[논문]차량용 LiDAR 센서 물리적 신호교란 공격 중심의 실험적 분석과 대응방안 제안

황지웅; 윤요섭; 오인수; 임강빈

doi:10.13089/jkiisc.2024.34.2.217

차량용 LiDAR 센서 물리적 신호교란 공격 중심의 실험적 분석과 대응방안 제안
Experimental Analysis of Physical Signal Jamming Attacks on Automotive LiDAR Sensors and Proposal of Countermeasures 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.34 no.2, 2024년, pp.217 - 228

황지웅 (순천향대학교) , 윤요섭 (순천향대학교) , 오인수 (순천향대학교) , 임강빈 (순천향대학교)

초록
AI-Helper

자율주행 자동차의 안전한 운행을 위해 카메라, RADAR(RAdio Detection And Ranging), 초음파 센서 중 중추적인 역할을 하는 LiDAR(Light Detection And Ranging) 센서는 360도에서 사물을 인식하고 탐지할 수 있다. 하지만 이러한 LiDAR 센서는 레이저를 통해서 거리를 측정하기 때문에 공격자에 노출되기 쉬우며 다양한 보안위협에 직면해있다. 따라서 본 논문에서는 LiDAR 센서를 대상으로 한 여러 가지 보안 위협인 Relay, Spoofing, Replay 공격을 살펴보고 물리적 신호교란(Jamming) 공격의 가능성과 그 영향을 분석하며, 이러한 공격이 자율주행 시스템의 안정성에 미치는 위험을 분석한다. 실험을 통해, 물리적 신호교란 공격이 LiDAR 센서의 거리 측정 능력에 오류를 유발할 수 있음을 보여준다. 개발이 진행 중인 차량 간 통신(Vehicle-to-Vehicle, V2V), 다중 센서 융합과 LiDAR 비정상 데이터 탐지를 통해 이러한 위협에 대한 대응방안과 자율주행 차량의 보안 강화를 위한 기초적인 방향을 제시하고 향후 연구에서 제안된 대응방안의 실제 적용 가능성과 효과를 검증하는 것을 목표로 한다.

Abstract ▼ AI-Helper

LiDAR(Light Detection And Ranging) sensors, which play a pivotal role among cameras, RADAR(RAdio Detection And Ranging), and ultrasonic sensors for the safe operation of autonomous vehicles, can recognize and detect objects in 360 degrees. However, since LiDAR sensors use lasers to measure distance, they are vulnerable to attackers and face various security threats. In this paper, we examine several security threats against LiDAR sensors: relay, spoofing, and replay attacks, analyze the possibility and impact of physical jamming attacks, and analyze the risk these attacks pose to the reliability of autonomous driving systems. Through experiments, we show that jamming attacks can cause errors in the ranging ability of LiDAR sensors. With vehicle-to-vehicle (V2V) communication, multi-sensor fusion under development and LiDAR anomaly data detection, this work aims to provide a basic direction for countermeasures against these threats enhancing the security of autonomous vehicles, and verify the practical applicability and effectiveness of the proposed countermeasures in future research.

주제어

표/그림 (15)

그림 Fig. 1. Principle of Automotive LiDAR Sensor
그림 Fig. 2. Mechanical Scanning LiDAR
그림 Fig. 3. Solid-State LiDAR
그림 Fig. 4. Diagram of Relay Attack on V1
표 Table 1. LiDAR sensor attack methods
그림 Fig. 5. Diagram of Spoofing Attack
그림 Fig. 6. Scenario of Replay Attack on LiDAR Sensors
그림 Fig. 7. LiDAR Jamming Attack Experimental Environment
그림 Fig. 8. Schematic Diagram of the Experiment
그림 Fig. 9. Point cloud when only the target LiDAR is activated
그림 Fig. 10. A graph of the distance of points collected when only the target LiDAR is activated
그림 Fig. 11. Point cloud when one attack laser is activated
그림 Fig. 12. A graph of the distance of points collected when triggering a single attack laser
그림 Fig. 13. Point cloud when two attack lasers are activated
그림 Fig. 14. A graph of the distance of points collected when triggering two attack lasers

AI 본문요약
AI-Helper

문제 정의

또한, ResearchInChina의 보고서에 따르면 지능형 운전이 발전함에 따라 차량에 LiDAR 센서를 탑재하는 비율이 증가하는 것을 볼 수 있다[9]. 본 논문은 LiDAR 센서의 필수성을 강조하고, LiDAR 센서의 사용 증가에 따른 보안 위협을 설명한다. 또한, 차량용 LiDAR 센서에 대한 물리적 신호교란 공격에 관한 실험적 연구를 제시하며, LiDAR 센서의 잠재적인 보안 위협에 대응하는 방안을 소개함으로써, 자율주행 기술의 안정성과 신뢰성을 높이는 방향을 제안한다.
역재생 공격(Replay Attack)은 다른 센서 기반의 공격과 달리 물리적 센서 공격이 아니라 사이버 위협모델에 기반을 둔다. 본 연구는 자율주행 시스템에서 LiDAR 센서의 데이터가 네트워크 통신을 통해 이루어지는 점에 주목한다.
특히, LiDAR 센서에 대한 물리적 신호교란 공격은 LiDAR 시스템이 환경을 감지하고 매핑하는 데 필수적인 레이저 신호의 방해 또는 조작을 목표로 한다. 이러한 공격은 LiDAR 센서가 사용하는 것과 같은 파장의 레이저를 집중적으로 사용하여 LiDAR 센서가 올바른 정보를 수집하지 못하게 방해하는 것을 목적으로 한다. 결과적으로, 이 공격은 LiDAR 센서가 주변 환경을 정확하게 인식하고 분석하는 능력을 저해하며, 이는 자율주행 차량의 안전 운행에 직접적인 위험을 초래한다.

제안 방법

본 연구에서 진행한 물리적 신호교란 공격 실험은 세 가지 다른 시나리오를 통해 수행되었다. 각 시나리오는 LiDAR 센서에 대한 공격 레이저의 영향을 평가하기 위해 설계되었다. 이를 통해, 공격 레이저의 존재 및 수량이 LiDAR 센서의 성능에 미치는 영향을 구체적으로 분석할 수 있었다.
두 번째 시나리오에서는 하나의 공격 레이저를 사용하여 타겟 LiDAR에 물리적 신호교란 공격을 시행하였다. 공격 레이저는 LiDAR 센서가 정상적인 환경 데이터를 수집하는 데 방해를 주기 위해 설계되었다. 이 시나리오를 통해, 단일 공격 레이저가 LiDAR 센서의 데이터 수집 및 처리 능력에 미치는 영향을 관찰하였다.
다른 실험에서는 레이저 기반 스푸핑 기술을 활용하여 자동차의 인식 시스템에 입력되기 전 센서 수준에서 실제 장애물의 LiDAR 포인트 클라우드 데이터를 선택적으로 지우는 방식을 통해 공격하는 방안을 제안한다. 물리적인 제거 공격 방법론이라는 새로운 방법론을 사용해 실제 장애물을 자율주행 프레임워크가 인식하지 못하도록 한다.
레이저 수신기는 이러한 반사된 레이저 펄스를 감지하고 측정하는 기능을 수행한다. 두 구성 요소의 상호작용을 통해 LiDAR 시스템은 주변 환경에 대한 정밀한 3차원 데이터를 수집하고 분석한다. 이 데이터는 자율주행 차량의 주변 환경 인식 및 의사결정 과정에서 중요한 역할을 한다.
두 번째 시나리오에서는 하나의 공격 레이저를 사용하여 타겟 LiDAR에 물리적 신호교란 공격을 시행하였다. 공격 레이저는 LiDAR 센서가 정상적인 환경 데이터를 수집하는 데 방해를 주기 위해 설계되었다.
다른 실험에서는 레이저 기반 스푸핑 기술을 활용하여 자동차의 인식 시스템에 입력되기 전 센서 수준에서 실제 장애물의 LiDAR 포인트 클라우드 데이터를 선택적으로 지우는 방식을 통해 공격하는 방안을 제안한다. 물리적인 제거 공격 방법론이라는 새로운 방법론을 사용해 실제 장애물을 자율주행 프레임워크가 인식하지 못하도록 한다. 연구 결과는 다양한 조건으로 공격의 효과성을 입증하며, 장애물 포인트 클라우드를 성공적으로 제거하는 높은 성공률을 달성했다.
본 논문에서는 자율주행 자동차의 핵심 구성 요소인 LiDAR 센서의 보안 측면을 심도 있게 분석하였다. 자동차의 ‘눈’ 역할을 하는 LiDAR 센서는 기술 발전에 따라 증가하는 보안 위협에 직면해 있다.
본 실험에서는 VLP-16 LiDAR 장비를 활용하여 실험 공간의 3차원 구조를 파악하였다. LiDAR 장비의 단독 작동 시나리오 하에서, 공간 내 물리적 구조물의 포인트 클라우드 데이터를 수집하였다.
본 장에서는 LiDAR 센서 데이터의 정상 상태와 변조 상태를 비교 분석하였다. 이를 통해 LiDAR 시스템의 보안 취약점을 평가하고, 잠재적 공격 시나리오에 대응하는 전략을 개발하는 데 중요한 기초 자료를 제공한다.
공격 레이저는 LiDAR 센서가 정상적인 환경 데이터를 수집하는 데 방해를 주기 위해 설계되었다. 이 시나리오를 통해, 단일 공격 레이저가 LiDAR 센서의 데이터 수집 및 처리 능력에 미치는 영향을 관찰하였다.
첫 번째 시나리오에서는 공격 레이저 없이 타겟 LiDAR만을 작동시켜 정상적인 작동 상태에서의 센서 데이터를 수집하였다. 이를 통해, 타겟 LiDAR의 기준 성능 및 데이터 프로필을 확립할 수 있었으며, 이후 공격 시나리오와의 비교 분석 기준점으로 활용되었다.
자율주행 차량의 LiDAR 시스템을 노리는 Relay 공격에 대한 자세한 분석을 제시한다. Relay 공격은 LiDAR 센서에서 방출된 원래 레이저 신호를 중간 단계에서 가로채서 미리 정의된 시간 간격 동안 지연시킨 다음 조작된 레이저 신호를 다시 LiDAR 센서로 전송하는 공격이다.
공격에 사용된 레이저는 타겟 LiDAR와 같은 905nm 파장을 가지는 공격용 레이저 모듈을 사용하였다. 정밀한 공격 수행을 위해, 라즈베리파이에 연결된 적외선 카메라 모듈을 사용하여 타겟 LiDAR에 공격 레이저를 정확하게 조준하였다. LiDAR는 인체에 해가 없는 적외선 영역의 빛을 이용하여 물체와의 거리를 측정하는 기술을 바탕으로 하며, 이 빛은 적외선 카메라를 통해 시각화할 수 있다.

대상 데이터

본 실험에서는 VLP-16 LiDAR 장비를 활용하여 실험 공간의 3차원 구조를 파악하였다. LiDAR 장비의 단독 작동 시나리오 하에서, 공간 내 물리적 구조물의 포인트 클라우드 데이터를 수집하였다.
각 시나리오에서는 Veloview 소프트웨어를 사용하여 1분 동안의 LiDAR 센서 데이터를 수집하였다. 이 데이터는 후속 분석을 위해 기록되었으며, 공격 시나리오가 LiDAR 센서의 성능 및 데이터 정확도에 미치는 영향을 정량적으로 평가하는 데 중요한 역할을 하였다.
공격에 사용된 레이저는 타겟 LiDAR와 같은 905nm 파장을 가지는 공격용 레이저 모듈을 사용하였다. 정밀한 공격 수행을 위해, 라즈베리파이에 연결된 적외선 카메라 모듈을 사용하여 타겟 LiDAR에 공격 레이저를 정확하게 조준하였다.
본 논문에서 수행한 물리적 신호교란 공격 실험은 자율주행 차량에 탑재되는 LiDAR 센서를 대상으로 하였다. 실험 환경은 Fig.
이러한 특성은 넓은 지역을 대상으로 하는 자율주행 및 환경 감지 애플리케이션에 이상적으로 적합하다[17]. 본 실험에서 사용된 Velodyne의 LiDAR는 GM의 자율주행 자동차 Cruise[17], Motional 및 현대자동차의 아이오닉 자율주행 자동차[17][19], 그리고 Google의 Waymo[18]와 같이 실제 자율주행 차량에 탑재되어 사용되는 센서이다.
Spoofing 공격은 가짜 장애물을 만들어 특정 위치에 주입하는 것이다. 참고 논문에서 수행된 실험에는 LiDAR 센서, 트랜시버 1개, 제어 로직 2개가 사용되었다. 제어 로직을 통해 원래 레이저 신호의 특성을 모방한 위조 레이저 신호가 생성되었다.
첫 번째 시나리오에서는 공격 레이저 없이 타겟 LiDAR만을 작동시켜 정상적인 작동 상태에서의 센서 데이터를 수집하였다. 이를 통해, 타겟 LiDAR의 기준 성능 및 데이터 프로필을 확립할 수 있었으며, 이후 공격 시나리오와의 비교 분석 기준점으로 활용되었다.

이론/모형

LiDAR는 인체에 해가 없는 적외선 영역의 빛을 이용하여 물체와의 거리를 측정하는 기술을 바탕으로 하며, 이 빛은 적외선 카메라를 통해 시각화할 수 있다. 또한, 실험 과정에서 수집된 데이터의 실시간 시각화 및 분석을 위해, VeloView 시각화 소프트웨어를 사용하였다[18]. 이 소프트웨어는 센서 데이터의 실시간 시각화 및 분석에 있어 핵심적인 도구로, 공격 시나리오 하에서 LiDAR 센서의 반응 및 영향을 명확히 파악하는 데 중요한 역할을 하였다.

성능/효과

Fig. 11.을 보면 단일 공격 레이저를 사용했을 때, 특정 방향으로 LiDAR 센서를 조작하여 거리 측정에 오류를 유발한 것으로 보인다. 그러나 이 경우에는 LiDAR 시스템의 나머지 부분이 정상적인 거릿값을 보여줘, 공격의 영향이 상대적으로 제한적이었다.
Fig. 9.는 LiDAR 장비에서 수집된 포인트 클라우드 데이터를 시각화한 것으로, 장비의 위치로부터 최대 14.9m 거리의 공간 구조를 성공적으로 기록하였음을 보여준다. 수집된 데이터는 LiDAR 장비로 부터 각각의 포인트까지의 거리를 기준으로 정량적 분석을 수행하였으며, 이를 통해 얻은 결과는 균일한 분포를 나타냈다.
이러한 공격은 LiDAR 센서가 사용하는 것과 같은 파장의 레이저를 집중적으로 사용하여 LiDAR 센서가 올바른 정보를 수집하지 못하게 방해하는 것을 목적으로 한다. 결과적으로, 이 공격은 LiDAR 센서가 주변 환경을 정확하게 인식하고 분석하는 능력을 저해하며, 이는 자율주행 차량의 안전 운행에 직접적인 위험을 초래한다. 본 장에서는 공격자의 관점에서 다른 공격 기법들과 달리 공격 환경 구현이 쉬워, 실제 상황에서 빈번하게 발생 가능한 LiDAR 센서의 물리적 신호 교란 공격 실험을 소개한다.
을 보면 단일 공격 레이저를 사용했을 때, 특정 방향으로 LiDAR 센서를 조작하여 거리 측정에 오류를 유발한 것으로 보인다. 그러나 이 경우에는 LiDAR 시스템의 나머지 부분이 정상적인 거릿값을 보여줘, 공격의 영향이 상대적으로 제한적이었다. 반면에, Fig.
은 LiDAR 센서가 정상적으로 작동할 때 수집한 데이터 포인트의 거리를 Laser ID 별로 시각화한 산점도이다. 데이터는 모든 Laser ID에 대해 일관되고 균일한 거리 분포를 보이며, 대부분의 데이터 포인트가 0-15m 범위 내에 위치한다. 이는 LiDAR 센서가 실제 환경을 정확하게 감지하고 있다는 것을 나타낸다.
이는 단일 공격 시나리오보다 데이터 조작의 범위와 강도가 증가했음을 시사한다. 두 공격 레이저의 사용은 LiDAR 시스템이 수집하는 데이터 포인트들 사이의 거리가 더욱 다양해지고, 실존하지 않는 여러 장애물을 인식하게 만드는 결과를 초래했다.
마지막 시나리오에서는 두 개의 공격 레이저를 모두 작동시켜 타겟 LiDAR에 대한 공격 강도를 높였다. 이를 통해, 다수의 공격 소스가 동시에 작동할 때 LiDAR 센서의 성능 및 데이터 정확도에 미치는 영향을 평가할 수 있었다.
자동차의 ‘눈’ 역할을 하는 LiDAR 센서는 기술 발전에 따라 증가하는 보안 위협에 직면해 있다. 본 연구를 통해, LiDAR 센서를 대상으로 한 물리적 신호교란 공격이 자율주행 시스템의 안전성과 신뢰성을 심각하게 저해할 수 있는 주요 위협임을 확인하였다. 이러한 공격은 자율주행 기술의 발전을 저해하고, 차량의 안전한 운행을 위협하는 중대한 보안 취약점으로 작용한다.
9m 거리의 공간 구조를 성공적으로 기록하였음을 보여준다. 수집된 데이터는 LiDAR 장비로 부터 각각의 포인트까지의 거리를 기준으로 정량적 분석을 수행하였으며, 이를 통해 얻은 결과는 균일한 분포를 나타냈다.
물리적인 제거 공격 방법론이라는 새로운 방법론을 사용해 실제 장애물을 자율주행 프레임워크가 인식하지 못하도록 한다. 연구 결과는 다양한 조건으로 공격의 효과성을 입증하며, 장애물 포인트 클라우드를 성공적으로 제거하는 높은 성공률을 달성했다. 또한, 이러한 공격에 대항하기 위한 대책으로 가짜 그림자 감지 및 방위 기반 감지 같은 방법을 제안하며, 스푸핑된 포인트 클라우드 데이터를 식별하고 필터링하는 데 그 효과를 입증한다[12].
각 시나리오에서는 Veloview 소프트웨어를 사용하여 1분 동안의 LiDAR 센서 데이터를 수집하였다. 이 데이터는 후속 분석을 위해 기록되었으며, 공격 시나리오가 LiDAR 센서의 성능 및 데이터 정확도에 미치는 영향을 정량적으로 평가하는 데 중요한 역할을 하였다. 이러한 실험적 접근은 자율주행 시스템에 대한 보안 위협을 식별하고 이해하는 데 필수적이며, 더 강력하고 안전한 자율주행 시스템 개발을 위한 중요한 기초 자료를 제공한다.
또한, 실험 과정에서 수집된 데이터의 실시간 시각화 및 분석을 위해, VeloView 시각화 소프트웨어를 사용하였다[18]. 이 소프트웨어는 센서 데이터의 실시간 시각화 및 분석에 있어 핵심적인 도구로, 공격 시나리오 하에서 LiDAR 센서의 반응 및 영향을 명확히 파악하는 데 중요한 역할을 하였다.
는 공격자가 LiDAR 시스템에 대한 공격을 시도하여 하나의 레이저만을 작동시킨 상태에서의 데이터 포인트 거리 분포를 보여준다. 이 시나리오에서는 특정 Laser ID에서 비정상적으로 높은 거릿값을 관찰할 수 있다. 이는 공격 레이저가 다른 정상적인 LiDAR 센서들의 동작에 영향을 주어 거리 측정에 오류를 유발한 결과로 해석될 수 있다.
이 트랜시버는 LiDAR에서 약 1m 떨어진 곳에 배치되었지만, 각각 20m와 50m 떨어진 것처럼 보이도록 조작되었다. 이 실험의 결과는 장애물이 실제 위치와 다른 위치에서 감지되어 자율주행 차량의 정확한 주행 결정 능력에 상당한 영향을 미칠 수 있음을 보여준다.
데이터는 모든 Laser ID에 대해 일관되고 균일한 거리 분포를 보이며, 대부분의 데이터 포인트가 0-15m 범위 내에 위치한다. 이는 LiDAR 센서가 실제 환경을 정확하게 감지하고 있다는 것을 나타낸다.
에서와 같이 다중 공격 레이저를 사용했을 때, LiDAR 센서가 수집한 데이터 포인트들은 더 넓은 범위에서 비정상적인 거릿값을 나타냈다. 이는 단일 공격 시나리오보다 데이터 조작의 범위와 강도가 증가했음을 시사한다. 두 공격 레이저의 사용은 LiDAR 시스템이 수집하는 데이터 포인트들 사이의 거리가 더욱 다양해지고, 실존하지 않는 여러 장애물을 인식하게 만드는 결과를 초래했다.
단일 공격 레이저는 제한적인 조작을 유발하는 반면, 다중 공격 레이저는 LiDAR 시스템 전체에 영향을 미쳐 더욱 심각한 데이터 왜곡을 초래할 수 있다. 이러한 결과는 LiDAR 시스템의 보안 측면을 강화하고, 데이터 조작을 탐지하며 신뢰할 수 있는 센서 데이터를 보장하기 위한 추가적인 방어 메커니즘이 필요함을 강조한다.
실험 환경의 실제 크기를 훨씬 초과하는 이 거리는 LiDAR 시스템이 실존하지 않는 장애물을 인식하게 만드는 공격으로 인한 결과로 해석될 수 있다. 이러한 결과는 LiDAR 시스템이 잠재적인 보안 위협에 취약할 수 있음을 시사한다. 특히, 공격자가 LiDAR 시스템에 조작된 데이터를 주입함으로써, 실제로는 존재하지 않는 장애물을 생성하고 매핑하는 과정에 영향을 미칠 수 있다는 점이 주목할 만하다.
t0의 시점에서 V1은 V2에 신호를 보내지만, V2는 공격을 위해 설계된 장치를 통해 이 신호를 지연시킨 후, 지정된 시간 t1에 신호를 반환한다. 이러한 릴레이 공격의 결과로 V1의 LiDAR는 V2를 실제 위치보다 멀리 감지하게 되며, 이는 자율주행 시스템의 안전성과 결정에 영향을 미칠 수 있다.
이는 16개의 레이저 채널을 갖추고 있으며, 360도 전 방위로 주변 환경을 스캔할 수 있는 능력을 갖추고 있다. 이를 통해 전방, 측면, 후방의 장애물을 탐지하고 그 위치를 정확히 파악할 수 있으며, 최대 100m까지의 탐지 범위를 제공한다.
각 시나리오는 LiDAR 센서에 대한 공격 레이저의 영향을 평가하기 위해 설계되었다. 이를 통해, 공격 레이저의 존재 및 수량이 LiDAR 센서의 성능에 미치는 영향을 구체적으로 분석할 수 있었다. Fig.
마지막 시나리오에서는 두 개의 공격 레이저를 모두 작동시켜 타겟 LiDAR에 대한 공격 강도를 높였다. 이를 통해, 다수의 공격 소스가 동시에 작동할 때 LiDAR 센서의 성능 및 데이터 정확도에 미치는 영향을 평가할 수 있었다.
조작된 데이터 포인트들은 정상 상태에서 관찰되지 않는 거리에 분포되어 있으며, 이는 시나리오 1에서 얻어진 데이터와 비교했을 때 명확한 차이를 보인다. 이러한 분포는 데이터의 일관성 및 정확성을 판단하는 중요한 지표가 될 수 있다.
이러한 결과는 LiDAR 시스템이 잠재적인 보안 위협에 취약할 수 있음을 시사한다. 특히, 공격자가 LiDAR 시스템에 조작된 데이터를 주입함으로써, 실제로는 존재하지 않는 장애물을 생성하고 매핑하는 과정에 영향을 미칠 수 있다는 점이 주목할 만하다. 또한, 이와 같은 조작은 시스템이 의존하는 데이터의 신뢰성을 저하시키며, 이는 특히 자율주행 차량과 같은 안전-민감 시스템에서 심각한 결과를 초래할 수 있다.
회전하는 구동부가 없이 반도체 소자를 활용하여 구성이 단순하며 일반적으로 간소화 및 내구성이 향상되어, 회전형 LiDAR에 비해 빠른 데이터 획득 속도를 제공한다는 점에서 회전형 LiDAR 센서의 단점을 보완한다. 하지만 회전하는 기계식 구동부를 제거하여, 회전형 LiDAR보다 시야각이 줄어든다. 줄어든 시야각 때문에 시야각을 넘으면 물체 탐지가 불가능하지만, 이는 여러 개의 고정형 LiDAR를 사용하여 보완할 수 있다[3].
회전하는 구동부가 없이 반도체 소자를 활용하여 구성이 단순하며 일반적으로 간소화 및 내구성이 향상되어, 회전형 LiDAR에 비해 빠른 데이터 획득 속도를 제공한다는 점에서 회전형 LiDAR 센서의 단점을 보완한다. 하지만 회전하는 기계식 구동부를 제거하여, 회전형 LiDAR보다 시야각이 줄어든다.

후속연구

또는 LiDAR 센서를 추가하여 공격에 대응할 수 있다. 그러나, 다수의 LiDAR 센서를 추가하는 방안은 비용 증가를 초래하고 새로운 취약점을 일으킬 수 있어, 이러한 방안을 선택할 때는 비용 대비 이점을 신중하게 평가해야 한다.
이러한 대응 전략은 물리적 신호교란 공격에 대한 효과적인 방어를 구축하고 LiDAR 센서의 정확성을 개선하는 데 기여할 것으로 예상한다. 그런데도, 이들 방법이 LiDAR 센서의 생산 비용을 증가시킬 가능성을 고려하여, 각 전략을 채택하기 전에 장기적인 비용 대비 효과 분석이 요구된다.
이러한 공격은 자율주행 기술의 발전을 저해하고, 차량의 안전한 운행을 위협하는 중대한 보안 취약점으로 작용한다. 따라서, 자율주행 시스템의 안정성을 확보하기 위해서는 보안 강화와 적극적인 방어 기술의 개발이 필요하다. 이는 차량 간 통신, 다중센서 융합, 기계학습을 활용한 이상 탐지 등 다각적인 접근 방식을 포함한다.
또한, 본 연구에서 수행된 실험 데이터는 LiDAR 데이터가 비정상적으로 변화할 경우를 감지할 수 있는 행동 기반 분석의 적용 가능성을 보여준다. 이는 기계학습 기법을 통해 LiDAR 센서 데이터의 시간적 변화를 분석하고, 물리적 신호교란 공격과 같은 비정상적인 패턴을 감지하는 데 사용될 수 있다.
본 논문은 LiDAR 센서의 필수성을 강조하고, LiDAR 센서의 사용 증가에 따른 보안 위협을 설명한다. 또한, 차량용 LiDAR 센서에 대한 물리적 신호교란 공격에 관한 실험적 연구를 제시하며, LiDAR 센서의 잠재적인 보안 위협에 대응하는 방안을 소개함으로써, 자율주행 기술의 안정성과 신뢰성을 높이는 방향을 제안한다.
자율주행 기술이 지속해서 발전함에 따라, 이와 관련된 보안 문제에 관한 연구와 혁신 역시 매우 중요하다. 본 논문의 결과는 이 분야의 연구자들과 기술자들에게 자율주행 차량의 안전한 미래를 위한 기초를 제공할 것으로 기대된다.
또한, 본 연구에서 수행된 실험 데이터는 LiDAR 데이터가 비정상적으로 변화할 경우를 감지할 수 있는 행동 기반 분석의 적용 가능성을 보여준다. 이는 기계학습 기법을 통해 LiDAR 센서 데이터의 시간적 변화를 분석하고, 물리적 신호교란 공격과 같은 비정상적인 패턴을 감지하는 데 사용될 수 있다.
이러한 대응 전략은 물리적 신호교란 공격에 대한 효과적인 방어를 구축하고 LiDAR 센서의 정확성을 개선하는 데 기여할 것으로 예상한다. 그런데도, 이들 방법이 LiDAR 센서의 생산 비용을 증가시킬 가능성을 고려하여, 각 전략을 채택하기 전에 장기적인 비용 대비 효과 분석이 요구된다.
이 데이터는 후속 분석을 위해 기록되었으며, 공격 시나리오가 LiDAR 센서의 성능 및 데이터 정확도에 미치는 영향을 정량적으로 평가하는 데 중요한 역할을 하였다. 이러한 실험적 접근은 자율주행 시스템에 대한 보안 위협을 식별하고 이해하는 데 필수적이며, 더 강력하고 안전한 자율주행 시스템 개발을 위한 중요한 기초 자료를 제공한다.
본 장에서는 LiDAR 센서 데이터의 정상 상태와 변조 상태를 비교 분석하였다. 이를 통해 LiDAR 시스템의 보안 취약점을 평가하고, 잠재적 공격 시나리오에 대응하는 전략을 개발하는 데 중요한 기초 자료를 제공한다.
향후 연구에서는 본 연구에서 제안된 대응방안들의 실행 가능성과 효과성을 더욱 개선하고, 실제 도로 환경에서의 적용을 평가해야 할 것이다. 자율주행 기술이 지속해서 발전함에 따라, 이와 관련된 보안 문제에 관한 연구와 혁신 역시 매우 중요하다.

참고문헌 (22)

SAE, "Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles,"？J3016_202104, Apr. 2024
Jiseong Jeong, Junhwan Jang, and Jaekwon Lee, "Trends in the Lidar Sensor Technology for Autonomous Vehicles," AUTO JOURNAL: Journal？of the Korean Society of Automotive Engineers, vol. 45, no. 4, pp. 22-26,2023
Khader, Motaz, and Samir Cherian. "An introduction to automotive lidar,"？Texas Instruments, 2020.
Eunbin Na, "Autonomous vehicles and？LiDAR," The Magazine of the IEEE,？vol. 50, no. 1, pp. 44-49, 2023
LUMISOL, "Types of Lidar Sensors？Based on Operation," http://www.lumisol.co.kr/sub/reference/lidar.asp?modeview&bid4&s_type&s_keyword&s_cate&idx162&page1, Nov. 2020
G.D Choi, M.H Han, M.H Song, H.S？Seo, C. Kim, S. Hong, and B. Mheen,？"Development Trends and Expectations of Three-Dimensional Imager？based on LIDAR Technology for？Autonomous Smart Car Navigation,"？ETRI Electronics and Telecommunications Trends, vol. 31, no. 4, pp.？0-0, 2016.
Y. Li and J. Ibanez-Guzman, "Lidar？for Autonomous Driving: The？Principles, Challenges, and Trends for？Automotive Lidar and Perception？Systems," in IEEE Signal Processing？Magazine, vol. 37, no. 4, pp. 50-61,？July 2020

상세보기
Chris Clonts, "LIdar vs. Everybody in？the Onboard Sensor Race," SAE？ADAS&Autonomous Vehicle Engineering, pp. 10-15, Apr. 2023
Research In China, "Automotive LiDAR？Industry Report, 2023," BXM153,？Research In China, Oct. 2023
Petit. J, Stottelaar. B, Feiri. M, and？Kargl. F, "Remote Attacks on？Automated Vehicles Sensors: Experiments on Camera and LiDAR," Black？Hat Europe, vol. 11, no. 2015, pp.？995, 2015
Cao, Yulong, et al. "Adversarial？sensor attack on lidar-based perception in autonomous driving," Proceedings of the 2019 ACM SIGSAC？conference on computer and communications security, pp.2267-2281, Aug. 2019
Cao, Yulong and Bhupathiraju, S Hrushikesh and Naghavi, Pirouz and Sugawara, Takeshi, and Mao, Z Morley and Rampazzi, Sara, "You Can't See Me: Physical Removal？Attacks on LiDAR-based Autonomous Vehicles Driving Frameworks," 32nd USENIX Security Symposium(USENIX Security 23), pp. 2993-3010,2023
Yang, Kaichen, Tzungyu Tsai, Honggang Yu, Max Panoff, Tsung-Yi？Ho, and Yier Jin. "Robust roadside physical adversarial attack against deep learning in lidar perception modules," In Proceedings of the 2021 ACM Asia Conference on Computer and Communications Security, pp.349-362, 2021
Sun, Jiachen, Yulong Cao, Qi Alfred Chen, and Z. Morley Mao. "Towards robust {LiDAR-based} perception in autonomous driving: General？black-box adversarial sensor attack and countermeasures." In 29th USENIX Security Symposium(USENIX Security 20), pp. 877-894,2020
Hallyburton, R Spencer and Pajic, Miroslav, "Securing Autonomous Vehicles Under Partial-Information Cyber Attacks on LiDAR Data," arXiv e-prints, pp. arXiv-2303, Mar. 2023
Shin, Hocheol Kim, Dohyun, Kwon, Yujin, and Kim, Yongdae, "Illusion and Dazzle: Adversarial Optical？Channel Exploits against Lidars for Automotive Applications," Cryptographic Hardware and Embedded Systems--CHES 2017: 19th International Conference, Taipei, Taiwan, September 25-28, 2017, Proceedings,？pp. 445-467, 2017
Velodyne, "VLP-16 user manual"？https://velodynelidar.com/wp-content/uploads/2019/12/63-9243-Rev-E-VLP-16-User-Manual.pdf, 20th. Dec. 2023
ParaVeiw, "VeloView" https://www.paraview.org/veloview/, 20th. Dec. 2023
Ren, Kui, Wang, Qian, Wang, Cong,？Qin, Zhan, and Lin, Xiaodong, "The？Security of Autonomous Driving:？Threats, Defenses, and Future？Directions," Proceedings of the IEEE,？vol. 108, no. 2, pp. 357-372, Feb.？2020
Pierrick Boulay, "LiDAR industry report : Hesai wins top rankings in the global market," Yole Group, Aug. 2022
RON AMADEO, "Google's Waymo invests in LiDAR technology, cuts costs by 90 percent," ars TECHNICA, Jan. 2017
HYUNDAI, "ioniq5 robotaxi" https://www.hyundai.com/worldwide/ko/brand-journal/mobility-solution/ioniq-5-based-robotaxi, 27th. Dec. 2023

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