과 도로변 기지국(RSU)이 협력하여 메시지를 검증하는 프레임워크를 구축했으며, 이 과정에서 퍼지 논리를 사용하여 가장 신뢰할 수 있는 참여자를 선별하는 동시에 민감한 데이터는 숨겨두었습니다.

그들 작업의 핵심은 차량이 네트워크에 진입할 때 시작되는 3단계 과정입니다. 첫째, 시스템은 자동차의 과거 행동을 살피는데, 이때 가공되지 않은 숫자를 계산하는 것이 아니라 성공적인 데이터 공유 또는 규칙 위반의 이력을 '퍼지 신뢰 프로필'로 변환합니다. 만약 어떤 차량이 사고를 정확하게 보고한 이력이 있다면, 그 차량은 "신뢰할 수 있음" 범주에 높은 소속도를 얻게 됩니다. 반대로 허위 데이터를 보낸 것이 적발되면 신뢰 수준이 떨어집니다. 결정적으로, 이 과정은 자동차가 도난당할 수 있는 방식으로 자신의 전체 이력을 드러낼 필요가 없으며, 데이터는 공유하기에 안전한 의미론적 범주로 추상화됩니다. 다음으로, 시스템은 즉각적인 맥락을 고려합니다. 사건으로부터 얼마나 가까이 있는지, 그리고 그 경로가 교통 흐름과 일치하는지를 묻습니다. 교통 정체 지점 근처에 물리적으로 가깝고 흐름과 같은 방향으로 이동 중인 차량은, 멀리 떨어져 있거나 반대 방향으로 이동하는 차량보다 더 많은 가중치를 부여받습니다. 이러한 공간적 유사성 또한 "가까움" 또는 "멂"과 같은 퍼지 용어로 변환되어, 시스템이 모든 운전자의 정확한 GPS 좌표를 알 필요 없이 상황을 이해할 수 있도록 보장합니다.

마지막으로, 이 두 가지 정보, 즉 차량의 이력과 현재 상황을 결합하여 결정을 내립니다. 시스템은 메시지가 참인지 투표하기 위해 소수의 차량 그룹을 선정합니다. 모든 투표가 동일한 가치를 갖거나 소수의 강력한 노드가 모든 것을 결정하던 기존 시스템과 달리, 이 새로운 방식은 퍼지 신뢰 점수에 따라 투표에 가중치를 둡니다. 높은 신뢰 점수와 관련 위치를 가진 차량은 최종 결정에 더 큰 영향력을 행사합니다. 만약 그룹이 메시지가 유효하다는 데 동의하면, 이는 변경 불가능한 보안 디지털 장부에 기록되어 사건의 영구적인 기록을 생성합니다. 만약 메시지가 의심스러운 것으로 분류되면, 확산을 막기 위해 격리됩니다. 연구진은 실제 도시의 밀도와 속도를 모사하여 100대의 차량과 10대의 도로변 기지국이 있는 시뮬레이션 환경에서 이 시스템을 테스트했습니다. 그 결과, 그들의 방식은 100회의 검증 과정을 단 12초 만에 완료할 수 있었으며, 이는 동일한 작업에 대해 거의 29초에서 48초가 걸렸던 다른 선도적인 방식들보다 현저히 빠른 속도였습니다.

속도 외에도, 이 연구는 이 접근 방식이 악의적인 행위자를 포착하는 데 훨씬 더 뛰어나다는 것을 입증했습니다. 30%의 차량이 허위 데이터를 보내도록 프로그램된 악의적인 행동을 하는 시뮬레이션에서, 새로운 시스템은 과거 행동이나 단순 통계 모델에만 의존하는 시스템보다 더 자주 잘못된 정보를 식별하고 걸러내는 데 성공했습니다. 퍼지 논리 덕분에 시스템은 사건으로부터 멀리 떨어진 차는 과거 이력이 좋더라도 신뢰할 수 없다고 인식하거나, 과거가 의심스럽더라도 현장에 바로 옆에 있는 차는 진실을 말하고 있을 수 있다는 점을 인식하며 순간의 혼돈에 적응할 수 있었습니다. 더욱이, 이 시스템은 개인정보 보호 측면에서도 더 강력한 방패를 제공했습니다. 연구진이 시스템이 공유한 데이터를 사용하여 차량의 정확한 경로를 재구성하려는 예측 모델을 사용했을 때, 퍼지 표현 방식이 차량이 어디에 있었는지 추측하는 것을 훨씬 더 어렵게 만든다는 것을 발견했습니다. 차량 위치를 예측하는 오차가 원시 데이터(raw data)를 사용할 때보다 현저히 높았는데, 이는 운전자가 자신의 정밀한 이동 경로를 드러내지 않고도 필요한 교통 정보를 공유할 수 있음을 의미합니다.

연구진은 이것이 모든 위험을 제거하는 마법 같은 해결책은 아니지만, 지능형 교통 시스템을 더욱 책임감 있고 안전하게 만들기 위해 설계된 견고한 프레임워크라고 강조합니다. 불투명한 알고리즘을 대신하여 결정을 평이한 용어로 설명할 수 있는 시스템을 도입함으로써, 이 연구는 자동차가 승객의 프라이버시를 희생하지 않으면서도 안전하게 협력할 수 있는 미래를 향한 길을 제시합니다. 시뮬레이션 결과는 이러한 속도, 보안, 그리고 투명성의 균형이 달성 가능하다는 것을 시사하며, 데이터 공유가 단순히 빠른 것을 넘어 신뢰할 수 있는 차세대 스마트 시티의 토대를 제공합니다.