차량 내 네트워크에서의 그래프 신경망 기반 오픈셋 침입 탐지 = Open-Set Recognition with Graph Neural Networks for In-Vehicle Intrusion Detection

국문 초록 (Abstract)

최신 차량에서 CAN(Controller Area Network) 및 CAN-FD 버스는 전자 제어 장치(ECU) 간의 핵심 통신 수단으로 활용되며, 주행 제어, 제동, 조향, 인포테인먼트 등 다양한 기능을 담당한다. 그러나 CAN/CAN-FD 프로토콜은 설계 단계에서 보안을 고려하지 않았기 때문에 메시지 인증 및 암호화 기능이 없고, 브로드캐스트 기반 식별자 우선순위(arbitration) 메커니즘만을 사용한다. 이로 인해 공격자가 OBD-II, 텔레매틱스, 인포테인먼트, 무선 통신 인터페이스 등을 통해 버스에 접근할 경우, 합법적인 ECU 를 가장하여 임의의 메시지를 주입하거나(fabrication), 특정 ECU 를 침묵시키거나(suspension), 정상 프레임을 위장하는(masquerade) 다양한 공격이 가능해진다. 이러한 위협 환경에서, 알려진 공격뿐만 아니라 알려지지 않은(zero-day) 공격까지 탐지할 수 있는 견고한 침입 탐지 시스템(Intrusion Detection System, IDS)의 필요성이 대두되고 있다. 본 논문에서는 이러한 문제를 해결하기 위해, 그래프 신경망(Graph Neural Network, GNN)을 기반으로 하는 다중 목적(open-set) 침입 탐지 프레임워크인 OpenSetGNN 을 제안한다. 제안하는 모델은 일정 길이의 CAN/CAN-FD 메시지 윈도우를 직접 처리하는 대신, 윈도우 내에서 관측되는 고유 식별자(ID)를 노드로 하고, 공출현 관계와 전송 순서를 간선으로 갖는 상호작용 그래프(interaction graph)로 변환한다. 각 노드에는 식별자 통계, 페이로드 분포, 주기와 간격과 같은 시계열 정보를 포함한 풍부한 특성을 부여함으로써, 단순 ID 시퀀스 기반 접근법이 포착하기 어려운 위상 정보, 콘텐츠 정보, 타이밍 정보를 동시에 학습할 수 있도록 한다. OpenSetGNN 의 핵심 기여는 단일 GNN 인코더 상에서 세 가지 학습 신호를 통합하는 다중 목적 학습 전략이다. 첫째, 그래프 수준 임베딩에 대해 클래스 균형 지도 대비 학습(Supervised Contrastive Learning)을 적용하여, 극도로 불균형한 현실 데이터(예: ROAD 데이터셋)에서도 각 공격 클래스가 잘 분리된 표현 공간을 형성하도록 한다. 둘째, 노드 특성 복원 손실(node feature reconstruction loss)을 통해 ID 는 유지되지만 페이로드만 교묘하게 변조되는 masquerade 공격과 같이 내용 기반 조작을 탐지한다. 셋째, 인접 행렬 복원 손실(adjacency reconstruction loss)을 통해 특정 ID 쌍의 비정상적 동시 발생이나 과도한 빈도 상승을 이용하는 flooding, fuzzing, DoS 계열 공격을 효과적으로 포착한다. 학습이 완료된 후에는 복원 오차와 정상/공격 프로토타입 간의 거리 정보를 결합한 2 단계 open-set 추론 로직을 사용하여, 정상, 알려진 공격, 미지(unknown) 공격을 구분한다. 실험은 ROAD 및 CAN-FD Intrusion 과 같은 실제 차량 기반 공개 데이터셋을 활용하여 수행하였다. ROAD 데이터셋의 fabrication(FAB) 및 masquerade(MAS) 시나리오에 대해 제안하는 GNN 은 기존의 시퀀스 기반 LSTM, 이미지 기반 CNN(SupCon ResNet), 그래프 기반 GCNIDS, DGCNN 등과 비교하여 가장 높은 성능을 보였다. 특히 FAB 시나리오에서 평균 F1 점수 0.9994, MAS 시나리오에서 F1 점수 0.9911 을 기록하였으며, 희귀 공격 클래스인 MEC 및 Fuzzing 에 대해서도 다른 기법들이 탐지를 거의 실패하는 반면, 제안 모델은 높은 재현율(recall)과 낮은 위음성(FNR)을 유지하였다. open-set 평가를 위해 leave-one-attack-out 프로토콜을 적용한 결과, ROAD 와 CAN-FD 시나리오 모두에서 미지 공격을 알려진 공격과 구별하면서도 정상 및 기존 공격 클래스의 분류 성능을 거의 유지하는 것으로 나타났다. 또한 Jetson AGX Xavier 플랫폼에서 수행한 모델 복잡도 및 지연(latency) 분석을 통해, 제안된 GNN 이 약 0.017M 의 매우 적은 파라미터 수와 0.216M MACs 만으로도 300 개 메시지 윈도우를 약 6.9ms 내에 처리할 수 있음을 확인하였다. 이는 동일 플랫폼에서 측정된 SupCon ResNet 및 다른 최신 IDS 모델과 비교했을 때, 더 긴 윈도우를 더 적은 연산량으로 처리하면서도 실시간 제약을 충분히 만족하는 수준이다. 아울러 윈도우 길이, GNN 계층 유형, 인코더 깊이, attention head 수 등에 대한 성능 분석 및 ablation 연구를 통해, 제안하는 아키텍처 선택이 정확도와 효율성 측면에서 합리적임을 입증하였다. 마지막으로 본 논문에서는 현실적인 차량 환경에서의 적용 가능성을 높이기 위한 향후 연구 방향도 논의하였다. 구체적으로, 차량 모델 간 도메인 차이를 줄이기 위한 범용·연합 학습 기반 IDS, 고정 윈도우 대신 메시지 단위로 그래프를 갱신하는 스트리밍 동적 그래프 IDS, 소프트웨어 업데이트 및 노후화에 따른 개념 드리프트에 대응하기 위한 온라인·지속 학습, 그래프 기반 표현 공간에서의 적대적 공격 및 강인성 향상, 실제 ECU 및 게이트웨이를 포함한 Hardware-in-the-loop 검증 및 시스템 통합 등이 그 예이다. 이러한 연구는 OpenSetGNN 이 제시한 그래프 기반 open-set IDS 프레임워크를 기반으로, 향후 더욱 견고하고 적응적인 차량 사이버 보안 체계를 구축하는 데 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

