회전에도 강한 CSI 기반 인증을 위한 딥러닝 특징 추출

초록

본 논문은 무선 채널 상태 정보(CSI)의 회전 민감성을 딥러닝으로 보완하여, 사용자가 특정 위치에 있을 때는 기기 회전과 무관하게 인증하고, 다른 위치에서는 접근을 차단하는 시스템을 제안한다. 90차원 복소 CSI를 10차원 회전 불변 특징으로 변환하는 LocNet 구조와, 다중 위치 인증을 위한 투표 기반 절차를 설계·평가하였다.

상세 분석

이 연구는 물리계층 인증에서 가장 큰 장애물 중 하나인 “사용자 회전 시 CSI 급변” 문제를 딥 뉴럴 네트워크를 이용해 해결하고자 한다. 기존 방식은 절대값 CSI 혹은 상관계수를 직접 비교했지만, 안테나 방향이 바뀌면 다중 경로와 페이딩 특성이 크게 달라져 동일 사용자를 오인식한다. 논문은 이러한 변동을 학습 가능한 변환으로 모델링한다.

LocNet은 두 개의 입력 CSI 쌍을 받아 동일 위치 여부를 판단한다. 각 입력은 3개의 안테나·30개의 서브캐리어로 구성된 90‑차원 복소 벡터이며, 이를 실수형 180차원으로 변환한 뒤 1×90×2 형태로 재구성한다. 네트워크는 두 개의 동일한 ConvEncoder 블록을 사용한다. 각 ConvEncoder는 3×1 크기의 32‑필터 컨볼루션 → 배치 정규화 → LeakyReLU(α=0.3) → 64‑필터 → 4‑필터 순으로 진행하며, 출력 차원을 유지한다. 이후 flatten 후 360‑차원 벡터를 100‑50‑25‑10 차원의 전결합(Dense) 레이어(Compressor)로 압축한다. 이 10‑차원 벡터는 위치 고유 정보를 담고 회전에는 거의 민감하지 않게 설계되었다.

두 개의 10‑차원 특징을 concatenate 하면 20‑차원 입력이 되고, 이를 6‑6‑1 전결합 레이어에 통과시켜 sigmoid 출력으로 “동일 위치(1) / 다른 위치(0)”를 예측한다. 손실은 이진 교차 엔트로피이며, 최적화는 Nadam을 사용해 학습 안정성을 높였다.

훈련 단계에서는 각 인증 위치 M에 대해 L개의 CSI를 수집하고, 회전하면서 다양한 자세를 포함한다. 이후 무작위로 두 CSI를 선택해 같은 위치이면 라벨 1, 다른 위치이면 라벨 0인 삼중항을 N개 생성한다. 이렇게 만든 데이터셋으로 LocNet을 학습하면, 모델은 “위치”라는 고차원 패턴을 추출하면서 회전 변동을 무시하도록 내부 파라미터를 조정한다.

인증 단계에서는 사용자가 p개의 CSI를 실시간으로 전송한다. 서버는 사전에 저장된 각 인증 위치에 대해 K개의 테스트 쌍(T1: 저장된 CSI, T2: 사용자가 전송한 CSI)으로 LocNet을 실행한다. 각 쌍에 대해 0/1 예측을 얻고, 1의 비율 r/K가 사전 정의된 임계값 ζ를 초과하면 해당 위치에서 인증 성공으로 판단한다. 모든 M 위치에 대해 검증을 수행하고, 어느 위치에서도 통과하지 못하면 접근을 차단한다.

실험은 아파트와 차고·램프 두 환경에서 수행했으며, M=3~5개의 인증 위치와 Q‑M개의 비인증 위치를 설정했다. 결과는 회전이 포함된 동일 위치에서는 95% 이상 정확도, 비인증 위치에서는 2% 이하의 오탐률을 보였다. 이는 전통적인 CSI 상관 기반 방법이 회전 시 60% 이하의 정확도를 기록한 것에 비해 현저히 개선된 수치이다.

하지만 몇 가지 한계도 존재한다. 첫째, Intel 5300 NIC와 같은 특정 하드웨어에 의존하므로 다른 칩셋에서는 CSI 형식 차이로 재학습이 필요하다. 둘째, 환경 변화(가구 이동, 사람 흐름 등)가 발생하면 저장된 CSI와 실시간 CSI 간 차이가 커져 성능이 저하될 수 있다. 셋째, 각 인증 위치마다 충분한 L개의 라벨링된 CSI가 필요하므로 대규모 배포 시 초기 데이터 수집 비용이 높다. 마지막으로, 10‑차원 특징이 실제 물리적 위치와 일대일 대응되는지는 보장되지 않으며, 유사한 다중 경로 환경에서는 혼동 가능성이 있다.

전반적으로 이 논문은 물리계층 인증에 딥러닝을 적용해 회전 불변 특징을 자동으로 학습함으로써, 위치 기반 접근 제어 시스템에 실용적인 솔루션을 제시한다. 향후 연구에서는 지속적인 환경 적응, 경량화 모델, 그리고 다중 사용자·다중 AP 시나리오에 대한 확장이 기대된다.