KR102217159B1

KR102217159B1 - 기만 신호 탐지를 위한 학습 방법 및 이를 이용한 기만 신호 탐지 장치

Info

Publication number: KR102217159B1
Application number: KR1020200143646A
Authority: KR
Inventors: 김민범; 성영화; 배정호
Original assignee: 국방과학연구소
Priority date: 2020-10-30
Filing date: 2020-10-30
Publication date: 2021-02-19

Abstract

자기지도 학습된 신경망 모델을 지도 학습시켜 기만 공격에 대해 효과적으로 방어할 수 있는 기술에 관한 것이다. 이때, 기만 신호 탐지를 위한 학습 방법은 같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 신경망 모델을 제1 학습시키는 단계; 및 복수 지역에 대응하는 제2 데이터 세트를 이용하여 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계를 포함할 수 있다.

Description

기만 신호 탐지를 위한 학습 방법 및 이를 이용한 기만 신호 탐지 장치{LEARNING METHOD FOR DETECTING SPOOFING SIGNAL AND APPARATUS FOR DETECTING SPOOFING SIGNAL USING THE SAME}

본 명세서의 실시 예는 기만 신호 탐지를 위한 학습 방법 및 이를 이용한 기만 신호 탐지 장치에 관한 것으로, 구체적으로 자기지도 학습된 신경망 모델을 지도 학습시켜 기만 신호를 탐지하는 기술에 관한 것이다.

GPS 데이터에 기초하여 동작하는 무인기와 같은 기기의 경우 감시 및 정찰 임무를 포함한 다양한 임무에 활용되고 있으며 그 범위도 점진적으로 확대되고 있다. 한편, 무인기의 활용 범위가 증가하면서 무인기에 대한 공격도 증가하고 있다. 예를 들면, 기만 신호를 이용한 위성 항법에 대한 공격을 통해 무인기의 정상적인 동작을 방해할 수 있다. 이에, 딥러닝의 발전으로 시계열 이상 탐지(time series anomaly detection)에 딥러닝 모델이 널리 적용되고 있으며, 기만 신호의 탐지에 딥러닝 모델이 적용될 수 있다. 다만, GPS 데이터의 경우 지역에 따라 신호 패턴이 크게 달라지기 때문에 모든 지역에 대한 데이터를 획득하는 것이 어려우며, 딥러닝 모델의 경우 클래스 별 데이터 수가 충분하지 못하면 새로운 유형의 데이터를 강건하게 분류하지 못하고 오분류하는 문제가 있다. 따라서, 일부 지역의 데이터를 이용하여도 다양한 지역에서 기만 신호에 의한 공격을 좀 더 강건하게 방어할 수 있는 기술이 필요하다.

본 명세서의 실시 예는 상술한 문제점을 해결하기 위하여 제안된 것으로 자기지도 학습된 신경망 모델을 지도 학습시켜 다양한 지역에서 기만 신호에 의한 공격에 강건하게 방어할 수 있는 기술에 관한 것이다. 본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시 예 들로부터 또 다른 기술적 과제들이 유추될 수 있다.

상술한 과제를 달성하기 위하여, 본 명세서의 일 실시 예에 따르는 기만 신호 탐지를 위한 학습 방법은 같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 신경망 모델을 제1 학습시키는 단계; 및 복수 지역에 대응하는 제2 데이터 세트를 이용하여 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계를 포함할 수 있다.

실시 예에 따르면, 상기 제2 학습된 신경망 모델을 이용하여 다른 지역의 GPS 데이터에 대한 기만 여부를 탐지하는 단계를 더 포함할 수 있다.

실시 예에 따르면, 상기 제1 학습시키는 단계는, 상기 진 데이터 및 상기 기만 데이터가 임베딩 공간(Embedding Space)에서 멀어지도록 대조 손실(contrastive loss)를 이용하여 상기 신경망 모델을 제1 학습시키는 단계를 포함할 수 있다.

