Smart Cities AVNs: Transparent and Privacy-Preserving Cyber Attack Prediction with Explainable Federated Feature Selection

현대 도시에서 차량은 더 이상 단순한 운송 수단이 아니라, 거대하고 보이지 않는 네트워크의 움직이는 노드입니다. 자동차들은 서로 대화하고, 신호등, 도로 센서, 그리고 클라우드 서버와 소통하며, 더 원활한 교통과 더 안전한 여정을 가능하게 하는 역동적인 데이터 웹을 형성합니다. 자율 주행 차량 네트워크라고 알려진 이 상호 연결된 시스템은 지능형 모빌리티의 미래를 약속합니다. 그러나 이러한 연결성은 새로운 취약점을 만들어냅니다. 창문을 많이 열어둔 집이 침입하기 쉬운 것처럼, 연결된 자동차 네트워크는 사이버 공격자들을 위한 많은 진입점을 제공합니다. 이러한 디지털 침입자들은 거짓 정보를 주입하거나, 통신을 방해하거나, 차량 제어권을 탈취하여 안전 기능(safety feature)을 안전 위협(safety hazard)으로 바꿀 수 있습니다. 이러한 시스템을 보호하기 위해 엔지니어들은 오랫동안 네트워크 트래픽의 보안 카메라 역할을 하며 공격의 징후를 나타내는 패턴을 찾는 침입 탐지 시스템에 의존해 왔습니다.

하지만 문제는 이러한 네트워크가 너무 방대하고 너무 사적이어서 단일 중앙 기관에 의해 모니터링될 수 없다는 점입니다. 모든 차량의 모든 데이터를 중앙 서버로 수집하는 것은 느리고 비용이 많이 들 뿐만 아니라 심각한 사생활 침해입니다. 더욱이, 도시의 교통 패턴은 균일하지 않습니다. 번화한 도심 지역의 자동차는 한적한 교외의 자동차와 다른 교통 상황을 목격하며, 공격자는 한 지역에서 다른 지역과 다르게 행동할 수 있습니다. 전통적인 보안 시스템 학습 방식은 모든 데이터가 동일하고 한곳에 모일 수 있다고 가정하기 때문에 여기서 실패하는 경우가 많습니다. 해결책은 많은 서로 다른 컴퓨터들이 자신의 사적인 원시 데이터를 전혀 공유하지 않으면서도 함께 학습하는 방법과, 동시에 그들이 내린 결정이 인간 운영자에게 이해될 수 있도록 보장하는 방법을 요구합니다.

킹 사우드 대학교(King Saud University)의 한 연구자는 이 문제에 대한 새로운 접근 방식을 개발하여, 차량들이 자신의 사적인 주행 데이터를 공개하지 않고도 사이버 공격을 감지하는 법을 협력하여 학습할 수 있는 시스템을 만들었습니다. 최근 연구에서 설명된 이들의 방법은 세 가지 강력한 아이디어를 결-합합니다: 비밀을 공유하지 않고 함께 학습하는 방법, 방대한 데이터 속에서 가장 중요한 단서만을 골라내는 방법, 그리고 결정이 내려진 정확한 이유를 설명하는 기술입니다. 원시 트래픽 로그를 중앙의 '두뇌'로 보내는 대신, 이 시스템은 각 차량이나 도로 단위 장치(RSU)가 자신의 로컬 데이터를 스스로 분석하게 합니다. 그런 다음 이 로컬 단위들은 데이터 자체가 아니라, 어떤 특징이 가장 의심스러운지에 대한 '교훈'만을 공유합니다. 이는 프라이버시를 보존하면서도 네트워크가 위협에 대한 포괄적인 이해를 구축할 수 있게 합니다.

연구자는 특정 난관에 부딪혔는데, 그것은 도시의 각기 다른 지역에서 들어오는 데이터가 무질서하고 불균형하다는 점이었습니다. 어떤 지역은 대부분 정상적인 교통량만을 보이는 반면, 다른 지역은 특정 유형의 공격이 급증할 수도 있습니다. 만약 시스템이 단순히 모든 위치의 결과값을 평균 낸다면, 특정 지점에서만 나타나는 드물지만 위험한 공격을 놓칠 수 있습니다. 이를 해결하기 위해 연구자는 '연합 특징 선택(federated feature selection)' 프로세스를 설계했습니다. 각자가 퍼즐의 서로 다른 조각을 보고 있는 전문가 그룹을 상상해 보십시오. 그들은 퍼즐 조각을 중앙 테이블로 보내는 대신, 각자 어떤 조각이 가장 중요하다고 생각하는지를 적습니다. 시스템은 이 목록들을 수집하고, 각 전문가가 보유한 데이터 양에 따라 가중치를 부여하며, 원래 116개의 지표 중 가장 결정적인 20개의 짧은 목록에 대해 합의합니다. 이 과정은 데이터의 복잡성을 거의 83% 줄였으며, 데이터 전송량, 연결 빈도, 특정 오류율과 같이 정말 중요한 신호에 집중하기 위해 노이즈를 제거했습니다.

