[논문]콘텐츠 기반 무선 센서 네트워크 이상 탐지 기법

이창석; 이광휘

콘텐츠 기반 무선 센서 네트워크 이상 탐지 기법
A Contents-Based Anomaly Detection Scheme in WSNs 원문보기

電子工學會論文誌. Journal of the Institute of Electronics Engineers of Korea. CI, 컴퓨터, v.48 no.5 = no.341, 2011년, pp.99 - 106

초록
AI-Helper

데이터 중심적인 네트워크인 무선 센서 네트워크는 대량의 센서 노드들이 광범위한 지역에 조밀하게 분산 배치되어 동작한다. 센서 노드들은 일반적으로 열린 환경에서 독립적으로 동작하기 때문에 보안 공격에 취약하다. 본 논문에서는 무선 센서 네트워크를 위한 콘텐츠 기반 이상 탐지 기법을 제안한다. 제안 기법은 무선 센서 네트워크의 특징인 특정한 현상을 여러 개의 센서 노드가 동시에 감지한다는 특성과 센서 노드에서 측정된 데이터인 콘텐츠는 어떤 특정 범위 안에서 변한다는 특성을 이용한다. 제안 기법은 훈련 단계, 적용 단계와 보정 단계로 구성되며 적용 단계에서 거리 기반 이상 탐지(distance-based anomaly detection) 기법을 이용하여 얻게 된 이상치 후보를 보정 단계로 보낸다. 보정 단계는 동일한 현상을 동시에 감지한 센서 노드들의 데이터로 구성된 콘텐츠 테이블과 이상치 후보를 비교, 분석함으로써 이상 탐지 기법의 성능을 향상시킨다. 시뮬레이션을 통해 제안 탐지 기법이 높은 탐지율과 낮은 오탐율을 가진다는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper

In many applications, wireless sensor networks could be thought as data-centric networks, and the sensor nodes are densely distributed over a large sensor field. The sensor nodes are normally vulnerable in terms of security since they are very often deployed in a hostile environment and open space. In this paper, we propose a scheme for contents-based anomaly detection in wireless sensor networks. In this scheme we use the characteristics of sensor networks where several nodes surrounding an event point can simultaneously detect the phenomenon occurring and the contents detected from these sensors are limited to inside a certain range. The proposed scheme consists of several phases; training, testing and refining phases. Anomaly candidates detected by the distance-based anomaly detection scheme in the testing phase are sent to the refining phase. They are then compared in the sink node with previously collected data set to improve detection performance in the refining phase. Our simulation results suggest the effectiveness of the proposed scheme in this paper evidenced by the improvements of the detection rate and the false positive rate.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

향후 연구로는 본 논문에서 제안한 탐지 기법을 실제 무선 센서 네트워크 환경에 적용하여 실제 환경에서 얼마나 효율적으로 이상치를 탐지하는지를 연구하고자 한다. 그리고 이웃 노드의 개수 변화에 따른 성능 차이를 알아보고 최적의 이웃 노드를 구하는 연구와 이상치가 발생된 해당 센서 노드를 네트워크에서 고립시키는 방안에 관한 연구를 하고자 한다.
본 논문에서는 무선 센서 네트워크의 특징인 특정한 현상을 여러 개의 센서 노드가 동시에 감지한다는 특성과 센서 노드에서 측정된 데이터인 콘텐츠는 어떤 특정 범위 안에서 변한다는 특성을 이용하여 콘텐츠 기반 무선 센서 네트워크 이상 탐지 기법을 제안하였다. 시뮬레이션을 통해 제안한 기법이 우수한 성능을 나타낸다는 것을 입증하였다.
비율 p와 거리 D는 사용자에 의해 정해지는 모수이기 때문에 이 모수들의 변화에 따라서 성능의 편차가 큰 단점이 있다. 본 논문에서는 이러한 단점을 보정 단계(refine phase)에서 보완함으로써 기존의 이상 탐지 기법의 성능을 향상시킨다.
무선 센서 네트워크에서 특정한 현상을 감지한 데이터인 콘텐츠는 어떤 특정 범위 안에서 변하는 특성을 가지며 동일한 현상을 적어도 하나 이상의 센서 노드들이 감지해서 동일한 콘텐츠를 싱크 노드로 송신할 수 있다. 이러한 특성을 이용해서 본 논문에서는 온도, 소리와 스피드 등과 같은 환경적 요소를 감지하는 데이터 중심적인 무선 센서 네트워크에서 사용될 수 있는 콘텐츠 기반 이상 탐지 기법을 제안한다. 제안 기법은 이상 탐지에 필요한 계산들이 싱크 노드에서 이루어짐으로써 센서 노드들의 자원 소비를 최소화 하고 통신 오버헤드를 줄일 수 있다.

