💻 computer science

Enhancing V2X Communication Security Using an MTCNN-LSTM-Based Multilevel Trust Evaluation Framework

본 논문은 스마트 그리드 기반 전기차 네트워크에서 고정밀 다중 공격 탐지를 달성하고 배터리 소비를 최적화하기 위해 MTCNN-LSTM 기반의 다단계 신뢰도 평가 모델을 통합한 폐쇄 루프형 V2X 보안 및 에너지 할당 프레임워크를 제안한다.

원저자: Sanjay Kumar Sonker, Bharat Bhushan Sagar, Vibha Kaw Raina, Md Khalid Jamal

게시일 2026-09-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sanjay Kumar Sonker, Bharat Bhushan Sagar, Vibha Kaw Raina, Md Khalid Jamal

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

전기차가 단순히 도로 위를 달리는 것을 넘어 다른 자동차, 신호등, 충전소, 그리고 전력망 자체와 대화하는 미래를 상상해 보십시오. 차량 사물 통신(V2X)이라고 알려진 이 네트워크는 더 스마트하고 효율적인 교통 시스템을 약속합니다. 하지만 이러한 끊임없는 대화는 새로운 취약점을 만들어냅니다. 마치 북적이는 방 안에서 누군가 거짓을 외치거나 소음으로 공기를 가득 채워 사람들을 압도할 수 있는 것처럼, 이러한 디지털 네트워크는 한꺼번에 여러 대의 차량인 척하거나 단순히 가짜 요청으로 시스템을 마비시키려는 공격자들에 의해 탈취될 수 있습니다. 만약 전력망이 충전이 필요한 실제 차량과 자원을 고갈시키는 악성 프로그램 사이의 차이를 구별하지 못한다면, 전체 시스템이 실패하여 실제 운전자들을 고립시키고 귀중한 에너지를 낭비하게 될 수 있습니다.

한 연구팀은 모든 차량의 성품을 실시간으로 판단하도록 컴퓨터를 교육함으로써 이러한 네트워크를 보호하는 새로운 방법을 개발했습니다. 해커들이 쉽게 우회할 수 있는 정적인 규칙에 의존하는 대신, 그들은 차량이 시간이 지남에 따라 어떻게 행동하는지 관찰하여 미세한 문제의 징후를 찾는 시스템을 만들었습니다. 연구진은 두 가지 강력한 인공지능 유형을 결합한 디지털 모델을 구축했습니다. 한 부분은 데이터의 즉각적인 패턴을 스캔하는 날카로운 눈 역할을 하고, 다른 한 부분은 기억 장치로서 차량이 과거에 어떻게 행동했는지 기억하여 그 행동의 변화를 포착합니다. 연구진은 전기차가 에너지를 소비하고, 이동하고, 통신하는 방식에 대한 실제 세계의 데이터를 이 시스템에 입력함으로써, 차량이 정상적으로 작동하는지 아니면 사이버 공격의 일부인지 인식하도록 학습시켰습니다.

그들의 발견의 핵심은 단일 메시지가 아니라 차량의 전체 이력으로부터 계산되는 "신뢰"라는 개념에 있습니다. 이 시스템은 에너지 사용량, 주행 속도, 메시지 전송 빈도, 심지어 배터리 온도와 같은 9가지 서로 다른 단서를 살펴봅니다. 만약 차량이 갑자기 너무 많은 메시지를 보내거나, 비현실적인 양의 전력을 요구하거나, 주행 상태와 일치하지 않는 배터리 온도 징후를 보인다면, 시스템은 이를 의심스러운 것으로 분류합니다. 이러한 접근 방식은 네트워크가 실제 비상 상황과, 전기를 훔치거나 그리드를 무너뜨리기 위해 단 하나의 악의적인 행위자가 수십 대의 차량인 척하는 조직적인 공격을 구별할 수 있게 해줍니다.