시스템이 이러한 핵심 특징들을 식별한 후에는, 공격을 인식하기 위한 로컬 모델 집합을 학습시켰습니다. 연구자는 시뮬레이션된 도시의 다양하고 불균형한 데이터에서 어떤 것이 가장 성능이 좋은지 확인하기 위해 9가지 다른 머신러닝 모델을 테스트했습니다. 그들은 특정 유형의 모델인 정규화된 랜덤 포레스트(regularized random forest)가 가장 신뢰할 수 있다는 것을 발견했습니다. 이 모델은 이후 글로벌 예측기로 결합되었는데, 단순히 결과를 평균 내는 방식이 아니었습니다. 대신, 테스트 과정에서 더 정확하고 신뢰할 수 있음이 증명된 로컬 모델들에 더 많은 영향력을 부여했습니다. 이 '검증 인지형(validation-aware)' 가중치 부여 방식은 최종적인 글로벌 결정이 가장 신뢰할 수 있는 로컬 통찰력에 의해 주도되도록 보장하여, 혼란스러운 실제 도시 교통 상황을 처리할 수 있는 견고한 방어 체계를 구축했습니다.

이 시뮬레이션의 결과는 놀라웠습니다. 4,000개 이상의 사례가 포함된 미학습 트래픽 데이터로 테스트했을 때, 이 새로운 시스템은 거의 98%의 정확도로 공격을 정확히 식별해 냈습니다. 특히 정상적인 트래픽과 서비스 거부(DoS) 플러드 또는 프로빙(probing) 시도와 같은 일반적인 공격을 구별하는 데 효과적이었습니다. 그러나 연구는 지속적인 어려움 또한 강조했습니다: 시스템은 사용자가 차량의 루트 시스템에 무단으로 접근하는 것과 같은 극도로 희귀한 유형의 공격을 감지하는 데 어려움을 겪었습니다. 테스트 데이터에서 이 특정 희귀 공격의 사례는 단 8건뿐이었으며, 시스템은 이를 하나도 식별하지 못하고 대신 정상적인 트래픽으로 분류했습니다. 이 발견은 사이버 보안의 근본적인 진실을 보여줍니다: 가장 진보된 시스템이라 할지라도 학습하기에 너무 희귀한 위협에는 눈이 멀 수 있다는 점이며, 연구자 또한 이 한계를 솔직하게 인정하고 있습니다.

이 연구가 특히 의미 있는 이유는 높은 정확도뿐만 아니라 그것이 제공하는 투명성에 있습니다. 자율 주행과 같이 안전이 중요한 환경에서는 시스템이 공격을 감지했다는 사실을 아는 것만으로는 부족합니다. 운영자는 왜 그러한 결정을 내렸는지 알아야 합니다. 연구자는 돋보기 역할을 하는 도구들을 통합하여, 어떤 데이터 포인트가 특정 결정으로 이어졌는지 정확히 볼 수 있게 했습니다. 올바르게 식별된 공격의 경우, 시스템은 높은 데이터 양과 특정 오류율을 이유로 지목할 수 있었습니다. 판단이 모호했던 어려운 사례의 경우, 설명 도구는 트래픽 패턴이 정상과 악성 사이에서 모호하게 머물러 있었다는 점을 드러냈습니다. 이러한 추론 능력은 신뢰를 구축하며, 보안 분석가가 기계의 경고 뒤에 숨겨진 논리를 이해하고 필요할 때 개입할 수 있도록 해줍니다.

이 연구는 이 접근 방식이 미래의 스마트 시티를 보호하기 위한 실행 가능한 경로를 제공한다고 결론짓습니다. 데이터를 로컬에 유지하고, 가장 관련 있는 특징만을 선택하며, 성능에 따라 서로 다른 네트워크 노드의 기여도를 가중치로 두는 방식을 통해, 이 시스템은 프라이버시, 효율성, 그리고 신뢰성 사이의 균념을 달성합니다. 이는 개별 차량의 프라이버시를 존중하면서도 사이버 위협에 대한 강력하고 집단적인 방패를 제공하는 협력적 방어 네트워크를 구축하는 것이 가능하다는 것을 입증합니다. 극도로 희귀한 공격을 탐지하는 과제는 여전히 남아 있지만, 이 프레임워크는 투명하고 효과적인 토대를 제공하여, 우리의 자동차가 더 똑똑해짐에 따라 더 안전해질 수 있도록 보장합니다.