A Hardware–Software Co-Designed Lightweight CNN–MLP Accelerator for CAN Intrusion Detection on FPGA

현대 자동차는 더 이상 엔진과 바퀴가 달린 단순한 기계가 아닙니다. 이들은 제동부터 조향에 이르기까지 모든 것을 관리하기 위해 끊임없이 서로 대화하는 수십 개의 작은 컴퓨터, 즉 전자 제어 장치(ECU)로 이루어진 움직이는 네트워크입니다. 이 컴퓨터들은 CAN(Controller Area Network) 버스라고 불리는 공유 고속도로를 통해 통신합니다. 수십 년 동안 이 시스템은 보안이 아닌 속도와 단순함에 초점을 맞추어 설계되었기 때문에 안정적으로 작동해 왔습니다. 이 시스템에는 현대의 인터넷 연결에서 볼 수 있는 디지털 잠금 장치나 신원 확인 기능이 부족하며, 이는 해커가 자동차의 진단 포트에 접속하거나 배선에 접근할 수 있다면 합법적인 메시지처럼 보이는 가짜 메시지를 보낼 수 있음을 의미합니다. 이러한 취약점 때문에 공격자는 네트워크에 노이즈를 퍼뜨려 자동차의 시스템을 혼란에 빠뜨리거나 심지어 핵심 기능을 제어할 수도 있습니다. 이러한 위협을 막기 위해 엔지니어들은 인공지령, 특히 사이버 공격의 미세한 패턴을 실시간으로 감지하는 법을 학습할 수 있는 시스템에 주목하고 있습니다. 그러나 이러한 스마트 시스템은 대개 너무 많은 에너지를 소비하고 데이터를 처리하는 데 시간이 너무 오래 걸리는 강력한 컴퓨터를 필요로 하므로, 자동차의 제한된 전자 두뇌에 탑재하기에는 적합하지 않습니다.

튀니지 스팍스 대학교(Sfax University)의 연구진은 똑똑하게 공격을 탐지하면서도 자동차의 기존 하드웨어에서 실행될 수 있을 만큼 작은 새로운 종류의 보안 시스템을 만들어 이 문제를 해결했습니다. 연구진은 거대하고 복잡한 컴퓨터 프로그램을 좁은 공간에 억지로 밀어 넣으려 하는 대신, 사고를 담당하는 소프트웨어와 작업을 수행하는 특수 하드웨어 사이의 균형을 세심하게 맞추어 밑바닥부터 가벼운 시스템을 설계했습니다. 그들은 공학 분야에서 매우 빠른 속도와 낮은 전력 사용량으로 특정 작업을 수행하도록 프로그래밍할 수 있는 재구성 가능한 컴퓨터 칩인 FPGA(Field Programmable Gate Array)라는 칩 위에 맞춤형 가속기를 구축했습니다. 연구진은 단순히 표준 보안 프로그램을 가져와 크기를 줄인 것이 아니라, 하드웨어의 강점에 맞춰 인공지능 모델을 형성하고 동시에 모델의 요구 사항을 처리할 수 있도록 하드웨어를 최적화함으로써 전체 시스템을 공동 설계(co-design)했습니다.

그들의 솔루션의 핵심은 인간의 뇌를 모델로 한 두 가지 유형의 신경망을 결다는 하이브리드 아키텍처입니다. 한 부분은 데이터 흐름의 단기 패턴을 관찰하고, 다른 한 부분은 메시지가 안전한지 아니면 악성인지에 대한 최종 결정을 내립니다. 이 설계는 다른 유형의 AI를 느리게 만드는 무거운 순차적 처리 단계를 피함으로써, 시스템이 지연 없이 자동차 네트워크를 통해 흐르는 트래픽을 분석할 수 있게 합니다. 제한된 메모리를 가진 칩에서 이를 구현하기 위해 연구진은 '이종 고정 소수점 양자화(heterogeneous fixed-point quantization)'라는 기술을 사용했습니다. 쉽게 말해, 이는 컴퓨터가 계산에 사용하는 숫자의 정밀도를 부분별로 조정하는 것을 의미합니다. 결정 과정에서 가장 중요한 부분에는 높은 정밀도를 유지하여 정확성을 확보하는 한편, 덜 중요한 단계에서는 더 단순하고 낮은 정밀도의 숫자를 사용하여 공간과 에너지를 절약했습니다. 이러한 접근 방식을 통해 연구진은 미세한 위협을 포착하는 능력을 잃지 않으면서도 시스템의 두뇌를 콤팩트하게 유지할 수 있었습니다.