실시 예에 따르면, 상기 신경망 모델은, 상기 대조 손실(contrastive loss)를 이용한 자기지도 학습(self-supervised learning)을 통해 상기 제1 데이터 세트에 대한 기만과 관련된 특징을 분석하는 것을 특징으로 할 수 있다.

실시 예에 따르면, 상기 신경망 모델은, 비유클리드 공간의 특성을 고려하여 코사인 유사도 함수를 이용하여 상기 대조 손실(contrastive loss)를 계산하여 유사도를 추정하는 것을 특징으로 할 수 있다.

실시 예에 따르면, 상기 제2 학습시키는 단계는, 지도 손실(supervised loss)를 이용한 지도 학습(supervised learning)을 통해 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계를 포함할 수 있다.

실시 예에 따르면, 상기 제1 학습시키는 단계는, 지역 별 진 데이터 및 기만 데이터를 대조 손실(contrastive loss)를 이용한 자기지도 학습을 통해 상기 기만 데이터와 관련된 특징을 상기 신경망 모델에 제1 학습시키는 단계를 포함할 수 있다.

실시 예에 따르면, 상기 제2 데이터 세트는, 상기 복수 지역에 대응하는 GPS 데이터를 포함하며, 상기 제1 데이터 세트는, 상기 GPS 데이터로부터 추출된 지역 별 상기 진 데이터 및 상기 기만 데이터와 관련된 상기 페어를 포함하는 것을 특징으로 할 수 있다.

상술한 과제를 달성하기 위하여, 본 명세서의 일 실시 예에 따르는 비일시적 컴퓨터 판독 가능 저장 매체는, 컴퓨터 판독 가능 명령어들을 저장하도록 구성되는 매체를 포함하고, 상기 컴퓨터 판독 가능 명령어들은 프로세서에 의해 실행되는 경우 상기 프로세서가: 같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 신경망 모델을 제1 학습시키는 단계; 및 복수 지역에 대응하는 제2 데이터 세트를 이용하여 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계를 포함하는 기만 신호 탐지를 위한 학습 방법을 수행할 수 있다.

상술한 과제를 달성하기 위하여, 본 명세서의 일 실시 예에 따르는 기만 신호 탐지 장치는 GPS 데이터를 수신하는 통신부; 적어도 하나의 명령어(instruction)를 저장하는 메모리; 및 상기 적어도 하나의 명령어를 실행하여, 기 학습된 신경망 모델을 이용하여 상기 GPS 데이터에 대해 기만 여부를 탐지하는 제어부(controller)를 포함하고, 상기 신경망 모델은, 같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 제1 학습되고, 복수 지역에 대응하는 제2 데이터 세트를 이용하여 제2 학습될 수 있다.

기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 명세서의 실시 예에 따르면 아래와 같은 효과가 하나 혹은 그 이상 있다. 일부 지역의 진 데이터 및 기만 데이터를 이용하여 자기지도 학습함으로써 기만 자체의 특성을 추출하여 학습할 수 있다. 이때, 자기지도 학습 단계를 통해 대조 손실(contrastive loss)를 이용하여 기만 자체의 특성을 추출하여 학습함으로써 다양한 지역에서 기만 신호에 의한 공격을 좀 더 강건하게 방어할 수 있다. 자기지도 학습된 신경망 모델이 지도 학습됨으로써 기만 신호를 보다 정확히 탐지하여, 기만 신호에 영향을 받지 않고 정상적인 업무를 수행할 수 있다.

실시 예의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당해 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시 예에 따른 기만 신호에 의한 공격을 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 기만 신호 탐지 장치가 기만 신호 여부를 탐지하는 것을 설명하기 위한 도면이다.
도 3은 일 실시 예에 따른 신경망 모델의 학습 방법을 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른 기만 신호 탐지를 위한 학습 방법을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 기만 신호 탐지 장치의 블록도를 나타낸다.

