Transformer-ACGAN 기반 CAN-FD 침입 탐지 프레임워크 = Transformer-ACGAN-Based Intrusion Detection Framework for CAN-FD Networks

국문 초록 (Abstract)

최근 자동차 산업은 자율주행, 전동화, 커넥티드카 기술의 발전에 따라 SDV(Software Defined Vehicle)로 빠르게 전환되고 있다. 이에 따라 고도화된 차량 기능을 지원하기 위해 고속·대용량 네트워크의 필요성이 증가하고 있다. 이러한 요구를 충족하기 위해 기존 CAN(Controller Area Network)의 한계를 보완한 CAN-FD(CAN with Flexible Data Rate) 프로토콜이 도입되었으나, 보안 기능이 설계 단계에서 충분히 고려되지 않아 외부 공격에 대한 구조적 취약성을 내포하고 있다. 실제로 ECU 간 통신을 가로채거나 위조 프레임을 주입하는 등의 공격 사례가 보고되면서, 차량 내부 네트워크(IVN, In-Vehicle Network) 침입 탐지 시스템(IDS, Intrusion Detection System)의 필요성이 강조되고 있다.
기존 IVN IDS 연구는 주로 전통적인 CAN 통신 환경에 초점을 맞추고 있으며, 데이터 불균형으로 인한 학습의 어려움, 임베디드 환경에서의 실시간성 부족 등의 한계를 지닌다. 따라서 CAN-FD의 구조적 특성과 실시간 처리 요구를 동시에 만족할 수 있는 고정밀·저지연 침입 탐지 모델의 개발이 요구된다.
이에 본 논문에서는 Transformer–ACGAN(Auxiliary Classifier GAN) 기반의 CAN-FD 침입 탐지 모델을 제안한다. 제안된 모델은 ACGAN의 조건부 생성 구조를 활용하여 합성 데이터를 생성함으로써 데이터 불균형 문제를 완화하고, Transformer Encoder를 통해 CAN-FD 프레임 간의 시계열적 상관관계를 효과적으로 학습한다. 이후 학습된 판별기 모델을 최적화하여 차량용 게이트웨이 보드(NXP S32G-VNP-RDB2)에서의 실시간 추론 가능성을 실험적으로 입증하였다.
공개 CAN-FD 데이터셋 기반 실험 결과, 제안된 모델은 다양한 공격 시나리오에서 Accuracy와 F1-score 모두 100%를 달성하였다. 모델 크기는 0.42MB, 평균 추론 지연은 2ms로 측정되어 경량성 및 실시간성을 확보하였다. 종합적으로, 본 연구는 데이터 불균형 완화, 탐지 정확도 향상, 임베디드 실시간성 확보의 측면에서 기존 IVN IDS 연구의 한계를 효과적으로 보완하였으며, CAN-FD 침입 탐지 시스템의 실제 차량 환경 적용 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

The automotive industry is rapidly shifting toward Software-Defined Vehicles (SDVs) driven by advancements in autonomous driving, electrification, and connected car technologies. As the number of Electronic Control Units (ECUs) in vehicles increases, the demand for high-speed and high-bandwidth in-vehicle networksfor real-time data exchange has also grown. To address these needs, the CAN with Flexible Data Rate (CAN-FD) protocol has been introduced as an enhanced version of the traditional Controller Area Network (CAN). However, since security mechanisms were not fully considered during its design, CAN-FD remains structurally vulnerable to external attacks. In particular, reported cases of message interception and forged frame injection have highlighted the need for an Intrusion Detection System (IDS) within the In-Vehicle Network (IVN).
Existing IVN IDS studies have mainly focused on conventional CAN environments and face limitations such as learning difficulties caused by data imbalance and insufficient real-time performance in embedded systems.
Therefore, there is a growing need for a high-precision and low-latency intrusion detection model that can meet both the structural characteristics and real-time requirements of CAN-FD communication.
To this end, this paper proposes a Transformer ACGAN(Auxiliary Classifier – GAN)-based intrusion detection modelfor CAN-FD networks. The proposed model mitigates data imbalance by generating synthetic data through the conditional generation mechanismof ACGAN and effectively learns temporal correlations among CAN-FD frames using a Transformer Encoder.
Furthermore, the trained discriminator was converted into an ONNX-based static computation graph and optimized through INT8 quantization to achieve model compression. The optimized model was experimentally validated on an automotive gateway board(NXP S32G-VNP-RDB2) to evaluate its real-time inference capability.
Experimental results using a public CAN-FD intrusion detection dataset demonstrated that the proposed model achieved 100% accuracy and F1-score across various attack scenarios, including Flooding, Fuzzing, and Malfunction attacks. The final model was reduced to 0.42 MB in size and achieved an average inference latency of 2 ms, ensuring both compactness and real-time performance.
In summary, the proposed approach effectively addresses the limitations of existing IVN IDS methods in terms of data imbalance mitigation, detection accuracy enhancement, and real-time embedded inference, demonstrating its feasibility for practical deployment in CAN-FD-based in-vehicle security systems.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 배경과 목적 1
• 가. 연구의 배경 1
• 나. 논문 기여 3
• 다. 논문 구성 4
• II. 배경지식 5
• 1. CAN-FD(CAN with Flexible Data rate) 5
• 가. 개요 5
• 나. CAN-FD 주요 공격 유형 6
• 2. Transformer 8
• 3. ACGAN(Auxiliary Classifier GAN) 9
• III. 설계 및 구현 11
• 1. Transformer-ACGAN 모델 구조 11
• 가. 입력 임베딩 11
• 나. Transformer 블록 설계 12
• 다. 생성기(Generator) 설계 13
• 라. 판별기(Discriminator) 설계 14
• 2. 학습 절차 16
• 가. 학습 개요 16
• 나. GAN 학습 안정화 기법 17
• 다. 손실 함수 18
• 3. 모델 추론 최적화 및 임베디드 배포 20
• IV. 실험 및 성능 평가 21
• 1. 실험 환경 21
• 2. 데이터셋 및 학습 설정 21
• 3. 성능 평가 23
• 가. 구성 요소별 성능 분석 23
• 나. 임베디드 환경 검증 결과 26
• 다. 기존 연구와의 비교 분석 29
• V. 결론 32