연구진이 정상 주행과 서비스 거부(DoS) 공격 및 사칭 시도와 같은 시뮬레이션된 공격이 포함된 잘 알려진 자동차 네트워크 트래픽 데이터셋을 사용하여 시스템을 테스트했을 때, 결과는 놀라웠습니다. 시스템은 99.28%의 정확도로 트래픽 유형을 올바르게 식별했는데, 이는 안전한 자동차와 해킹된 자동차를 구별하는 데 있어 실수가 거의 없음을 의미합니다. 더 중요한 점은, 이 작업이 극도로 빠른 속도와 효율성으로 수행되었다는 것입니다. 시스템은 단 0.138밀리초 만에 새로운 데이터 세트를 분석하고 결정을 내릴 수 있었는데, 이는 인간의 관점에서 거의 즉각적으로 일어나는 시간대입니다. 또한 매우 적은 전력을 소비하여 작동 중 1.793와트만을 사용했는데, 이는 자동차가 배터리를 소모하지 않고도 이 보안 모니터를 지속적으로 실행할 수 있게 하는 에너지 효율 수준입니다.

연구진은 자신들의 접근 방식을 유사한 하드웨어에서 시도된 다른 방법들과 비교했습니다. 기존의 많은 솔루션은 숫자를 불안정하게 만드는 극단적인 단순화에 의존하거나, 실시간 안전을 보장하기에는 너무 느린 복잡한 순차적 설계에 의존합니다. 또 다른 방식들은 다른 자동차 모델로 쉽게 옮길 수 없는 특정 독점 하드웨어에 의존합니다. 새로운 설계는 이러한 함정을 피하며 중간 지점을 찾아냅니다. 이 시스템은 가장 복잡한 모델과 거의 동일한 탐지 정확도를 달면서도 훨씬 더 빠르게 작동하고 전력을 적게 사용합니다. 연구진은 정확도, 속도, 전력 사용량을 결합한 특정 효율성 점수를 측정했는데, 이들의 시스템은 다른 선도적인 접근 방식보다 두 배 이상 높은 점수를 기록했습니다. 이는 똑똑한 것과 효율적인 것 사이의 절충이 제로섬 게임이 아님을 시사합니다. 즉, 소프트웨어와 하드웨어를 함께 설계하면 두 가지 모두를 가질 수 있다는 것입니다.

이 시스템은 범용 컴퓨터 코어와 이러한 종류의 가속에 필요한 특수 로직을 결합한 프로세서인 Xilinx Zynq-7020 칩 위에서 구축 및 테스트되었습니다. 연구진은 소프트웨어 설계를 하드웨어 칩이 실행해야 하는 특정 명령으로 자동 변환하는 방법인 고수준 합성(high-level synthesis) 워크플로우를 사용했습니다. 이를 통해 연구진은 데이터가 연속적인 흐로 흐르는 '파이프라인화된 데이터 흐름'을 완전히 구축할 수 있었는데, 이는 마치 기계가 작동하는 매 순간마다 새로운 품목이 처리되는 조립 라인과 같습니다. 이 설계는 자동차의 보안 시스템이 다음 계산을 시작하기 전에 이전 계산이 끝나기를 기다릴 필요가 없도록 하여, 안전이 필수적인 애플리케이션에 필수적인 꾸준하고 예측 가능한 응답을 제공합니다.

결과는 유망하지만, 연구진은 자신들의 작업이 더 큰 목표를 향한 하나의 단계임을 인정합니다. 테스트는 기록된 트래픽을 사용한 특정 데이터셋을 통해 수행되었는데, 이는 통제된 환경을 제공하지만 실제 도로의 혼란스러운 상황이나 발생 가능한 모든 변종 공격을 포착하지 못할 수도 있습니다. 또한 연구진은 전체 전력 소비의 상당 부분이 칩의 범용 프로세서 부분에서 발생했다는 점을 언급하며, 추가적인 개선을 통해 시스템을 더욱 에너지 효율적으로 만들 수 있음을 시사했습니다. 이러한 한계에도 불구하고, 이 연구는 정교한 인공지능을 차량의 전자 제어 장치에 직접 내장하는 것이 가능하다는 것을 입증합니다. 이는 자동차가 클라우드와의 느린 연결이나 부피가 큰 외부 컴퓨터에 의존하지 않고도 실시간으로 사이버 공격에 스스로 방어할 수 있는 길을 열어줍니다. 이 연구는 세심한 엔지니어링이 뒷받침된다면 임베디드 하드웨어의 제약이 첨단 보안의 장벽이 될 수 없음을 증명합니다.