실시 예들에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 “~부”, “~모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

명세서 전체에서 기재된 “a, b, 및 c 중 적어도 하나”의 표현은, ‘a 단독’, ‘b 단독’, ‘c 단독’, ‘a 및 b’, ‘a 및 c’, ‘b 및 c’, 또는 ‘a,b,c 모두’를 포괄할 수 있다.

이하에서 언급되는 "단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말은 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication), CDMA(Code Division Multiple Access), W-CDMA(W-Code Division Multiple Access), LTE(Long Term Evolution) 등의 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

이하에서는 도면을 참조하여 본 개시의 실시 예들을 상세히 설명한다.

도 1은 일 실시 예에 따른 기만 신호에 의한 공격을 설명하기 위한 도면이다.

도 1을 참조하면, 무인기(140)는 위성(110, 120, 130)으로부터 무선 통신망(예를 들면, 위성 통신망)을 통해 GPS 데이터를 수신할 수 있고, 수신한 GPS 데이터를 이용하여 동작을 수행할 수 있다. 도 1에 도시된 기기는 본 실시 예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

위성(110, 120, 130)이 송신한 진 신호(authentic signal)는 무인기(140)뿐만 아니라 기만 장치(150)도 수신할 수 있고, 기만 장치(150)는 진 신호에 기초하여 기만 신호(spoofed signal)를 생성할 수 있고, 생성한 기만 신호를 무인기(140)로 송신할 수 있다. 도 1에 도시된 위성(110, 120, 130)은 설명하기 위한 일례에 불과하고, 이외 다양한 위성이 포함될 수 있다. 이때, 기만 신호는 스푸핑(spoofing) 방식에 의해 생성된 신호로서 진 신호와 유사한 동기화된 신호일 수 있고, 무인기(140)는 기만 신호에 의해 정상적인 동작이 불가능할 수 있다.

기만 신호 탐지 장치는 무인기(140)에 물리적 또는 논리적으로 포함되어 그 기능을 수행할 수 있다. 구체적으로, 기만 신호 탐지 장치는 기만 신호와 진 신호를 구분할 수 있고, 이에 무인기(140)는 진 신호에 의해 정상적인 동작을 수행할 수 있다. 기만 신호 탐지 장치와 관련하여 보다 구체적인 내용은 이하 다른 도면에서 자세히 설명한다.

도 2는 일 실시 예에 따른 기만 신호 탐지 장치가 기만 신호 여부를 탐지하는 것을 설명하기 위한 도면이다.

도 2를 참조하면, 기만 신호 탐지 장치(210)는 사전에 학습된 신경망 모델을 이용하여 GPS 데이터(220)가 기만 신호 인지 여부를 탐지할 수 있다. 신경망 모델은 같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 제1 학습될 수 있다. 이때, 진 데이터는 진 신호에 대응하는 데이터일 수 있고, 기만 데이터는 기만 신호에 대응하는 데이터일 수 있다. 이후, 신경망 모델은 복수 지역에 대응하는 제2 데이터 세트를 이용하여 제2 학습될 수 있다. 신경망 모델이 학습되는 구체적인 과정은 이하 도 3에서 자세히 설명한다.

학습된 신경망 모델을 포함하는 기만 신호 탐지 장치(210)는 수신한 GPS 데이터(220)가 진 신호(230)인지 기만 신호(240)인지 여부를 탐지할 수 있다. GPS 데이터(220)가 진 신호(230)로 판단된 경우, 기만 신호 탐지 장치(210)를 포함하는 무인기는 GPS 데이터(220)를 이용하여 정상적인 동작을 수행할 수 있다. GPS 데이터(220)가 기만 신호(240)로 판단된 경우, 기만 신호 탐지 장치(210)를 포함하는 무인기는 GPS 데이터(220)를 이용하지 않을 수 있다.

도 3은 일 실시 예에 따른 신경망 모델의 학습 방법을 설명하기 위한 도면이다.

