A Security Protocol With Gradient Privacy for Federated Learning-Based Vehicular Networks = 연합 학습 기반 차량 네트워크에서의 그래디언트 프라이버시를 제공하는 보안 프로토콜 설계

국문 초록 (Abstract)

자율주행 기술은 머신러닝과 통신 기술의 발전에 힘입어 빠르게 진화하고 있다. 그러나 기존의 중앙집중형 학습 구조는 데이터 병목현상, 개인정보 유출, 단일 실패점 등 심각한 한계를 지니고 있다. 이러한 문제를 해결하기 위해 최근 차량 네트워크 환경에서 연합학습을 적용하는 연구가 활발히 진행되고 있다. 그러나 연합학습 기반 차량 네트워크에서는 여전히 보안과 신뢰성 문제가 존재한다. 공격자는 전송 과정에서 그래디언트를 가로채어 원본 데이터를 유추할 수 있으며, 악의적인 차량은 오염된 그래디언트를 업로드하여 글로벌 모델의 무결성을 훼손할 수 있다. 본 논문에서는 이러한 문제를 해결하기 위해 타원 곡선 암호화 기반 상호 인증 및 세션키 합의 방식을 적용하여 차량-RSU-클라우드 서버 간 안전한 통신을 지원하였다. 로컬 그래디언트의 집계 과정에서 지속적으로 세션키를 업데이트 하는 방식을 제시하여 지속적인 메시지 전송을 가능하도록 하였으며, 블록체인을 도입하여 차량이 업로드한 로컬 그래디언트와 중앙 서버가 갱신한 글로벌 모델의 해시값을 저장함으로써 무결성과 투명성을 보장하였다. 제안한 프로토콜에 대한 비정형 분석 및 BAN 로직, RoR 모델, AVISPA를 통한 정형 분석을 수행하였으며 다양한 공격에 대한 저항성이 있으며 보안 특성을 제공할 수 있다는 것을 증명하였다. 또한, 제안한 프로토콜을 기존에 제안한 프로토콜과 연산 비용, 통신 비용, 보안 특성 측면에서 비교하여 효율적인 통신 비용 및 우수한 보안성을 제공한다는 것을 입증하였다.

목차 (Table of Contents)

• I Introduction 1
• 1.1 Motivation 5
• 1.2 Contribution 6
• 1.3 Organization 8
• II Related Works 9
• III Preliminaries 16
• 3.1 Elliptic Curve Cryptosystem 16
• 3.2 Blockchain 17
• 3.3 Federated Learning 19
• 3.4 Design Goals 21
• IV Proposed Network Model and Assumptions 24
• 4.1 Network Model 24
• 4.2 Adversary Model 26
• V Proposed Scheme 29
• 5.1 Setup 31
• 5.2 Registration 31
• 5.3 Authentication 33
• 5.4 Gradient Aggregation 36
• 5.5 Model Update 38
• 5.6 Vehicle Revocation 39
• VI Security Analysis 40
• 6.1 Informal Analysis 40
• 6.2 Security Features Comparison 49
• 6.3 Formal Security Analysis Under BAN Logic 52
• 6.4 Formal Security Analysis Under RoR Model 62
• 6.5 Formal Security Verification: AVISPA Simulation and Results . 68
• VII Performance Analysis 75
• 7.1 Computational Cost in Authentication 75
• 7.2 Communication Cost in Authentication 79
• i
• VIII Conclusion 81
• Bibliography 82
• Abstract 91