EPDA: An Efficient and Privacy-preserving Dual Aggregation Scheme for Federated Learning in VANETs

현대적인 자동차는 더 이상 단순히 A 지점에서 B 지점으로 이동하기 위한 기계가 아닙니다. 이들은 도로, 운전자, 그리고 주변 교통 상황에 대한 데이터를 끊임없이 수집하는 움직이는 컴퓨터입니다. 이 정보는 교통을 더 안전하고 효율적으로 만드는 데 필수적이지만, 동시에 심각한 프라이버시 딜레마를 야기합니다. 운전자들은 자신의 위치 기록이나 운전 습관이 노출되는 것을 원하지 않으면서도, 차량이 전체 플릿(fleet)의 집합적 경험으로부터 학습하기를 필요로 합니다. 이를 해결하기 위해 연구자들은 연합 학습(federated learning)이라 불리는 방법을 개발했습니다. 원시 데이터를 중앙 서버로 보내는 대신, 각 자동차는 자체적인 로컬 데이터로 작은 컴퓨터 모델을 학습시킨 뒤, 그 모델의 수학적 업데이트 값만을 코디네이터에게 전송합니다. 이는 개인적인 세부 정보를 차량 내부에 유지하면서도, 업데이트 자체에서 민감한 정보가 드러날 수 있다는 점과 자동차들이 사용하는 개방형 무선 채널이 가짜 자동차를 사칭하거나 데이터를 조작하려는 해커들에게 취약할 수 있다는 새로운 문제를 발생시킵니다.

장쑤 대학교(Jiangsu University)의 연구팀은 특히 차량 네트워크를 위한 이러한 취약점을 해결하기 위해 EPDA라는 새로운 시스템을 제안했습니다. 그들의 연구는 수백 대의 자동차가 자신의 신원이나 무엇을 운전하고 있는지를 드러내지 않으면서도 공유된 학습 모델에 기여할 수 있는 방법을 만드는 데 중점을 두었으며, 동시에 실시간 교통 상황에서 작동할 수 있을 만큼 충분히 빠른 속도를 보장하는 데 집중했습니다. 연구진은 차량의 신원 검증과 모델 업데이트의 결합을 모두 처리하는 2단계 프로세스를 설계했습니다. 무거운 암호화 계산을 요구하지 않는 특정 유형의 디지털 서명을 사용함으로써, 그들은 계산 비용을 극도로 낮게 유지할 수 있었습니다. 교통 표지판 인식용 표준 데이터셋을 사용한 테스트에서, 이 시스템은 차량당 0.03초의 처리 시간만을 필요로 했으며, 350대의 차량 규모로 확장되었을 때도 클라이언트당 단 148바이트의 데이터만을 전송했습니다. 이러한 효율성은 이 시스템이 속도와 프라이버시가 모두 중요한 번잡한 도시 환경에 현실적으로 배치될 수 있음을 시사합니다.

이 분야의 핵심 과제는 보안과 속도 사이의 균형을 맞추는 것입니다. 데이터를 보호하기 위한 전통적인 방식들은 교통 상황에서 요구되는 찰나의 결정에 걸리기에는 너무 오래 걸리는 복잡한 수학적 연산에 의존하는 경우가 많습니다. 다른 접근 방식들은 프라이버시를 보호할 수는 있지만, 송신자의 신원을 숨기는 데 실패하여 운전자를 추적에 취약하게 만듭니다. EPDA를 개발한 연구진은 이 문제를 해결하기 위해 이중 집계(dual aggregation) 방식을 도입했습니다. 시스템의 첫 번째 부분은 인증을 다룹니다. 일반적인 시나리오에서 노변 기지국(roadside unit)은 주변 차량들로부터 업데이트를 수집하는 준신뢰형 수집가 역할을 합니다. 연구진은 이 수집기에 모든 들어오는 메시지가 진짜인지 개별적으로 확인하지 않고도 검증할 수 있는 기능을 갖추었습니다. 그들은 여러 차량의 디지털 서명을 하나의 압축된 서명으로 그룹화함으로써 이를 달성했습니다. 이를 통해 노변 기지국은 각 차량을 하나씩 확인하며 속도를 늦추는 대신, 전체 배치의 유효성을 한 번에 확인할 수 있습니다. 이 방법은 시스템을 느리게 만들 수 있는 무거운 암호화 도구의 필요성을 피합니다.

