C‑UAS 신호처리를 위한 신뢰성 있는 머신러닝 설계와 확률 해킹 방지

초록

본 논문은 무인항공기 위협에 대응하기 위한 C‑UAS에 머신러닝 기반 신호처리 기술을 적용하면서, 성능 과대평가(확률 해킹) 위험을 식별하고 이를 방지하기 위한 법·기술 요구사항을 제시한다. 시나리오 기반 방법론을 통해 능력 격차 분석, 시나리오 설계, 요구사항 도출, 검증·구현 단계로 구성된 절차를 제시하고, 사전 등록·투명성·법적 검증 등을 포함한 ‘신뢰할 수 있는 ML’ 프레임워크를 제안한다.

상세 분석

이 논문은 C‑UAS(대무인항공기 시스템)의 핵심 기능인 신호 탐지·추적·분류 단계에 머신러닝(ML), 특히 순환 신경망(RNN)을 적용함으로써 기존 레이더 기반 탐지의 한계를 극복하려는 시도를 다룬다. 저자는 먼저 ‘능력 격차 분석(capability gap analysis)’을 통해 현재 레이더 시스템이 소형 무인항공기(sUAS)의 낮은 레이더 단면(RCS)과 복잡한 지형 잡음 때문에 탐지율이 낮다는 문제를 확인한다. 이어서 ‘시나리오 설계’ 단계에서는 민간 보안 작전과 군사 작전을 모두 포괄하는 상황을 설정하고, 합법적 무력 사용 요건(정당성, 분쟁 유형, 환경, 중요 인프라 영향 최소화)을 법적 프레임워크와 결합한다. 여기서 핵심은 ML이 제공하는 성능 향상이 법적·윤리적 기준을 위배하지 않도록 사전 검증이 필요하다는 점이다.

‘요구사항 도출’ 단계에서는 책임 있는 AI(RAI)와 MLops(ML 운영) 원칙을 기반으로, (1) 알고리즘·데이터셋 사전 등록(pre‑registration), (2) 성능 평가 프로토콜의 투명한 공개, (3) 데이터 편향 및 오류 원인에 대한 사전 설명, (4) 법적 검토와 연계된 ‘법에 의한 설계(legal‑by‑design)’를 제시한다. 이러한 요구사항은 기존 ‘법의 지배(rule of law)’ 메커니즘에 직접 삽입될 수 있도록 제도적 연계 방안을 논의한다.

‘검증·구현’ 단계에서는 요구사항을 실제 R&D·조달 프로세스에 통합하는 방법을 제시한다. 예를 들어, 사전 등록된 연구 설계는 독립적인 감사기관이 검증하도록 하고, 성능 결과는 사후 검증용 메타데이터와 함께 공개 저장소에 보관한다. 이를 통해 ‘확률 해킹(p‑hacking)’—즉, 성능 지표를 조작하거나 선택적으로 보고함으로써 실제 정확도를 과대평가하는 행위—를 방지한다.

논문은 특히 ‘암묵적(p‑hacking)’ 사례를 들어, 한 스타트업이 고정익(FW) UAS 데이터만으로 훈련한 RNN을 다양한 환경에 적용하면서 실제 성능이 급격히 저하되는 상황을 설명한다. 이는 데이터셋 선택 편향과 검증 절차 부재가 초래한 전형적인 확률 해킹 사례이며, 사전 등록·투명성·법적 검증이 없을 경우 실전에서 심각한 오판을 야기할 수 있음을 강조한다.

전반적으로 이 연구는 기술적 혁신과 법·윤리적 책임 사이의 균형을 맞추기 위한 ‘시나리오 기반 방법론’을 제시하고, C‑UAS에 적용되는 ML 시스템이 신뢰성을 확보하려면 기술적 투명성, 법적 검증, 운영적 감시가 동시에 이루어져야 함을 설득력 있게 논증한다.