가설 설정

본 논문에서 사용된 시뮬레이션 환경은 25개의 센서 노드와 1개의 싱크 노드 그리고 일산화탄소를 발생시키는 1개의 노드로 구성되었다. 모든 노드들은 450m x 450m 공간에 100m 간격으로 배치되고 센서 노드들은 설치된 이후에는 이동을 하지 않는다고 가정하였다. 이 시뮬레이션 환경은 하나의 현상만이 있다고 가정하였지만 여러 개의 현상이 무선 센서 네트워크에 존재하더라도 동일한 결과를 예상할 수 있다.
본 논문에서 사용되는 무선 센서 네트워크는 모니터링 지역에서 센서 노드가 밀집되어 있어 특정한 현상을 적어도 하나 이상의 센서 노드가 동시에 감지한다고 가정한다. 그러므로 특정한 한 현상은 한 개 이상의 노드에 의해서 싱크 노드에게 전달되고 이렇게 전달된 데이터는 콘텐츠 테이블에 저장되어서 보정 단계에서 이상치 후보군과 비교할 때 사용된다.
훈련 단계는 싱크 노드에서 이루어지며 센서 노드로 부터 수집된 데이터를 트래픽 표본으로 만들어서 정상적인 데이터와 이상치를 식별하기 위한 모델을 만든다. 트래픽 표본은 정상적인 데이터와 이상치를 모두 가지고 있으며 이상치는 정상적인 데이터보다 통계적으로 발생하는 횟수가 적다고 가정한다. 즉, 이상 데이터의 발생은 특정 비율보다 낮다고 생각한다.