In the era of increasingly autonomous and connected transportation systems, ensuring the security of critical infrastructures such as in-vehicle networks (IVNs) has become paramount. The Controller Area Network (CAN) bus, while serving as the vital communication backbone of modern vehicles, retains a legacy design that lacks inherent security, making it particularly vulnerable to sophisticated cyber-attacks ranging from intrusion to data theft. Consequently, research on in-vehicle intrusion detection systems (IDS) has bifurcated into two primary approaches: multiclass classification for identifying known attack signatures, and anomaly detection for defending against novel, zero-day threats. However, a truly robust system must unify the specificity of classification with the foresight of novelty detection. This thesis presents a comprehensive deep learning-based approach to achieve this unification in IVNs. To address the limitations of rigid, sequential data representations used in previous studies, we model CAN traffic as a dynamic graph, a structure uniquely capable of capturing the complex, many-to-many interactions inherent in the bus topology. We propose a novel Graph Neural Networks (GNNs) framework that transcends existing studies that utilize GNNs merely for simple graph-level classification. Our core innovation lies in a multi-objective training strategy that couples a class-balance SupCon learning objective with a dual-reconstruction methodology. To handle the severe data skewness found in real-world traffic, the model incorporates a balanced sampler within the contrastive learning phase. Simultaneously, the GNN learns to reconstruct both node features and the adjacency matrix of the graph, creating a highly precise model of normative traffic. This architecture enables the system to perform high-accuracy classification while maintaining reliable open-set detection capabilities. Comprehensive evaluations demonstrate that the proposed model achieves a macro-averaged F1-score exceeding 0.998 for multiclass detection and an area under the receiver operating characteristic curve (AUROC) score of up to 0.99 for open-set detection. Furthermore, the model is characterized by a lightweight design that ensures feasibility on resource-constrained hardware. These results emphasize the framework’s superior intrusion detection performance and its viability as a practical, comprehensive solution for modern automotive cybersecurity. Keywords Controller area network, graph neural network, intrusion detection system, open-set recognition, supervised contrastive learning, class balanced sampler, in-vehicle network.