시스템의 두 번째 부분은 실제 모델 업데이트의 내용을 보호합니다. 차량이 정당한 것으로 확인되더라도, 전송되는 데이터가 개인적인 세부 사항을 추론하는 데 사용될 수 있습니다. 이를 방지하기 위해 연구진은 마스킹(masking) 기술을 구현했습니다. 차량이 모델 업데이트를 보내기 전, 중앙 서버와 공유된 비밀 키를 사용하여 데이터를 암호화합니다. 이 암호화는 준신뢰형인 노변 기지국이 원시 모델 파라미터를 볼 수 없도록 보장합니다. 마스터 키를 보유한 중앙 서버는 나중에 집계된 데이터를 복호화하여 글로벌 모델을 업데이트할 수 있습니다. 이 과정은 중간 수집가들이 민감한 정보를 절대 볼 수 없도록 보장하면서도, 최종 모델이 올바르게 재구성될 수 있도록 합니다. 또한 시스템은 자동차의 신원이 숨겨지도록 보장합니다. 각 차량은 전송 시 임시의 가짜 신원을 사용하므로, 관찰자가 두 개의 서로 다른 메시지를 동일한 차량과 연결하는 것은 불가능합니다. 오직 데이터 수집가와 분리된 신뢰할 수 있는 기관만이 차량이 악의적으로 행동할 경우 실제 신원을 밝힐 수 있는 권한을 가지며, 이를 통해 프라이버시가 완전한 책임 추궁을 포기하는 결과로 이어지지 않도록 합니다.

연구진은 5만 개 이상의 교통 표지판 이미지가 포함된 데이터셋을 사용하여 연합 학습 환경을 시뮬레이션함으로써 이 시스템이 실제로 얼마나 잘 작동하는지 테스트했습니다. 그들은 50대에서 350대의 가상 차량이 학습 과정에 참여하는 시나리오를 설정했습니다. 결과에 따르면, 암호화 작업에 소요되는 시간은 참여하는 차량의 수와 관계없이 놀라울 정도로 안정적이었습니다. 차량이 로컬 모델을 학습시키는 데 필요한 시간은 데이터 크기에 따라 증가했지만, 마스킹 및 서명과 같은 보안 작업에 소요되는 시간은 지속적으로 낮게 유지되어 차량당 평균 0.04초 미만을 기록했습니다. 350대의 차량으로부터 업데이트를 검증하는 데 걸리는 중앙 서버의 시간은 선형적으로 증가했으나, 약 3.2밀리초로 매우 빠르게 유지되었습니다. 데이터 전송 측면에서도 시스템은 매우 효율적이었으며, 각 차량은 라운드당 단 148바이트의 정보만을 전송해야 했습니다. 이는 동일한 작업을 수행할 때 수백 또는 수천 바이트를 요구할 수 있는 기존의 다른 방식들에 비해 현저히 적은 양입니다.

연구진은 자신들의 접근 방식을 여러 최신 기술들과 비교하였고, 그들의 시스템이 일관되적으로 더 빠르고 가볍다는 것을 발견했습니다. 일부 경쟁 체계들은 검증에 거의 10밀리초가 걸리는 복잡한 수학적 페어링(pairings)에 의존했던 반면, EPDA 시스템은 그 시간의 아주 일부분만을 사용하여 동일한 작업을 완료했습니다. 통신 오버헤드 또한 크게 줄어들어, 차량당 총 데이터 크기가 다른 방식들이 요구하는 양의 3분의 1 미만이었습니다. 이러한 결과는 제안된 체계가 강력한 프라이버시 보장과 고속 차량 네트워크의 요구 사항 사이의 어려운 절충안을 성공적으로 헤쳐 나갔음을 나타냅니다. 이 시스템은 많은 참가자가 참여하더라도 성능 저하 없이 처리할 수 있음을 입증했으며, 이는 도로 위의 연결된 차량 수가 계속 증가함에 따라 효과적으로 확장될 수 있음을 시사합니다.

궁극적으로, 이 연구는 이전의 애플리케이션들을 제한해 왔던 무거운 연산 장치에 의존하지 않고도 자동차 산업을 위한 안전하고 프라이버시가 보장되며 효율적인 학습 시스템을 구축하는 것이 가능하다는 것을 보여줍니다. 경량화된 서명 방식과 보안 마스킹 기술을 결합함으로써, 연구진은 자동차들이 자신의 비밀을 노출하거나 네트워크를 늦추지 않으면서 함께 학습할 수 있는 프레임워크를 만들었습니다. 시뮬레이션 결과는 이 접근 방식이 실세계 배포를 위한 준비가 되어 있음을 시사하며, 안전한 주행에 필요한 높은 성능을 유지하면서도 사용자 프라이버시를 존중하는 지능형 교통 시스템을 위한 실질적인 경로를 제공합니다. 본 연구는 이 이중 집계 방식이 데이터 보안과 운영 효율성이 반드시 병행되어야 하는 연결된 차량의 미래를 위한 실행 가능한 솔루션을 제공한다고 결론짓습니다.