제안 방법

Chatzigiannakis 등은 센서 네트워크에 있는 서로 다른 노드들로부터 데이터를 수집하여 이상치를 탐지하는 방법을 제시하였다^[9]. PCA(principal component analysis)를 적용하여 여러 센서 노드들로부터 수신된 여러 개의 Metrics을 처리한다. 이러한 접근 방법은 센서 노드들의 여러 개의 그룹과 서로 관련된 이상치를 탐지하는데 유용하다.
특정한 모니터 노드에서 탐지된 이벤트들을 분석하여 만들어진 네트워크 행태에 기반을 둔 통계적 접근 방법을 적용하였다. 모니터 노드는 1홉 거리에 있는 침입자를 감시하는 이웃 노드들을 모니터링 한다. IDS가 네트워크에 분산 배치됨에 따라 분산 시스템의 확장성과 견고함을 가진다.
이 정보는 계산된 위치정보와 관측한 위치 정보가 일치하는 지를 비교하여 일치하지 않을 경우에 LAD는 이상치로 판단한다. 무선 센서 네트워크의 특징인 이웃노드의 정보를 이용하여 효율적인 이상치를 탐지한다. 그러나 특정한 문제인 위치 정보의 이상치만을 탐지하는 한계를 가진다.
보정 단계는 싱크 노드에서 이루어지며 적용 단계에서 이상 데이터로 판단되어 싱크 노드로 전송된 이상치 후보와 싱크 노드에서 관리하고 있는 콘텐츠 테이블을 비교한다. 이상치 후보와 콘텐츠 테이블에 저장된 데이터를 비교하여 일치하면 정상 데이터로 분류하고 해당 센서 노드를 이상치 후보에서 정상 센서 노드로 분류한다.
본 논문에서 사용되는 무선 센서 네트워크는 모니터링 지역에서 특정한 현상을 적어도 하나 이상의 센서 노드에서 감지하여 싱크 노드로 전송한다. 동일한 현상을 감지한 센서 노드들에게서 전송된 데이터는 싱크 노드의 콘텐츠 테이블에 저장되어 관리된다.
본 논문에서 제안하는 기법은 높은 계산과 처리 능력을 필요로 하는 훈련 단계와 보정 단계는 싱크 노드에서 처리되고 임계값과 비교하여 이상치 여부를 판단하는 적용 단계는 센서 노드에서 처리된다. 이상 탐지를 위한 모듈을 분산 배치함으로써 무선 센서 네트워크의 에너지 소비와 통신 오버헤드를 최소화하는 구조를 가지도록 하였다.
본 논문에서 제안하는 이상 탐지 기법은 훈련 단계 (training phase)와 적용 단계(testing phase), 그리고 보정 단계(refine phase)로 구성된다. 그림 1에서 제안 모델의 동작 과정을 단계별로 보여준다.
본 논문에서 제안하는 기법은 높은 계산과 처리 능력을 필요로 하는 훈련 단계와 보정 단계는 싱크 노드에서 처리되고 임계값과 비교하여 이상치 여부를 판단하는 적용 단계는 센서 노드에서 처리된다. 이상 탐지를 위한 모듈을 분산 배치함으로써 무선 센서 네트워크의 에너지 소비와 통신 오버헤드를 최소화하는 구조를 가지도록 하였다.
제안 기법 중 훈련 단계를 시뮬레이션 하는 시나리오와 적용 단계와 보정 단계를 시뮬레이션 하는 시나리오를 작성하여 시뮬레이션 하였으며 각 시뮬레이션은 200초 동안 실행되었다. 일산화탄소를 감지한 센서 노드에서 싱크 노드로 전송된 데이터를 분석하였다.
제안 기법 중 훈련 단계를 시뮬레이션 하는 시나리오와 적용 단계와 보정 단계를 시뮬레이션 하는 시나리오를 작성하여 시뮬레이션 하였으며 각 시뮬레이션은 200초 동안 실행되었다. 일산화탄소를 감지한 센서 노드에서 싱크 노드로 전송된 데이터를 분석하였다.
제안하는 이상 탐지 기법은 수집된 데이터를 싱크 노드에서 분석하고 처리한다. 센서 노드는 훈련 단계에서 만들어진 임계값을 이용하여 이상치 발생 여부를 감시하고 이상치가 발생하면 싱크 노드에게 이상치 후보군을 전달한다.
Loo 등이 제안한 방법은 라우팅 공격과 같은 네트워크 계층에서 발생되는 침입들을 탐지하기 위한 기법이다^[11]. 클러스터링 알고리즘을 사용하여 정상 네트워크 트래픽 모델을 만들고 이 모델을 트래픽에 적용하여 이상치를 탐지한다. 라우팅 공격에 광범위하게 적용될 수 있는 트래픽 특성들을 이용함으로써 새로운 형태의 라우팅 공격을 탐지할 수 있는 장점이 있다.
. 특정한 모니터 노드에서 탐지된 이벤트들을 분석하여 만들어진 네트워크 행태에 기반을 둔 통계적 접근 방법을 적용하였다. 모니터 노드는 1홉 거리에 있는 침입자를 감시하는 이웃 노드들을 모니터링 한다.

대상 데이터

27)를 이용하여 무선 센서 네트워크 환경을 구축하였다. 본 논문에서 사용된 시뮬레이션 환경은 25개의 센서 노드와 1개의 싱크 노드 그리고 일산화탄소를 발생시키는 1개의 노드로 구성되었다. 모든 노드들은 450m x 450m 공간에 100m 간격으로 배치되고 센서 노드들은 설치된 이후에는 이동을 하지 않는다고 가정하였다.
제안한 콘텐츠 기반 이상 탐지 기법의 성능을 평가하기 위해 Naval Research Laboratory에서 개발한 무선 센서 네트워크 시뮬레이터를 사용하였다^[14]. 이 시뮬레이터는 NS-2 시뮬레이터(version 2.

이론/모형

또한 온도, 소리와 스피드 등과 같은 환경적 요소를 측정하는데 주로 사용되며 이런 요소들은 어떤 특정 범위 안에서 변하는 특성이 있다. 본 논문에서는 이상치를 탐지하기 위해 Knorr 등^[5]에 의해 처음 제안된 거리 기반 이상 탐지 (distance-based anomaly detection) 기법을 적용하였다. 이상치는 DB(p, D)로 정의되며 이는 주어진 패턴 x에 대하여 참조 데이터 중 최소 비율 p × 100% 이상의 데이터가 x로부터 거리 D보다 멀리 위치하는 패턴이다.
. 이 시뮬레이터는 NS-2 시뮬레이터(version 2.27)를 이용하여 무선 센서 네트워크 환경을 구축하였다. 본 논문에서 사용된 시뮬레이션 환경은 25개의 센서 노드와 1개의 싱크 노드 그리고 일산화탄소를 발생시키는 1개의 노드로 구성되었다.

