자율주행 자동차의 보안, 메타휴리스틱 최적화와 AI로 지킨다

본 포스트는 다음 학술 문서를 기반으로 공부 목적의 요약 및 분석하여 작성한 포스트입니다.

Intrusion detection using metaheuristic optimization within IoT/IIoT systems and software of autonomous vehicles

---

자율주행 기술이 급격히 발전함에 따라 자동차는 단순한 이동 수단을 넘어 거대한 IoT(사물인터넷) 디바이스로 변모하고 있습니다. 하지만 이러한 연결성은 필연적으로 사이버 보안 위협이라는 새로운 과제를 안겨주었습니다.

오늘은 자율주행 차량의 핵심인 CAN(Controller Area Network) 시스템을 사이버 공격으로부터 보호하기 위해, 머신러닝과 새로운 최적화 알고리즘(GSAPSO)을 결합한 최신 연구 내용을 소개하고자 합니다.

1. 자율주행 시대의 그림자: CAN 시스템 보안 위협

현대의 자동차는 수많은 센서와 장치들이 연결되어 실시간으로 데이터를 주고받습니다. 특히 차량 내부 통신의 중추적인 역할을 하는 CAN 시스템은 공격자가 침입할 경우 차량 오작동을 일으켜 부상이나 인명 사고로 이어질 수 있는 치명적인 취약점을 가지고 있습니다.

제조사마다 시스템의 표준이 다르기 때문에, 기존의 규칙 기반 보안 시스템보다는 데이터 기반의 머신러닝(ML) 기술을 활용해 실시간으로 공격을 탐지하는 기술이 필수적입니다.

2. 머신러닝의 난제: 하이퍼파라미터 최적화

연구진은 침입 탐지를 위해 K-최근접 이웃(KNN)과 XGBoost라는 두 가지 강력한 머신러닝 분류기를 사용했습니다. 하지만 이 모델들이 최고의 성능을 내기 위해서는 '하이퍼파라미터'라고 불리는 제어 변수들을 정교하게 설정해야 합니다.

• 문제점: 적절한 파라미터를 찾는 것은 탐색 공간이 매우 넓어 'NP-hard' 문제로 여겨지며, 전문가의 수동 설정이나 단순한 탐색으로는 한계가 있습니다.

3. 해결책: 진화된 최적화 알고리즘 'GSAPSO'

이 연구의 핵심 기여는 기존의 입자 군집 최적화(PSO, Particle Swarm Optimization) 알고리즘을 획기적으로 개선한 GSAPSO(Genetic Self Adjusted PSO)를 제안했다는 점입니다.

기존 PSO는 계산 속도가 빠르지만 지역 최적해(Local Optima)에 빠지기 쉽다는 단점이 있었습니다. 연구진은 이를 해결하기 위해 유전 알고리즘(Genetic Algorithm)의 개념을 PSO에 도입했습니다.

GSAPSO의 주요 특징:

1. QRL 초기화: 준반사 학습(Quasi-Reflexive Learning)을 통해 초기 해(solution)의 다양성을 확보하여 더 넓은 탐색 공간을 커버합니다.
2. 유전 연산자 도입: 교차(Crossover)와 돌연변이(Mutation) 연산자를 추가하여 탐색(Exploration)과 활용(Exploitation)의 균형을 맞췄습니다.
3. 적응형 다양성 제어: 개체군(Population)의 다양성을 실시간으로 측정하고, 다양성이 낮아지면 새로운 개체를 생성하여 정체 현상을 방지합니다.

4. 실험 결과: 더 정확하고 안정적인 탐지

연구진은 실제 쉐보레 임팔라(Chevrolet Impala) 차량의 CAN 데이터셋을 사용하여 실험을 진행했습니다.

• 성능 향상: GSAPSO를 통해 최적화된 KNN과 XGBoost 모델은 기존 PSO나 유전 알고리즘(GA), 인공 벌 군집(ABC) 등 다른 최적화 기법들보다 더 우수한 정확도를 보였습니다.
• 구체적 수치: 최적화된 모델은 약 79.1%의 정확도를 달성했으며, 이는 기본 머신러닝 모델(랜덤 포레스트, SVM, DNN 등)보다 월등히 높은 수치입니다. (초록에서는 89% 이상을 언급했으나, 상세 결과 표(Table 13)에서는 79.1%로 기록됨)
• 안정성: 여러 번의 독립적인 실행에서도 GSAPSO는 가장 낮은 편차를 보이며 안정적으로 최적의 파라미터를 찾아냈습니다.

5. 설명 가능한 AI (XAI) 적용

단순히 공격을 탐지하는 것을 넘어, 연구진은 SHAP(Shapley Additive exPlanations) 기술을 적용해 모델이 왜 특정 데이터를 공격으로 판단했는지 분석했습니다.

분석 결과, 특정 CAN ID 코드(예: 1C7, 0688f97500003F)가 공격 탐지 여부를 결정하는 데 매우 중요한 역할을 한다는 것을 밝혀냈습니다. 이는 향후 보안 전문가들이 어떤 데이터에 집중해야 하는지 알려주는 중요한 지표가 됩니다.

마무리: 더 안전한 자율주행을 위하여

이번 연구는 머신러닝 모델의 성능이 최적화 알고리즘에 따라 얼마나 달라질 수 있는지, 그리고 이것이 자율주행 보안에 어떻게 기여할 수 있는지를 잘 보여줍니다.

GSAPSO 알고리즘은 차량 보안뿐만 아니라 의료, 클라우드 컴퓨팅 등 복잡한 최적화가 필요한 다양한 분야에도 응용될 수 있을 것으로 기대됩니다. 자율주행의 미래는 더 똑똑하고 최적화된 AI 보안 시스템과 함께 더욱 안전해질 것입니다.