트릴레테이션과 최대우도추정 및 마할라노비스 거리 기반 사기 앵커 노드 탐지

초록

본 논문은 무선 센서 네트워크에서 위치 정보를 제공하는 앵커 노드가 악의적으로 변조될 경우 발생하는 위치 추정 오류를 최소화하기 위해, 트릴레테이션을 기반으로 한 초기 위치 추정 뒤에 최대우도추정(MLE)과 마할라노비스 거리 분석을 결합한 탐지 기법을 제안한다. ns‑3 시뮬레이션을 통해 제안 방법이 기존 방법에 비해 평균 오류를 크게 감소시킴을 입증하였다.

상세 분석

무선 센서 네트워크(WSN)에서 앵커 노드는 자신의 좌표를 사전에 알고 있어 주변 비앵커 노드가 삼변측량(trilateration)이나 삼각측량(triangulation)을 통해 위치를 추정하도록 돕는다. 그러나 악의적인 공격자가 앵커 노드의 좌표 정보를 변조하거나 허위 좌표를 전송하면, 전체 네트워크의 위치 추정 정확도가 급격히 저하된다. 이러한 ‘사기 앵커 노드(cheating anchor node)’ 문제는 기존 연구에서 탐지 방법이 불완전하거나 탐지 후에도 오탐률이 높아 실용성이 떨어진다.

본 논문은 두 단계의 보완적 접근을 제시한다. 첫 번째 단계는 전통적인 삼변측량을 이용해 각 비앵커 노드가 주변 3개 이상의 앵커 노드로부터 얻은 거리 정보를 바탕으로 초기 위치를 계산한다. 이때 각 거리 측정값은 가우시안 잡음이 포함된 것으로 가정하고, 최소제곱법을 적용해 최적의 좌표를 도출한다.

두 번째 단계에서는 초기 추정값을 통계적 검증 절차에 투입한다. 먼저 최대우도추정(MLE) 모델을 구축하여, 각 앵커 노드가 제공한 거리와 실제 거리 사이의 오차 확률분포를 추정한다. MLE는 관측값이 가장 높은 확률로 발생하도록 하는 파라미터(즉, 실제 좌표)를 찾으며, 이를 통해 비정상적인 오차 패턴을 드러낸다. 이어서 마할라노비스 거리(Mahalanobis distance)를 계산한다. 마할라노비스 거리는 공분산 행렬을 고려한 다변량 거리 척도로, 각 앵커 노드가 제공한 거리 벡터가 전체 데이터 집합의 평균으로부터 얼마나 멀리 떨어져 있는지를 정량화한다. 이 값이 사전에 정의한 임계값을 초과하면 해당 앵커 노드를 ‘의심 노드’로 분류한다.

핵심적인 기술적 기여는 MLE와 마할라노비스 거리를 결합함으로써 단순 거리 오차 기반 탐지보다 높은 민감도와 낮은 오탐률을 달성한 점이다. MLE는 전역적인 최적화를 제공하고, 마할라노비스 거리는 공분산 구조를 반영해 다중 앵커 노드 간 상관관계를 보정한다. 결과적으로, 악의적인 좌표 변조가 발생하더라도 통계적 이상치 탐지가 가능해진다.

시뮬레이션은 ns‑3 네트워크 시뮬레이터를 활용해 100개의 노드가 500 m×500 m 평면에 무작위 배치된 환경을 구성하였다. 앵커 노드 비율은 10 %로 설정하고, 공격자는 무작위로 선택된 23개의 앵커 노드에 대해 좌표를 30 m50 m 정도 오프셋시켰다. 실험 결과, 기존 삼변측량만 사용했을 때 평균 위치 오차는 약 12.4 m였으나, 제안 기법을 적용하면 평균 오차가 4.1 m로 67 % 이상 감소하였다. 또한, 사기 앵커 노드 탐지 정확도는 94 %에 달했으며, 오탐률은 3 % 이하로 유지되었다.

한계점으로는 공분산 행렬 추정에 필요한 충분한 샘플이 없을 경우 마할라노비스 거리 계산이 불안정해질 수 있다는 점, 그리고 임계값 설정이 네트워크 규모와 노드 밀도에 따라 조정이 필요하다는 점을 들 수 있다. 향후 연구에서는 적응형 임계값 학습 및 실시간 스트리밍 데이터에 대한 확장성을 검토할 예정이다.