성능/효과

적용 단계에서 만들어진 이상 탐지 후보군의 ROC 곡선은 전형적인 거리 기반 이상 탐지 기법의 ROC 곡선 형태를 보여주며 오탐율이 25%일 때 90%의 탐지율 성능을 보여준다. 보정 단계를 완료한 후의 콘텐츠 기반 이상 탐지 기법은 오탐율이 0%이고 탐지율이 100%임을 보여주며 가장 좋은 이상 탐지 기법임을 나타낸다.
불일치할 경우는 이상 데이터로 최종 판단한다. 보정 단계를 통해서 제안 기법의 탐지율을 향상 시킬 수 있고 오탐율을 줄일 수 있다.
제안 기법은 이상 탐지에 필요한 계산들이 싱크 노드에서 이루어짐으로써 센서 노드들의 자원 소비를 최소화 하고 통신 오버헤드를 줄일 수 있다. 본 논문에서 시뮬레이션을 통해 환경에 따른 최적의 임계값을 찾고 제안 기법이 오탐율(false alarm rate)을 낮추며 탐지율(detection rate)은 높이는 성능을 가진다는 것을 보여주었다.
본 논문에서는 무선 센서 네트워크의 특징인 특정한 현상을 여러 개의 센서 노드가 동시에 감지한다는 특성과 센서 노드에서 측정된 데이터인 콘텐츠는 어떤 특정 범위 안에서 변한다는 특성을 이용하여 콘텐츠 기반 무선 센서 네트워크 이상 탐지 기법을 제안하였다. 시뮬레이션을 통해 제안한 기법이 우수한 성능을 나타낸다는 것을 입증하였다.
수평축은 임계값의 변화를 나타내며 수직축은 빈도를 나타낸다. 이 계산의 결과는 임계값으로 2.8 ≤ τ ≤ 3 설정하면 높은 성능의 이상 탐지 시스템을 구축할 수 있다는 것을 보여 주었다. 여기서 구한 임계값은 센서 노드의 탐지 모듈에 적용되어서 이상 탐지 후보군을 생성할 때 사용된다.
수평축은 오탐율을 나타내고 수직축은 탐지율을 백분율로 나타낸다. 적용 단계에서 만들어진 이상 탐지 후보군의 ROC 곡선은 전형적인 거리 기반 이상 탐지 기법의 ROC 곡선 형태를 보여주며 오탐율이 25%일 때 90%의 탐지율 성능을 보여준다. 보정 단계를 완료한 후의 콘텐츠 기반 이상 탐지 기법은 오탐율이 0%이고 탐지율이 100%임을 보여주며 가장 좋은 이상 탐지 기법임을 나타낸다.
이러한 특성을 이용해서 본 논문에서는 온도, 소리와 스피드 등과 같은 환경적 요소를 감지하는 데이터 중심적인 무선 센서 네트워크에서 사용될 수 있는 콘텐츠 기반 이상 탐지 기법을 제안한다. 제안 기법은 이상 탐지에 필요한 계산들이 싱크 노드에서 이루어짐으로써 센서 노드들의 자원 소비를 최소화 하고 통신 오버헤드를 줄일 수 있다. 본 논문에서 시뮬레이션을 통해 환경에 따른 최적의 임계값을 찾고 제안 기법이 오탐율(false alarm rate)을 낮추며 탐지율(detection rate)은 높이는 성능을 가진다는 것을 보여주었다.
Ioannis 등은 센서 노드들이 서로 협력하여 침입을 탐지하는 방법을 제안하였다^[13]. 침임 탐지를 위해 센서 노드들이 협력함으로서 얻을 수 있는 이점들과 이론적 제한 사항들을 제시하였으며 일반적 공격 모델에서 성공적으로 침입자를 탐지할 수 있음을 실험을 통해서 보여주었다. 그러나 공격자가 한 명이라는 특정한 환경에서 동작하는 단점이 있으며 에너지를 효율적으로 사용하기 위한 방안이 없다.