연구진은 테스트 과정에서 수백 대의 가상 전기 차량이 있는 혼잡한 네트워크를 시뮬레이션하고, 데이터를 범람시키거나 가짜 신원을 생성하는 다양한 유형의 공격을 도입했습니다. 이 새로운 모델은 거의 모든 경우에서 악의적인 행동을 정확히 식별해 내며 놀라운 효과를 입증했습니다. 이 모델은 탐지율이 99% 이상으로, 공격을 거의 놓치지 않는 동시에 오보를 최소화했습니다. 아마도 가장 중요한 점은, 이 시스템이 문제를 탐지할 뿐만 아니라 그 뒤에 따르는 자원 위기까지 해결했다는 것입니다. 모델이 충전소를 고갈시키려는 가짜 차량 그룹을 식별했을 때, 시스템은 자동으로 그들의 접속을 차단했습니다. 이는 그러한 공격 중에 발생하는 에너지 낭비를 방지했습니다. 네트워크의 절반이 공격을 받는 시뮬레이션에서도, 시스템은 에너지 낭비를 관리 가능한 수준으로 유지하여 실제 신뢰할 수 있는 차량들이 필요한 전력을 계속 공급받을 수 있도록 했습니다.

또한 연구진은 이 방법이 배터리의 물리적 건강을 보호하는 데에도 도움이 된다는 것을 발견했습니다. 의심스러운 차량에 대한 충전 요청을 거부함으로써, 시스템은 시간이 지남에 따라 배터리를 손상시킬 수 있는 과충전을 방지합니다. 시뮬레이션에서 모델은 에너지의 필요성과 보안의 필요성 사이에서 균형을 성공적으로 맞추었으며, 심한 압박 속에서도 그리드가 안정적으로 유지되도록 보장했습니다. 이 연구는 행동을 관찰하고, 신뢰를 계산하며, 즉각적인 결정을 내리는 이러한 계층적 접근 방식을 사용함으로써 우리가 스마트할 뿐만 아니라 회복 탄력성을 갖춘 교통 네트워크를 구축할 수 있음을 시사합니다. 결과는 실제 주행 데이터를 사용한 컴퓨터 시뮬레이션으로부터 도출되었지만, 이는 우리의 자동차가 그리드와 대화할 때 진실을 말하도록 보장하며, 전기적인 미래를 확보하기 위한 명확한 길을 제시합니다.

기술 요약: MTCNN-LSTM 기반 다층 신뢰 평가 프레임워크를 이용한 V2X 통신 보안 강화

1. 문제 정의

차량 사물 통신(V2X) 인프라의 배포는 특히 전기차(EV) 충전 및 스마트 그리드 통합 맥락에서 통신 링크를 보호하고, 프라이버시를 보장하며, 신뢰성을 유지하는 데 있어 심각한 과제에 직면해 있습니다. 기존 시스템은 다음과 같은 세 가지 주요 한계점을 가집니다:

데이터 제한: 합성 데이터 또는 정적 데이터셋(예: Ve ReMi, NS-3 시뮬레이션)에 과도하게 의존하여 실제 도시의 노이즈, 지연 시간 및 GPS 오차가 결여되어 있으며, 이로 인해 모델이 깨끗한 데이터에 과적합되고 실제 간섭 상황에서의 정적 공격을 놓치는 문제가 발생합니다.
에너지 비인지형 탐지: 현재의 탐지 파이프라인은 배터리 상태(SoC), 에너지 소비율, 배터리 온도와 같은 배터리 특유의 기능을 무시하는 경우가 많습니다. 이는 공격자가 충전 메커니즘(예: 에너지 사기를 위한 가짜 저전력 SoC 조작)을 악용할 때, 오동작과 배터리 건강 상태 사이의 연결 고리가 설정되어 있지 않아 탐지를 피할 수 있는 취약점을 생성합니다.
부적절한 공격 모델링: 많은 기존 접근 방식은 단일 공격 유형(예: Sybil 공격만 해당)에 집중하거나, 하이브리드/동시 공격(예: Sybil과 DDoS가 결합된 형태)을 모델링하는 데 실패합니다. 또한, 동적인 에너지 및 행동 점수에 기반하여 양호(Benign) 상태에서 악성(Malicious) 상태로 전환되는 실시간 적응력이 부족합니다.

