[학위논문]CAN, LiDAR 데이터를 사용한 이상치 탐지 기반의 자율주행자동차 침입탐지시스템 Intrusion Detection System for Autonomous Vehicle Based on Anomaly Detection Using CAN and LiDAR Data원문보기
자동차 기술이 발전하면서 CAN 통신 등 차내 네트워크 기술의 중요성이 높아지고, 자율주행자동차 등 스마트카에 대한 연구가 활발히 진행되고 있다. 이와 같은 연구가 진행되면서 주행 안정성과 편의성을 위해 V2X 기술이 발달함에 따라 자율주행자동차의 외부 연결성이 강화되었지만, 이는 동시에 자율주행자동차의 많은 보안 위협까지 초래하는 결과를 가져오고 있다. 실제로 차량에 대해 원격으로 침입 공격을 수행하였다는 사례가 보고되고 있으며, 이러한 침입 공격이 발생하면 탑승자의 안전과 재산에 심각한 피해를 입힐 수 있으므로 이를 탐지할 수 있는 ...
자동차 기술이 발전하면서 CAN 통신 등 차내 네트워크 기술의 중요성이 높아지고, 자율주행자동차 등 스마트카에 대한 연구가 활발히 진행되고 있다. 이와 같은 연구가 진행되면서 주행 안정성과 편의성을 위해 V2X 기술이 발달함에 따라 자율주행자동차의 외부 연결성이 강화되었지만, 이는 동시에 자율주행자동차의 많은 보안 위협까지 초래하는 결과를 가져오고 있다. 실제로 차량에 대해 원격으로 침입 공격을 수행하였다는 사례가 보고되고 있으며, 이러한 침입 공격이 발생하면 탑승자의 안전과 재산에 심각한 피해를 입힐 수 있으므로 이를 탐지할 수 있는 침입 탐지 시스템에 대한 연구가 반드시 필요하다. 따라서 본 논문에서는 자율주행자동차에서 발생하는 CAN 및 LiDAR 데이터를 수집하여 자율주행자동차의 주변 도로 상황과 현재 제어 상태를 파악한 후, 현재 도로 상황과 제어 상태가 맞지 않는 것을 바탕으로 주행 도중 발생할 수 있는 구체적인 침입 시나리오를 구성한다. 이 때, 자율주행자동차의 정상 데이터는 패턴화되어 생성된다는 분석을 바탕으로 하여 실제 데이터를 기반으로 구성된 침입 시나리오 별로 각각 분류 기반, 근접 이웃 기반, 군집화 기반에서 대표적인 머신러닝 기법인 의사결정나무, 로컬 아웃라이어 팩터, DBSCAN(Density-based spatial clustering of applications with noise) 등의 이상치 탐지알고리즘을 선정하여 침입 탐지를 수행한다. 이를 정확도, 정밀도, 재현도, F-score, ROC 곡선 등 다양한 성능 평가 지표를 통해 침입 탐지 성능을 비교 분석한다.
자동차 기술이 발전하면서 CAN 통신 등 차내 네트워크 기술의 중요성이 높아지고, 자율주행자동차 등 스마트카에 대한 연구가 활발히 진행되고 있다. 이와 같은 연구가 진행되면서 주행 안정성과 편의성을 위해 V2X 기술이 발달함에 따라 자율주행자동차의 외부 연결성이 강화되었지만, 이는 동시에 자율주행자동차의 많은 보안 위협까지 초래하는 결과를 가져오고 있다. 실제로 차량에 대해 원격으로 침입 공격을 수행하였다는 사례가 보고되고 있으며, 이러한 침입 공격이 발생하면 탑승자의 안전과 재산에 심각한 피해를 입힐 수 있으므로 이를 탐지할 수 있는 침입 탐지 시스템에 대한 연구가 반드시 필요하다. 따라서 본 논문에서는 자율주행자동차에서 발생하는 CAN 및 LiDAR 데이터를 수집하여 자율주행자동차의 주변 도로 상황과 현재 제어 상태를 파악한 후, 현재 도로 상황과 제어 상태가 맞지 않는 것을 바탕으로 주행 도중 발생할 수 있는 구체적인 침입 시나리오를 구성한다. 이 때, 자율주행자동차의 정상 데이터는 패턴화되어 생성된다는 분석을 바탕으로 하여 실제 데이터를 기반으로 구성된 침입 시나리오 별로 각각 분류 기반, 근접 이웃 기반, 군집화 기반에서 대표적인 머신러닝 기법인 의사결정나무, 로컬 아웃라이어 팩터, DBSCAN(Density-based spatial clustering of applications with noise) 등의 이상치 탐지 알고리즘을 선정하여 침입 탐지를 수행한다. 이를 정확도, 정밀도, 재현도, F-score, ROC 곡선 등 다양한 성능 평가 지표를 통해 침입 탐지 성능을 비교 분석한다.
As automobile technology advances, the importance of In-vehicle network technologies such as CAN communication is increasing, and research on smart cars such as autonomous vehicles is actively progressing. As such research progresses, as V2X technology is developed for driving stability and convenie...
As automobile technology advances, the importance of In-vehicle network technologies such as CAN communication is increasing, and research on smart cars such as autonomous vehicles is actively progressing. As such research progresses, as V2X technology is developed for driving stability and convenience, the external connectivity of autonomous vehicles has been strengthened, but this has resulted in many security threats of autonomous vehicles at the same time. In fact, there are reports of remote intrusion attacks on the vehicle, and because such intrusion attacks can seriously damage the property and safety of the occupants, research on intrusion detection systems that can detect them is essential. In this paper, the CAN and LiDAR data generated from autonomous vehicles are collected to identify the surrounding road conditions and current control status of autonomous vehicles, and then, based on the fact that the current road conditions and control states do not match, specific intrusion scenarios that may occur during driving are constructed. Based on the analysis that normal data of autonomous vehicles are patterned and generated, anomaly detection algorithms such as decision tree, local outline factor, and DBSCAN, which are representative machine learning techniques, are selected from classification-based, nearest-neighbor-based, and clustering-based, respectively, and are applied to intrusion scenarios that are constructed based on actual data. It compares and analyzes intrusion detection performance through various performance evaluation indicators, including accuracy, precision, recall, F-score, and ROC curve.
As automobile technology advances, the importance of In-vehicle network technologies such as CAN communication is increasing, and research on smart cars such as autonomous vehicles is actively progressing. As such research progresses, as V2X technology is developed for driving stability and convenience, the external connectivity of autonomous vehicles has been strengthened, but this has resulted in many security threats of autonomous vehicles at the same time. In fact, there are reports of remote intrusion attacks on the vehicle, and because such intrusion attacks can seriously damage the property and safety of the occupants, research on intrusion detection systems that can detect them is essential. In this paper, the CAN and LiDAR data generated from autonomous vehicles are collected to identify the surrounding road conditions and current control status of autonomous vehicles, and then, based on the fact that the current road conditions and control states do not match, specific intrusion scenarios that may occur during driving are constructed. Based on the analysis that normal data of autonomous vehicles are patterned and generated, anomaly detection algorithms such as decision tree, local outline factor, and DBSCAN, which are representative machine learning techniques, are selected from classification-based, nearest-neighbor-based, and clustering-based, respectively, and are applied to intrusion scenarios that are constructed based on actual data. It compares and analyzes intrusion detection performance through various performance evaluation indicators, including accuracy, precision, recall, F-score, and ROC curve.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.