목차 (Table of Contents)

• TABLE OF CONTENTS I
• LIST OF TABLES IV
• LIST OF FIGURES V
• ABSTRACT VI
• CHAPTER I. INTRODUCTION 1
• 1. MOTIVATIONS 1
• 2. PROBLEM STATEMENT 3
• 3. RESEARCH OBJECTIVES 5
• 4. CONTRIBUTIONS 6
• 5. THESIS OUTLINE 7
• CHAPTER II. IN-VEHICLE NETWORK BACKGROUND AND RELATED WORK 9
• 1. CAN AND CAN-FD FUNDAMENTALS 9
• 1.1. Operational Mechanics and Arbitration 9
• 1.2. Message Structure and Frame Types 9
• 1.3. Evolution to CAN-FD 10
• 1.4. Physical Signaling and Inter-Frame Space 11
• 1.5. Periodic Transmission Cycles and Sequential Patterns 12
• 2. SECURITY LIMITATIONS AND THREAT LANDSCAPE ON IVN 14
• 2.1. Systemic Security Limitations of CAN/CAN-FD 15
• 2.2. Vulnerabilities in CAN-FD 15
• 2.3. Attack Taxonomy 16
• 3. RELATED WORKS 17
• 3.1. Limitations of Stateless and Statistical Approaches 18
• 3.2. Sequence-Based Deep Learning 19
• 3.3. Graph-Based Representations 22
• 3.4. Open-Set and Zero-Day Detection 23
• CHAPTER III. OPEN-SET GNN FRAMEWORK FOR CAN INTRUSION DETECTION 25
• 1. PROBLEM FORMULATION AND DESIGN OBJECTIVES 25
• 2. OVERVIEW OF THE OPENSETGNN FRAMEWORK 27
• 2.1. Graph Construction from CAN Traffic 27
• 2.2. Proposed Multi-Objective GNN Architecture 30
• 2.3. Multi-Objective Training Strategy 35
• CHAPTER IV. EXPERIMENTAL RESULTS 41
• 1.1. Dataset Selection 41
• 1.2. Evaluation Metric 45
• 1.3. Closed-Set Performance Analysis on ROAD 47
• 1.4. Robustness to Novel Classes 49
• 2. GENERALIZATION TO THE CAN-FD PROTOCOL 52
• 2.1. Closed-Set Classification on CAN-FD 52
• 2.2. Open-Set Robustness on CAN-FD 53
• 3. CLASS-BALANCED IMPACT EVALUATION 55
• 3.1. Effect of the Default Instance-Balanced Sampler 55
• 3.2. Impact of the Class-Balanced Sampler 56
• 3.3. Embedding Geometry and Convergence Behavior 57
• 3.4. Implications for IVN IDS Training 58
• 4. ABLATION STUDY 58
• 4.1. Ablation on Window Length 58
• 4.2. Ablation on Architecture 60
• 5. MODEL EFFICIENCY EVALUATION 63
• 5.1. Footprint and Compute Complexity 63
• 5.2. Latency and Per-Message Cost 63
• 5.3. Real-Time Feasibility 64
• 5.4. Summary 65
• CHAPTER V. CONCLUSIONS AND FUTURE WORKS 66
• 1.1. Future Work 66
• CHAPTER VI. BIBLIOGRAPHY 69
• CHAPTER VII. 국 문 요 약 72
• CHAPTER VIII. ACKNOWLEDGEMENT 75