이러한 격차는 양방향 V2G(Vehicle-to-Grid) 채널을 악용하는 정적, 동적 또는 하이브리드 사이버 공격을 효과적으로 완화할 수 없는 시스템을 초래하며, 결과적으로 충전 인증, 데이터 무결성 및 그리드 조정의 취약성을 야기합니다.

2. 방법론

저자들은 실시간 다중 공격 탐지, 동적 신뢰 평가 및 배터리 최적화를 통합하도록 설계된 다층 신뢰 CNN-LSTM (MTCNN-LSTM) 프레임워크를 제안합니다.

2.1 시스템 아키텍처

이 프레임워크는 포그 컴퓨팅(Fog Computing)을 활용한 계층형 아키텍처로 작동합니다:

에지 계층 (Edge Layer): 전기차(EV)와 충전 스테이션이 실시간 데이터를 생성합니다.
네트워크 계층 (Network Layer): Ethernet, 5G, WSN 및 C-V2X를 활용하여 통신합니다.
데이터 처리 계층 (Data Processing Layer): 딥러닝 모델을 사용하여 패킷 캡처, 데이터 정제 및 신뢰도 평가를 수행하는 로드사이드 유닛(RSU) 내 포그 노드가 위치합니다.
관리 계층 (Management Layer): 침입 대응, 장기 데이터 저장 및 클라우드 조율을 담당합니다.

2.2 신뢰 평가 메커니즘

시스템은 "전기차 주행 에너지 소비 데이터" 데이터셋에서 추출된 9가지 텔레메트리 특징을 기반으로 신뢰 점수를 계산합니다. 신뢰도는 다음과 같이 분류됩니다:

로컬 신뢰 (Local Trust - 총 신뢰): 세 가지 실시간 지표의 가중치 융합입니다:
- 행동 점수 (Behavior Score): 주행 에너지 소비 및 속도를 기반으로 계산됩니다.
- 피드백 점수 (Feedback Score): 과거 상호 작용 및 주변 차량/RSU로부터 얻은 주관적 신뢰도에서 파생됩니다.
- 보안 점수 (Security Score): 인증 실패율, IDS 경고 빈도 및 배터리 온도 편차를 기반으로 실시간 업데이트되는 동적 지표입니다.
글로벌 신뢰 (Global Trust): V2X 생태계 내 엔티티들의 전반적인 신뢰성을 반영하는 로컬 신뢰 점수의 네트워크 전체 평균입니다.

2.3 MTCNN-LSTM 모델

핵심 탐지 엔진은 하이브리드 딥러닝 모델입니다:

CNN (Convolutional Neural Network): 입력 텔레메트리 데이터에서 공간적 특징을 추출합니다.
LSTM (Long Short-Term Memory): 시계열 데이터의 시간적 의존성을 분석하여 순차적 이상 징후를 탐지합니다.
입력 특징: 모델은 보안 점수, 피드백 점수, 행동 점수, 메시지 빈도, 수신 메시지 수, 에너지 소비량, SoC, 보안 점수 차이, 에너지 소비율 등 9가지 특징을 처리합니다.
학습 전략: 모델은 양호한 차량과 악성 차량 간의 클래스 불균형을 해결하기 위해 클래스 가중치 학습(Class-weighted training)을 사용하며, 다중 속도 검증(Multi-speed validation)을 채택합니다.

2.4 에너지 할당 및 배터리 최적화

프레임워크는 신뢰 점수가 에너지 할당에 직접 영향을 미치는 폐쇄 루프 메커니즘을 도입합니다:

배터리 수명 계수 ( $L_i$ ): 과충전(SoC > 0.9)이 발생하거나 이동 중 저전력 SoC가 감지될 경우 배터리 수명 계수에 페널티를 부여하여, 악의적인 충전 행위와 물리적 배터리 열화 사이를 연결합니다.
에너지 낭비 계산: 용량 초과(DDoS 플러딩으로 인한) 및 낮은 신뢰 점수로 식별된 악성 차량에 대한 에너지 거부로 발생하는 에너지 낭비( $E_{waste}$ )를 정량화합니다.
동적 할당: 충전 스테이션은 특정 임계값(예: $\tau_i > 0.5$ ) 이상의 신뢰 점수를 가진 차량에 에너지 분배를 우선순위화하며, 자원 고갈을 방기하기 위해 저신뢰 엔티티의 요청을 거부합니다.

