http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 이현로(Hyunro Lee) (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
준지도 학습 모델을 사용한 차량 내부 네트워크에서의 이상 징후 탐지
이현로(Hyunro Lee),홍성우(Seongwoo Hong),이승열(Seungyeol Lee),하재철(Jaecheol Ha) 한국산학기술학회 2023 한국산학기술학회논문지 Vol.24 No.2
현재 자동차 내부의 전자 제어 장치(Electronic Control Unit, ECU)간의 통신을 위해 CAN(Controller Area Network) 프로토콜을 많이 사용하고 있다. 하지만 CAN 프로토콜은 메시지 암호화 및 발신자 인증과 같은 보안 기능을 가지고 있지 않아 인가되지 않은 데이터 주입이나 서비스 거부 공격(Denial of Service, DoS) 등과 같은 사이버 보안위협에 취약하다. 따라서 최근에는 자동차의 CAN 네트워크를 보호하기 위한 인공 지능 기반의 침입 탐지 시스템(Intrusion Detection System, IDS)에 대한 연구가 활발하게 진행되고 있다. 본 논문에서는 먼저 CAN 버스의 데이터 트래픽에 대한 메시지 주입 공격을 탐지할 수 있는 지도 학습(supervised learning)을 사용하는 딥러닝 모델인 DCNN(Deep Convolutional Neural network) 기반의 이상 탐지 모델을 구현하였다. 또한, 지도 학습 모델은 학습용 데이터 셋이 많아야 한다는 한계점을 지적하고 이를 보완하기 위해 준지도 학습(semi-supervised learning)을 사용한 딥러닝 모델인 GAN(Generative Adversarial Network) 기반의 이상 탐지 모델을 제안한다. 제안하는 준지도 학습 기반의 이상 탐지 모델은 기존 지도 학습 모델에서 약 20만 개의 데이터로 학습하던 것을 1,000개의 데이터만으로도 서비스 거부 공격과 스푸핑 공격을 99%이상 탐지할 수 있어 효율적인 차량용 이상 징후 탐지 시스템으로 사용할 수 있다. The CAN (Controller Area Network) protocol is used widely for communication between ECUs (Electronic Control Units) in a vehicle network. On the other hand, the CAN protocol is vulnerable to cyber security threats, such as unauthorized data injection and DoS (Denial of Service) attacks, because it does not have security functions, such as message encryption and sender authentication. Therefore, research on an artificial intelligence-based IDS (Intrusion Detection System) for protecting the CAN network has been actively conducted. This paper reports an anomaly detection model based on a DCNN (Deep Convolutional Neural Network), a deep learning model using supervised learning that can detect message injection attacks on data traffic on CAN buses. The supervised learning model requires a large number of training data sets. This paper proposes an anomaly detection model based on GAN (Generative Adversarial Network), a deep learning model using semi-supervised learning, to compensate for this advantage. The proposed anomaly detection model based on semi-supervised learning can be used as an efficient vehicle anomaly detection system because it can detect more than 99% of denial-of-service and spoofing attacks with only 1,000 data instead of learning with about 200,000 data in the existing supervised learning model.
-
-
다중 피처 딥러닝 모델을 이용한 전자기파 기반의 명령어 역어셈블러 구현
홍성우(Seongwoo Hong),이재욱(Jaewook Lee),이현로(Hyunro Lee),하재철(Jaecheol Ha) 한국산학기술학회 2023 한국산학기술학회논문지 Vol.24 No.3
인터넷과 연결된 IoT 장비들은 관리자의 감시를 벗어나 원격에 위치하고 있는 경우가 많아 악성 코드 주입 공격이나 코드 불법 복제의 위협에 노출되어 있다. 이러한 공격에 의한 침해 여부를 확인하기 위해 마이크로 프로세서 장치들에서 실행되는 명령어에 대한 역공학을 수행할 필요가 있다. 본 논문에서는 부채널 신호인 전자기파를 이용하여 Cortex-M4에서 사용하는 명령어를 분류하는 역어셈블러를 구현하였다. 특히, 전자기파 신호로부터 추출된 다중 피처를 이용하는 딥러닝 모델을 제안하였다. 구현된 역어셈블러는 명령어 그룹을 분류하는 경우에는 93.35%, 그리고 그룹 내 명령어를 분류하는 경우에는 85.38%의 정확도를 보여 기존 단일 피처 기반 역어셈블러와 비교하여 높은 정확도로 분류될 수 있음을 확인하였다. Many internet of things (IoT) devices connected to the internet are often located remotely away from the management boundary of administrators, so they are exposed to threats of malicious code injection attacks or illegal code copying. In order to confirm the infringement caused by these attacks, it is necessary to perform reverse engineering on instructions executed in microprocessor devices. In this study, we implemented a disassembler that classifies instructions used in Cortex-M4 using electromagnetic traces, which are side channel signals of target devices. We propose a deep learning model that uses multiple features extracted from electromagnetic signals. The proposed disassembler showed accuracy of 93.35% when classifying instruction groups and 85.38% when classifying instructions within a group. This confirmed that it can classify all instructions with high accuracy compared to an existing single-feature-based disassembler.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
