VANET 무선 방해 차량의 상대 속도 추정 알고리즘

** 본 논문은 차량 간 무선 네트워크(VANET)에서 이동형 제이머가 전송‑수신(Tx‑Rx) 쌍에 접근해 DoS 공격을 수행할 때, 제이머와 수신기(Rx) 사이의 상대 속도를 정확히 추정하는 새로운 알고리즘인 RSEA(Relative Speed Estimation Algorithm)를 제안한다. 기존 연구들은 주로 제이머 존재 여부를 탐지하거나 SINR 저하 정도를 측정하는 데 초점을 맞추었으며, 제이머의 동적 행동, 특히 속도와 접근 각도를 정량화하는 방법은 거의 다루지 않았다. 이에 저자들은 ‘상대 속도(Δu)’라는 물리적 메트릭을 정의하고, 이를 파일럿 기반 채널 추정과 RF 도플러 이동 분석을 결합해 센서 없이 수동적으로 추정하는 방식을 설계하였다. **시스템 모델 및 가정** - Tx와 Rx는 일대일(V2V) 통신을 수행하며, 일정한 속도로 직선 이동한다. - 제이머(Jx)는 Rx에 접근하면서 속도가 점진적으로 증가한다. - 통신 채널은 다중 경로를 포함하며, 정적 장애물이 존재해 Tx‑Rx와 Jx‑Rx 사이에 서로 다른 경로 손실을 만든다. - 파일럿 심볼은 사전에 알려진 시퀀스로, 채널 변동을 실시간 추정하기에 충분히 짧다. **알고리즘 흐름** 1. **채널 추정**: Rx는 수신된 복합 신호 y(t) = h₁(t)s_Tx(t) + h₂(t)s_J(t) + n(t)에서 h₁(t)와 h₂(t)를 동시에 추정한다. 여기서 s_Tx(t)는 파일럿 신호, s_J(t)는 제이머가 삽입한 방해 신호, n(t)는 잡음이다. 파일럿 심볼 수가 2N(다중 경로 수의 두 배)보다 크면 최소 제곱법으로 두 채널을 구분할 수 있다. 2. **제이머 신호 복원**: 추정된 h₂(t)를 이용해 s_J(t) = (y(t) - h₁(t)s_Tx(t))/h₂(t) 를 계산한다. 이 단계는 제이머 신호가 완전히 알려지지 않은 경우에도 적용 가능하며, 파일럿이 충분히 많을 경우 복원 정확도가 높아진다. 3. **도플러 분석 및 속도 추정**: 복원된 s_J(t)와 h₂(t)에서 FFT를 수행해 도플러 주파수 이동 Δf를 측정한다. 도플러 이동은 Δf = (v_rel/λ)·cos(θ) 로 표현되며, λ는 사용 주파수 파장, v_rel은 제이머와 Rx 사이의 상대 속도, θ는 제이머 속도 벡터와 Rx 이동축 사이의 각도(AOP)이다. Δf와 θ를 동시에 추정하기 위해 두 개의 독립적인 식을 구성하고, 선형 방정식 해법으로 v_rel을 구한다. **핵심 기여** - **센서리스·패시브 접근**: GPS나 관성계 센서를 전혀 사용하지 않고, 오직 수신된 RF 신호만으로 상대 속도와 접근 각도를 추정한다. - **AOP 기반 2차원 위치 메트릭**: 속도 추정에 각도 투영(AOP)을 결합해 제이머의 이동 경로를 2차원 평면상에 표현한다. 이는 향후 머신러닝 기반 제이머 분류에 유용한 특징이 된다. - **알려지지 않은 방해 신호 처리**: 파일럿 심볼 수가 충분히 많을 경우, 제이머 신호가 전혀 사전 정보가 없더라도 복원·분리 가능함을 증명한다. - **실험적 검증**: 시뮬레이션과 실제 차량 테스트베드에서 다양한 시나리오(정적 장애물, 다중 경로, 제이머 가속도 변화)를 적용해 평균 절대 오차(MAE) 10% 이하의 성능을 달성하였다. **실험 결과 요약** - **시뮬레이션**: 파라미터 λ=5.9 GHz(DSRC), N=4, 파일럿 심볼 8개 이상에서 MAE가 9.3%로 가장 낮았다. - **실차 테스트**: 실제 도로에서 제이머 차량이 0 km/h에서 30 km/h까지 가속하며 접근할 때, 추정된 상대 속도는 실제값과 평균 2.7 km/h 차이(≈9% MAE)를 보였다. - **알려진 vs. 알려지지 않은 방해**: 알려진 방해 신호(동일 파형)에서는 약 7% MAE, 완전 무작위 방해에서는 11% MAE로, 신호 사전 정보 유무에 따라 오차가 약간 변동한다. **제한점 및 향후 연구** - **파일럿 의존성**: 파일럿 심볼 수가 부족하거나 다중 경로 수 N이 급격히 변하면 채널 분리 정확도가 저하된다. 동적 파일럿 할당 혹은 적응형 심볼 설계가 필요하다. - **비선형 가속·방향 전환**: 현재 모델은 일정한 가속도와 고정 각도를 가정한다. 급격한 방향 전환 시 θ와 v_rel을 동시에 추정하는 비선형 최적화가 요구된다. - **도시 환경 적용**: 고밀도 도시에서는 다중 반사와 비정상 잡음이 도플러 스펙트럼을 복잡하게 만든다. 다중 피크 검출, 베이지안 필터링, 딥러닝 기반 스펙트럼 해석이 향후 과제로 남는다. **결론** RSEA는 VANET에서 이동형 제이머의 상대 속도와 접근 각도를 실시간으로 추정함으로써, 기존의 단순 SINR 기반 탐지보다 더 정교한 방어·대응 전략을 가능하게 한다. 센서리스 설계와 낮은 계산 복잡도는 차량에 추가 하드웨어 없이도 적용 가능하게 하며, 평균 10% 수준의 MAE는 실제 운용에 충분히 실용적인 수준이다. 향후 다중 피크 도플러 분석과 머신러닝 기반 보정 기법을 결합하면, 복잡한 도시 환경에서도 높은 정확도를 유지할 수 있을 것으로 기대된다. **