3. 주요 기여

실제 데이터 통합: 본 연구는 순수 합성 데이터셋을 넘어 실제 V2X 노이즈를 시뮬레이션하기 위해 실제 EV 주행 로그(SoC, 전류, 온도)를 활용합니다.
배터리 인지형 탐지: 에너지 소비율, SoC 및 배터리 온도 기반의 행동 이상을 신뢰 계층에 직접 통합한 최초의 연구로, 에너지 사기 및 배터리 관련 공격 탐지를 가능하게 합니다.
하이브리드 공격 모델링: 단일 프레임워크 내에서 '없음(None)', 'Sybil', 'DDoS', 그리고 하이브리드인 '둘 다(Both)'의 네 가지 시나리오를 동시에 탐지하고 분류합니다.
폐쇄 루프 에너지 관리: 침입 탐지와 자원 할당 사이의 간극을 메워, 다층 신뢰 점수를 바탕으로 배터리 수명과 에너지 분배를 동적으로 최적화합니다.

4. 결과 및 성능

모델은 약 10,000개의 주행 기록 데이터셋을 사용하여 80% 학습 및 20% 테스트로 나누어 평가되었습니다.

분류 성능:
- 정확도 (Accuracy): 94.75% (초록 보고) / 94.73% (표 보고).
- 가중치 F1-Score: 94.83%.
- 공격 탐지율 (ADR): 99.3% (초록) / 99.36% (표 6).
- 오탐률 (False Positive Rate): 4.24%로, 단독 GRU(5.36%) 및 LSTM(6.35%) 모델보다 우수한 성능을 보였습니다.
공격 세부 사항: 모델은 Sybil, DDoS 및 하이브리드 공격을 효과적으로 구분하였으며, '없음(Benign)' 사례에 대해 높은 정밀도(1.00)를 보였습니다.
에너지 및 배터리 영향:
- 30%의 공격 확률 시뮬레이션에서, 시스템은 2000 kWh 공급량 중 에너지 낭비를 약 550 kWh로 제한했습니다.
- **평균 배터리 수명 계수 (ABLF)**는 98.23%를 유지했으며, **공격 중 평균 배터리 수명 계수 (ABLF/DA)**는 97.56%였습니다.
- 공격 확률이 10%에서 50%로 증가함에 따라 글로벌 신뢰 값은 0.88에서 0.68까지 선형적으로 감소하여, 모델의 네트워크 저하 민감도를 입증했습니다.

5. 의의 및 주장

본 논문은 제안된 MTCNN-LSTM 프레임워크가 지능형 교통 시스템에서 침입 탐지와 자원 할당 사이의 간극을 근본적으로 메운다고 주장합니다. 실제 EV 데이터를 활용하고 배터리 건강 지표를 신뢰 평가에 통합함으로써, 시스템은 다음과 같은 성과를 달ей:

회복 탄력성 (Resilience): 높은 공격 부하(악성 노드 최대 50%)에서도 기능과 안전한 에너지 할당을 유지합니다.
지속 가능성 (Sustainability): 에너지 낭비를 방지하고 악의적인 과충전이나 사기로부터 배터리 수명을 보호합니다.
강건성 (Robustness): 기존의 최첨단 방식(예: XGBoost, 표준 CNN, GRU, LSTM)보다 우수한 탐지율과 더 낮은 오탐률을 달성합니다.

저자들은 이 연구를 차세대 스마트 시티를 위한 안전하고 지속 가능하며 지능적인 에너지 생태계를 향한 단계로 규정하며, 향후 5G-V2X RSU에 대한 에지 배포 및 연합 학습(Federated Learning) 및 블록체인과의 통합을 계획하고 있습니다.