초경량 GNSS 간섭 분류기 GAC KAN 생성형 AI 기반 소비자 엣지 디바이스용

초록

본 논문은 생성형 AI가 탑재된 소비자 전자기기에서 GNSS 신호 방해를 실시간으로 탐지하기 위한 초경량 딥러닝 프레임워크 GAC‑KAN을 제안한다. 물리 기반 시뮬레이션으로 대규모 방해 데이터셋을 생성하고, 비대칭 컨볼루션 블록과 Ghost 모듈을 결합한 다중 스케일 백본(MS‑GAC)으로 스펙트럼‑시간 특징을 효율적으로 추출한다. 최종 분류기는 학습 가능한 스플라인 활성화 함수를 갖는 Kolmogorov‑Arnold Network(KAN)를 사용해 파라미터 수를 0.13 M(≈660배 경량)로 줄이면서 98 % 이상의 정확도를 달성한다.

상세 분석

GAC‑KAN은 두 가지 핵심 문제, 즉 ‘데이터 부족’과 ‘극한 경량화’를 동시에 해결하려는 설계 철학에 기반한다. 첫 번째로 저자들은 물리‑기반 시뮬레이션 파이프라인을 구축해 실제 GNSS 방해 상황을 정밀히 모델링한다. 이는 기존에 실험적으로 수집하기 어려운 다양한 jamming primitive(단일톤, 다중톤, LFM, 펄스, 부분대역 잡음, 비선형 챕)들을 6종류로 정의하고, 각 신호의 시간‑주파수 특성을 STFT 스펙트로그램 형태로 변환한다. 시뮬레이션 파라미터(주파수, 위상, 파워, 스윕 레이트 등)를 무작위화함으로써 데이터 다양성을 확보하고, 실제 전파 환경을 반영한 잡음·다중 경로 효과까지 포함시켜 고신뢰도 합성 데이터를 만든 점이 주목할 만하다.

두 번째로 네트워크 구조는 경량화와 표현력 사이의 트레이드오프를 최소화한다. 기존 경량 모델인 GhostNet은 ‘cheap linear operations’으로 중복 특성을 재생성해 파라미터와 FLOPs를 크게 절감한다. 여기서는 Ghost 모듈에 비대칭 컨볼루션 블록(Asymmetric Convolution Block, ACB)을 결합해 커널 형태를 두 단계(가로·세로)로 분리하고, 학습 단계에서는 풍부한 수용 영역을 제공하면서 추론 시에는 표준 3×3 커널로 병합한다. 이러한 설계는 특히 스펙트로그램과 같이 비대칭적인 시간‑주파수 패턴을 효과적으로 포착한다.

또한 다중 스케일 구조(MS‑GAC)를 도입해 서로 다른 해상도의 특징을 병렬로 추출한다. 저해상도 경로는 전역적인 주파수 대역 차이를 포착하고, 고해상도 경로는 급격한 변동(예: 펄스·칩) 등을 감지한다. 각 스케일의 출력은 좌표 주의 메커니즘(Coordinate Attention)으로 시간‑주파수 축에 대한 위치 정보를 재인코딩해, 중요한 영역에 더 큰 가중치를 부여한다.

분류 헤드로 선택된 KAN은 기존 MLP와 달리 각 연결(edge)에 학습 가능한 스플라인 활성화 함수를 부착한다. 이는 비선형 매핑을 파라미터 수에 비례하지 않게 강화시켜, 0.13 M 파라미터라는 극소 규모에서도 복잡한 결정 경계를 형성한다. 실험 결과 KAN이 동일 파라미터 규모의 MLP 대비 2~3 % 높은 정확도를 보였으며, 특히 SCI와 같은 비선형 챕 신호 구분에서 두드러진 성능 향상을 보였다.

성능 평가에서는 ViT, ResNet, MobileNet 등 최신 경량·대형 모델과 비교했을 때, GAC‑KAN은 98.0 %의 전체 정확도와 0.13 M 파라미터(≈660배 경량)라는 두 마리 토끼를 잡았다. FLOPs와 메모리 사용량도 실시간 추론이 가능한 수준으로, 온‑디바이스 ‘always‑on’ 보안 모듈로서 충분히 실용적이다.

종합하면, GAC‑KAN은 (1) 물리 기반 데이터 합성으로 현실적인 방해 데이터 확보, (2) 비대칭·Ghost 모듈 기반 다중 스케일 백본으로 효율적 특징 추출, (3) 스플라인 기반 KAN 헤드로 파라미터 효율성을 극대화, 라는 세 축을 성공적으로 결합한 최초의 초경량 GNSS 간섭 분류기라 할 수 있다. 향후 실제 CE 제품에 탑재될 경우, 생성형 AI 모델이 차지하는 연산 자원을 최소화하면서도 GNSS 신뢰성을 보장하는 핵심 보안 레이어로 활용될 전망이다.