사회학습 기반 분산 데이터 융합으로 IoT 보안 강화
본 논문은 센서 노드가 물리·사이버 공격에 노출되는 IoT 환경에서, 중앙집중식 융합센터의 단일 장애점을 피하기 위해 사회학습 원리를 적용한 분산 데이터 융합 방식을 제안한다. 각 노드는 개인 센서 측정과 이웃 노드의 결정 정보를 순차적으로 결합해 임계값 기반 판단을 수행하고, 정보 캐스케이드 현상을 이용해 다수의 노드가 동일한 고품질 추정치를 공유하도록 설계한다. 저자는 위협 모델을 토대로 토폴로지‑인식 위조 공격을 분석하고, 제안 방식이 상…
저자: Fern, o Rosas, Kwang-Cheng Chen
본 논문은 IoT 환경에서 센서 노드가 물리적·사이버 공격에 취약하고, 기존의 중앙집중식 데이터 융합 구조가 단일 장애점(single point of failure)으로 작동한다는 문제점을 지적한다. 이를 해결하기 위해 사회학습(social learning) 원리를 차용한 분산 데이터 융합 프레임워크를 제안한다.
1. **시스템 모델**: N개의 동등한 센서 노드가 존재하며, 각 노드는 이산·연속형 센서값 Sₙ을 측정한다. 센서값은 조건부 독립성을 만족하고, 두 가설 W=0, W=1에 대한 확률분포 µ₀, µ₁이 존재한다. 노드 간 통신은 저전력 무선 브로드캐스트를 통해 이진 변수 Xₙ만을 전송한다.
2. **위협 모델**: 공격자는 네트워크 토폴로지를 완전히 파악하고, 가장 중요한 노드(데이터 어그리게이터, 퓨전 센터 등)를 위조하거나 손상시켜 가짜 데이터를 전송한다. 이를 ‘토폴로지‑인식 데이터 위조 공격’이라 정의한다.
3. **사회학습 기반 융합 규칙**: 각 노드는 자신의 사적 정보 Λ(Sₙ)=log (dµ₁/dµ₀)(Sₙ)와 이전 노드들의 사회적 정보 ∑_{i
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기