후속연구

향후 연구로는 본 논문에서 제안한 탐지 기법을 실제 무선 센서 네트워크 환경에 적용하여 실제 환경에서 얼마나 효율적으로 이상치를 탐지하는지를 연구하고자 한다. 그리고 이웃 노드의 개수 변화에 따른 성능 차이를 알아보고 최적의 이웃 노드를 구하는 연구와 이상치가 발생된 해당 센서 노드를 네트워크에서 고립시키는 방안에 관한 연구를 하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	무선 센서 네트워크는 어떻게 동작하는가?	데이터 중심적인 네트워크인 무선 센서 네트워크는 대량의 센서 노드들이 광범위한 지역에 조밀하게 분산 배치되어 동작한다. 센서 노드들은 일반적으로 열린 환경에서 독립적으로 동작하기 때문에 보안 공격에 취약하다.
	무선 센서 네트워크가 응용되는 예는 무엇인가?	무선 센서 네트워크는 군사, 비즈니스, 산업, 그리고 의료 분야 등 다양한 분야에서 활용 되고 있다. 예를 들어서 군사적 목적의 감시, 환경과 주거 모니터링과 홈 헬스 케어 등의 응용들이 있다[1].
	센서 노드들이 보안 공격에 취약한 이유는?	데이터 중심적인 네트워크인 무선 센서 네트워크는 대량의 센서 노드들이 광범위한 지역에 조밀하게 분산 배치되어 동작한다. 센서 노드들은 일반적으로 열린 환경에서 독립적으로 동작하기 때문에 보안 공격에 취약하다. 본 논문에서는 무선 센서 네트워크를 위한 콘텐츠 기반 이상 탐지 기법을 제안한다.

참고문헌 (14)

I.F. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirici, "Wireless sensor networks: a survey," IEEE Trans. Systems, Man and Cybernetics (B), Vol. 38, pp. 393-422, 2002.
A. Perrig, et. al, "Security in wireless sensor networks," CACM, Vol. 47, No. 6, pp. 53-57, 2004.
F. Martinicic, et. al., "Distributed event detection in sensor networks," in Proc. of the International Conference on Systems and Networks Communication, pp. 43-48, 2006.
D. M. Hawkins, "Identification of outliers," Chapman and Hall, London, 1980.
V. Barnett, T. Lewis, "Outliers in statistical data," John Wiley Sons, New York, 1994.
E. M. Knorr, R. T. Ng, V. Tucakov, "Distance-based outliers: algorithms and applications," The VLDB Journal, Vol. 8, Issue 3-4, pp. 237-253, 2000.
Pang-Ning tan, M. Steinbach, V. Kumar, "Introduction to Data Mining," Addison-Wesley, 2006.
Bhuse, V., Gupta, A., "Anomaly Intrusion Detection in Wireless Sensor Networks," J. High Speed Networks, pp. 33-51, 2006.
V. Chatzigiannakis, S. Papavassiliou, "Diagnosing Anomalies and Identifying Faulty Nodes in sensor Networks," IEEE Sensors Journal, Vol. 7, 2007.
W. Du, L. Fang, P. Ning, "LAD: Localization Anomaly Detection for Wirelesss Sensor Networks," Journal of Parallel and Distgributed Computing, Vol. 66, 2006.
C. E. Loo, M. Y. Ng, C. Leckie, M. Palaniswami, "Intrusion Detection for Routing Attacks in Sensor Networks," International Journal of Distributed Sensor Networks, Vol. 2, No. 4, 2006.
A. P. R. da Silva, M. H. T. Martins, et. al, "Decentralized Intrusion Detection in Wireless Sensor Networks," in Proc. of the 1st ACM International Workshop on Quality of Service & Security in Wireless and Mobile Networks (Q2SWinet'05), pp. 16-23, New York, USA, 2005.
K. Ioannis, B. Zinaida, G. Thanassis, F. C. Felix, D. Tassos, "Cooperative Intrusion Detection in Wireless Sensor Networks," in Proc. of the 6th European Conference on Wireless Sensor Networks, 2009.
I. Downard, "Simulation Sensor Networks in NS-2," Technical Report NRL/FR/5522-04-10073, Naval Research Laboratory, Washington, D.C., U.S.A., May 2004.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

콘텐츠 기반 무선 센서 네트워크 이상 탐지 기법
A Contents-Based Anomaly Detection Scheme in WSNs 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

콘텐츠 기반 무선 센서 네트워크 이상 탐지 기법 A Contents-Based Anomaly Detection Scheme in WSNs 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

이광휘 (17)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

콘텐츠 기반 무선 센서 네트워크 이상 탐지 기법
A Contents-Based Anomaly Detection Scheme in WSNs 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper