협력 지능형 교통체계(C-ITS) 환경에서 자율주행 차량을 위한 지역 비종속형 딥 러닝 기반 오작동 탐지 시스템

국문 초록 (Abstract)

자율주행 차량은 주행 안정성과 상황 인지 성능을 향상시키기 위해 차량에 탑재된 센서 정보에더해, 주변 차량 및 도로 인프라와의 협력 기반 정보 공유를 활용할 수 있다. 이러한 협력적 정보 교환은협력 지능형 교통체계(Cooperative Intelligent Transport System, C-ITS) 환경에서 구현되며, 이 과정에서 Vehicle-to-Everything(V2X)을 통해 브로드캐스트되는 Basic Safety Message(BSM)은 주변 차량의위치, 속도, 진행 방향 등 주행 상태 정보를 공유하는 메시지로 활용된다. 그러나 BSM은 변조나 위치, 속도 조작과 같은 위·변조 공격에 취약하며, 인증된 차량이 허위 정보를 전송하는 내부 공격 시나리오에서는 기존 보안 메커니즘만으로는 이를 효과적으로 탐지하기 어렵다. 이에 따라 C-ITS 환경에서 신뢰할 수 없는 주행 정보를 식별하기 위한 Misbehavior Detection System(MDS)의 중요성이 증가하고있다. 기존 MDS 연구들은 주로 단일 도메인(특정 도시 또는 도로 네트워크)에서 수집된 데이터를 기반으로 학습된 모델과 절대 좌표·속도와 같은 도메인 의존적 feature를 활용하며, 도메인이 변경될 경우입력 특성 분포 변화로 인해 탐지 성능이 저하될 우려가 있다. 본 연구는 이러한 문제를 해결하기 위해, 도메인 변화에도 견고하게 동작하는 지역 비종속형 딥 러닝 기반 MDS를 제안한다. 이를 위해 VeReMi 기반 데이터셋에 더해 서로 상이한 도로 구조를 갖는 YDP, GWNU, Ulm 다중 도메인 데이터 셋을새롭게 생성하고, 단일 도메인 학습 후 미관측 도메인에서의 탐지 성능을 평가하는 교차 도메인 실험환경을 구축하였다. 제안하는 MDS는 차량(Local), Road Side Unit(RSU), Misbehavior Authority(MA)로구성되는 C-ITS 보안 구조를 가정하며, 이중 차량에서 직접 오작동을 판단하는 Local MDS를 핵심대상으로 한다. Local MDS의 일반화 성능을 향상시키기 위해 도로 네트워크 기반 residual feature를도입하여 차량 위치를 차선 중심선 기준의 상대 표현으로 재구성하고, BiLSTM 기반 시퀀스 모델을 적용하였다. UMAP 분석과 cross-domain 실험 결과, residual feature 기반 Local MDS는 기존 feature 대비도메인 간 분포 차이를 완화하며, 단일 도메인 학습에도 불구하고 새로운 도메인에서 보다 안정적인탐지 성능을 보였다. 특히 Constant Position Offset 공격 유형에서 가장 큰 성능 개선이 관찰되었다. 이를통해 제안하는 MDS는 도로 구조가 상이한 다중 도메인 환경에서도 안정적인 오작동 탐지가 가능함을확인하였으며, 차량 단위에서의 일반화 가능한 MDS 설계 방향을 제시한다.

다국어 초록 (Multilingual Abstract)

Autonomous vehicles can enhance driving safety and situational awareness by leveraging cooperative information sharing with surrounding vehicles and roadside infrastructure, in addition to onboard sensor data. Such cooperative information exchange is realized in a Cooperative Intelligent Transport System(C-ITS) environment, where Basic Safety Messages(BSMs) broadcast via Vehicle-to-Everything(V2X) communication are used to share driving state information, including vehicle position, speed, and heading. However, BSMs are vulnerable to falsification attacks such as position and speed manipulation. In insider attack scenarios in which authenticated vehicles transmit false information, existing security mechanisms alone are insufficient for effective detection. Consequently, the importance of Misbehavior Detection Systems (MDS) for identifying untrustworthy driving information in C-ITS environments has significantly increased. Most existing MDS studies rely on models trained using data collected from a single domain, such as a specific city or road network, and employ domain-dependent features including absolute positions and velocities. As a result, detection performance can degrade when these models are deployed in unseen domains due to shifts in feature distributions. To address this limitation, this study proposes a domain-robust, deep learning-based MDS that operates reliably under domain changes. In addition to the VeReMi-based dataset, multi-domain datasets with heterogeneous road structures, including YDP, GWNU, and Ulm, are newly generated. Across-domain experimental framework is constructed in which models are trained on a single domain and evaluated on unseen domains. The proposed MDS assumes a C-ITS security architecture consisting of vehicles(Local), Roadside Units(RSUs), and a Misbehavior Authority(MA), and focuses on the Local MDS that directly determines misbehavior at the vehicle level. To improve the generalization capability of the Local MDS, road network–based residual features are introduced to represent vehicle positions relative to lane centerlines, and a BiLSTM-based sequence model is employed. UMAP analysis and cross-domain experimental results demonstrate that the residual feature–based Local MDS effectively mitigates inter-domain distribution discrepancies and achieves more stable detection performance in unseen domains, even when trained on a single domain. In particular, the most significant performance improvement is observed for Constant Position Offset attacks. These results confirm that the proposed MDS enables reliable misbehavior detection across heterogeneous road network domains and provide insights into the design of generalizable vehicle-level MDS for C-ITS environments.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 배경 1
• 2. C-ITS 환경에서의 V2X 보안 위협과 MDS의 필요성 2
• 3. MDS의 도메인 의존성과 일반화 과제 4
• 4. 본 연구의 목표 5
• 5. 논문의 구성 5
• Ⅱ. Misbehavior Detection System 연구 동향 7
• 1. Misbehavior Detection System(MDS) 개요 7
• 1) 탐지 대상 관점 7
• 2) 탐지 전략 관점 8
• 2. 시뮬레이션 기반 MDS 환경 및 데이터 셋 8
• 1) 시뮬레이션 기반 MDS 연구 환경 개요 8
• 2) VeReMi 및 VeReMi-Extension 데이터 셋 8
• 3. MDS 탐지 기법 11
• 1) 규칙 기반 MDS 11
• 2) 머신 러닝 기반 MDS 11
• 4. 본 연구의 차별점 13
• Ⅲ. 제안하는 Misbehavior Detecction System 14
• 1. Local MDS 모델 개요 14
• 2. Local MDS 구조 및 입력 시퀀스 16
• 1) Local MDS 입력 시퀀스 16
• 2) 모델 입출력 구조 16
• 3) Model 1: Delta 기반 MDS 모델 17
• 4) Model 2: Residual 활용 MDS 모델 17
• 3. 도로 구조 인지 기반 Residual 확장 방법론 20
• 1) 차선 중심선 기준 Residual 정의 20
• 2) 도로 네트워크 정보 활용 추가 파생 feature 22
• 3) 차선 중심점 간격 보완 23
• Ⅳ. 실험 25
• 1. 도메인 편차 검증 데이터 셋 25
• 1) F2MD 기반 데이터 셋 생성 환경 25
• 2) 도로 네트워크 및 도메인 특성 27
• 3) 시뮬레이션 설정 및 데이터 셋 통계 27
• 2. Local MDS 학습 31
• 1) 전처리 과정 31
• 2) 학습·테스트 데이터 분할 및 모델별 학습 유형 분리 31
• 3. Local MDS 모델 성능 평가 개요 32
• 1) 교차 도메인 검증 구조 32
• 2) 평가 지표 32
• 4. Local MDS 모델 분석 및 일반화 성능 평가 35
• 1) feature 별 도메인 편차 분석(UMAP) 35
• 2) Model 1, Model 2의 Constant Position Offset 탐지 성능 비교 39
• 3) 학습, 테스트 교차 도메인 성능 평가 41
• 4) 선행 연구 재현 모델과의 일반화 성능 비교 43
• Ⅴ. 결론 45
• □ 참고문헌 46
• □ Abstract 49