완전 비신뢰 차량 협업 인식의 효율적 적대 방어

초록

본 논문은 차량 간 협업 인식(V2V) 환경에서 모든 차량이 악의적일 수 있다는 전제 하에, 이전 프레임의 인식 결과를 동적 기준으로 활용하고 의사난수 그룹화를 통해 매 프레임당 두 번의 검증만으로 악성 차량을 식별하는 Pseudo‑Random Bayesian Inference(PRBI) 방식을 제안한다. 이론적 수렴·안정성을 증명하고, 실험을 통해 평균 2.5회의 검증으로 79.4%~86.9% 수준의 탐지 정밀도를 회복함을 보였다.

상세 분석

PRBI는 세 가지 핵심 아이디어에 기반한다. 첫째, 연속 프레임 간 LiDAR 기반 인식 결과의 Jaccard 유사도가 정상 상황에서는 0.8 정도로 높게 유지되지만, 적대 공격이 가해지면 급격히 0.3 이하로 떨어진다는 실험적 사실을 이용한다. 이를 통해 “이전 프레임은 신뢰할 수 있는 자기‑참조(reference) 신호”라는 가정을 세우고, 별도의 신뢰 차량(e.g., ego) 없이도 현재 프레임의 정상·비정상을 판단한다. 둘째, 모든 차량을 두 개의 의사난수 그룹으로 나누어 각각을 검증한다. 이때 두 그룹 중 하나라도 이전 프레임과의 유사도가 임계값 ε 이하이면 해당 그룹에 속한 차량들의 정상 검증 카운터를 증가시키고, 반대로 유사도가 높으면 비정상 카운터를 증가시킨다. 이 과정은 전체 차량 수 n에 무관하게 매 프레임당 정확히 두 번의 검증만을 요구한다는 점에서 기존 샘플링·분류 기반 방어보다 비용 효율적이다. 셋째, 누적된 정상·비정상 카운터를 바탕으로 베이즈 추론을 수행한다. 전체 그룹이 모두 정상일 확률 P′_ideal≈2^{n‑k}/2^{n}을 이용해 악성 차량 수 k를 로그 변환으로 추정하고, 각 차량의 베이즈 사후 확률 p_i를 계산한다. p_i가 낮은 차량들을 악성 후보군으로 선정하고, T‑test를 통해 추정값이 수렴했는지 검증한다. 수렴이 확인되면 최종 악성 집합 M을 확정하고, 이후 프레임에서는 M에 속한 차량을 배제한 채 협업 인식을 수행한다.

이론적으로 PRBI는 (1) 그룹 검증이 무작위 샘플링과 동등한 확률분포를 갖는다는 증명을 통해 검증 비용이 최소화됨을 보이고, (2) 베이즈 업데이트가 수렴함을 보장하는 마르코프 체인 성질을 제시한다. 실험에서는 n=510, k=14인 다양한 시나리오에서 평균 2.5회의 검증으로 79.4%~86.9%의 탐지 정밀도를 달성했으며, 기존 방법 대비 30% 이상 검증 횟수를 절감하였다. 또한, 공격 종류(PGD, C&W, LiDAR 주입)와 환경 변화(날씨, 교통 밀도)에도 강인함을 유지한다.

PRBI의 장점은 (i) ego 차량에 대한 신뢰 가정이 전혀 필요 없으며, (ii) 차량 수에 비례하지 않는 상수 검증 비용, (iii) 베이즈 기반 확률 추정으로 악성 차량을 빠르게 식별한다는 점이다. 반면, 프레임 간 유사도 임계값 ε 설정이 환경에 따라 민감할 수 있고, 초기 프레임이 완전히 정상이라고 가정하는 부분이 실제 급격한 환경 변화 시 오탐을 유발할 가능성이 있다. 이러한 한계는 적응형 ε 조정 혹은 다중 프레임 평균화 기법으로 보완될 수 있다.