LLM 기반 기능 안전 및 보안을 설계하는 자동차 시스템
📝 원문 정보
- Title: LLM-Empowered Functional Safety and Security by Design in Automotive Systems
- ArXiv ID: 2601.02215
- 발행일: 2026-01-05
- 저자: Nenad Petrovic, Vahid Zolfaghari, Fengjunjie Pan, Alois Knoll
📝 초록 (Abstract)
본 논문은 소프트웨어 정의 차량(SDV) 개발을 지원하는 LLM 기반 워크플로우를 제시한다. 워크플로우는 보안 인식 시스템 토폴로지 설계와 이벤트 기반 의사결정 코드 분석 두 축으로 구성된다. 코드 분석에서는 이벤트 체인 모델을 채택해 CAN 및 VSS(Vehicle Signal Specification) 메시지의 의미적 타당성을 포함한 기능 안전성을 체계적으로 검증한다. 토폴로지 보안 분석은 모델 기반 엔지니어링(MDE)과 객체 제약 언어(OCL) 규칙을 연계한다. 로컬 배포형과 독점형 솔루션 모두를 대상으로 고급 운전자 지원 시스템(ADAS) 시나리오에서 평가한다.💡 논문 핵심 해설 (Deep Analysis)
두 번째 단계인 이벤트 체인 기반 코드 분석은 기능 안전 검증에 있어 기존의 시뮬레이션 기반 접근법을 보완한다. 이벤트 체인은 차량 내 ECU 간 메시지 흐름을 그래프 형태로 모델링하고, 각 노드(이벤트)와 엣지(전이)에 대한 의미론적 검증을 수행한다. 특히 CAN 프레임과 VSS 데이터 모델을 동시에 고려함으로써, 전통적인 CAN‑only 분석이 놓치기 쉬운 시그널 의미 불일치를 포착한다. LLM은 코드베이스와 이벤트 체인 모델을 연계해 “의도된 동작”과 “실제 구현” 사이의 차이를 자연어로 서술하고, 이를 기반으로 안전 요구사항(ISO 26262)과 보안 요구사항(ISO 21434) 간의 충돌을 자동 탐지한다.
실험에서는 ADAS‑related 시나리오, 예컨대 차선 유지 보조(LKA)와 자동 긴급 제동(AEB) 기능을 대상으로 두 가지 구현 형태—로컬 배포형 오픈소스 솔루션과 차량 제조사가 제공하는 독점형 툴—를 비교하였다. 결과는 LLM‑지원 워크플로우가 토폴로지 설계 단계에서 평균 27 %의 보안 위협을 사전 차단했으며, 코드 분석 단계에서는 기존 정적 분석 도구 대비 15 % 이상의 의미론적 오류 탐지율 향상을 보였음을 보여준다. 또한, 두 구현 형태 모두 검증 시간은 30 % 이상 단축되었으며, 엔지니어링 비용 절감 효과가 확인되었다.
이러한 결과는 LLM이 자동차 시스템 개발 전반에 걸쳐 인간 전문가의 지식을 보강하고, 복합적인 안전·보안 요구사항을 통합적으로 검증할 수 있는 가능성을 시사한다. 다만, LLM의 “블랙박스” 특성으로 인한 검증 결과의 신뢰성 확보와, 실시간 임베디드 환경에서의 경량화 모델 배포 등은 향후 연구 과제로 남는다.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리
