에너지 IoT 시간 보안: 시계 동역학 인식 시공간 그래프 어텐션 네트워크

초록

본 논문은 에너지 사이버‑물리 시스템에 배치된 IoT 디바이스들의 시계 드리프트, 동기화 공격 및 2038년 Unix 타임오버플로우와 같은 시간 왜곡을 탐지하기 위해, 시간 변형을 직접 모델링한 STGAT(Spatio‑Temporal Graph Attention Network)를 제안한다. 시간 왜곡 임베딩과 자기‑어텐션, 그래프 어텐션을 결합하고, 곡률 정규화를 통해 정상 시계 궤적과 이상 시계 궤적을 구분한다. 실험 결과 95.7% 정확도와 26% 감소된 탐지 지연을 달성한다.

상세 분석

STGAT은 기존 시계열 이상 탐지 모델이 “시간은 신뢰할 수 있다”는 전제에 의존하는 한계를 극복한다. 저자들은 디바이스별 로컬 타임 τ_i(t)를 실제 글로벌 타임 t에 드리프트 δ_i(t), 급격한 오프셋 o_i(t), 잡음 η_i(t) 등을 더한 형태로 수식화하고, 이를 ‘시간 연산자’로 정의한다. 이러한 연산자는 연속적 드리프트(확률 과정), 이산적 오프셋(동기화 이벤트), 그리고 32‑bit Unix 타임오버플로우와 같은 급격한 불연속을 모두 포괄한다.

시간 변형을 반영한 ‘드리프트‑인식 임베딩’은 각 타임스탬프를 (t, δ_i(t), η_i(t), o_i(t)) 형태의 다차원 벡터로 변환한다. 이후 트랜스포머 기반의 자기‑어텐션 레이어가 비균일 샘플링과 비선형 시간 흐름을 학습한다. 이때 어텐션 가중치는 시간 차이와 드리프트 크기에 따라 동적으로 조정되어, 급격한 오프셋이나 오버플로우가 발생하면 해당 구간의 가중치가 급증한다.

공간 차원에서는 디바이스 간 물리적 연결망을 그래프 G(V,E)로 모델링하고, 멀티‑헤드 그래프 어텐션을 적용한다. 그래프 어텐션은 인접 노드 간 시간 왜곡의 상관성을 학습함으로써, 한 디바이스에서 발생한 드리프트가 네트워크 전반에 전파되는 패턴을 포착한다. 특히, GPS·NTP 스푸핑 공격처럼 특정 노드에만 오프셋이 가해지는 경우에도 인접 노드의 타임스탬프 변화를 감지해 조기 경보를 가능하게 한다.

잠재 공간의 기하학적 구분을 위해 곡률 정규화(term) L_curv = ‖∇²z‖² (z는 잠재 벡터) 를 손실에 추가한다. 정상 시계 궤적은 저곡률(평탄) 영역에, 이상 시계 궤적은 고곡률(불연속) 영역에 매핑되도록 유도한다. 이는 시계 드리프트와 오버플로우가 잠재 공간에서 명확히 구분되는 효과를 만든다.

실험은 실제 스마트 그리드 계통에서 수집한 전압·전류·주파수·열 데이터에 인위적으로 드리프트, 오프셋, 2038년 오버플로우 시나리오를 삽입해 수행되었다. 비교 대상은 LSTM, GRU, Temporal Convolutional Network, Transformer‑based 시계열 모델, 그리고 기존 시공간 GNN(GST‑Pro, Di‑GNN) 등이다. STGAT은 평균 정확도 95.7%와 F1‑score 0.94를 기록했으며, 가장 높은 Cohen’s d > 1.8을 보였다(p < 0.001). 탐지 지연은 평균 2.3 타임스텝으로, 차세대 모델 대비 26% 감소하였다. 또한, 오버플로우 발생 시에도 정확도가 93% 이상 유지돼, 급격한 불연속에 대한 강인성을 확인했다.

이와 같이 STGAT은 (1) 시간 왜곡을 첫 번째 클래스(First‑class)로 모델링, (2) 드리프트‑인식 임베딩과 자기‑어텐션을 통한 비균일 시간 흐름 학습, (3) 그래프 어텐션을 통한 공간 전파 파악, (4) 곡률 정규화로 잠재 공간에서의 명확한 구분을 구현한다. 이러한 설계는 향후 에너지 IoT뿐 아니라, 산업용 로봇, 스마트 시티 센서망 등 시간 무결성이 핵심인 시스템에 적용 가능성을 시사한다.