GPS 데이터는 지역에 따라, 시간에 따라 그리고 지형에 따라 신호 패턴이 달라질 수 있다. 비선형 분류와 관련하여 장점을 가지는 딥러닝의 경우 클래스 별 데이터 수가 충분하지 못하면 성능이 좋지 않을 수 있다. 따라서, 특정 지역의 진 데이터와 기만 데이터를 이용하여 학습한 신경망 모델이 다른 지역에서는 기만 신호 탐지에 실패할 가능성이 존재할 수 있다. 이에, 일부 지역의 GPS 데이터(310)를 획득하여 학습한 경우에도, 다른 지역에서 기만 신호에 의한 기만 공격을 방어할 수 있는 신경망 모델이 필요하다.

도 3을 참조하면, GPS 데이터(310)는 각각의 지역 별로 진 데이터 및 기만 데이터를 포함할 수 있다. 예를 들면, GPS 데이터(310)는 지역 1에 대한 적어도 하나의 진 데이터 및 기만 데이터를 포함할 수 있고, 지역 2에 대한 적어도 하나의 진 데이터 및 기만 데이터를 포함할 수 있고, 마찬가지로 지역 N에 대한 적어도 하나의 진 데이터 및 기만 데이터를 포함할 수 있다. GPS 데이터(310)로부터 제1 데이터 세트 및 제2 데이터 세트가 추출될 수 있다.

이때, 제1 데이터 세트는 같은 지역에 대응하는 진 데이터 및 기만 데이터를 페어(pair)로 묶은 지역 별 데이터 세트일 수 있다. 예를 들면, 제1 데이터 세트는 지역 1에 대한 진 데이터 1 및 기만 데이터 1을 페어로 묶은 데이터 세트, 지역 1에 대한 진 데이터 2 및 기만 데이터 2를 페어로 묶은 데이터 세트, 지역 1에 대한 진 데이터 N 및 기만 데이터 N을 페어로 묶은 데이터 세트를 포함할 수 있다. 또한, 제1 데이터 세트는 지역 2에 대한 진 데이터 1 및 기만 데이터 1을 페어로 묶은 데이터 세트, 지역 2에 대한 진 데이터 2 및 기만 데이터 2를 페어로 묶은 데이터 세트, 지역 2에 대한 진 데이터 N 및 기만 데이터 N을 페어로 묶은 데이터 세트를 포함할 수 있다. 또한, 제1 데이터 세트는 지역 N에 대한 진 데이터 1 및 기만 데이터 1을 페어로 묶은 데이터 세트, 지역 N에 대한 진 데이터 2 및 기만 데이터 2를 페어로 묶은 데이터 세트, 지역 N에 대한 진 데이터 N 및 기만 데이터 N을 페어로 묶은 데이터 세트를 포함할 수 있다. 즉, 제1 데이터 세트는 지역 1에 대한 진 데이터 및 기만 데이터를 페어로 묶은 데이터 세트, 지역 2에 대한 진 데이터 및 기만 데이터를 페어로 묶은 데이터 세트, 지역 N에 대한 진 데이터 및 기만 데이터를 페어로 묶은 데이터 세트를 포함할 수 있다.

또한, 제2 데이터 세트는 복수 지역에 대응하는 GPS 데이터를 포함하는 데이터 세트일 수 있다. 구체적으로, 제1 데이터 세트와 달리, 제2 데이터 세트는 지역 별로 진 데이터 및 기만 데이터를 구분하지 않고 획득한 모든 지역의 GPS 데이터를 섞은 데이터 세트일 수 있다. 예를 들면, 제2 데이터 세트는 지역 1에 대한 GPS 데이터, 지역 2에 대한 GPS 데이터, 지역 N에 대한 GPS 데이터를 모두 섞은 데이터 세트일 수 있다.

신경망 모델(320)은 컨볼루셔널 뉴럴 네트워크(Convolutional Neural Network, ConvNet)일 수 있다. 이때, 신경망 모델(320)은 멀티-헤드 형태의 뉴럴 네트워크일 수 있다. 구체적으로, 신경망 모델(320)은 제1 데이터 세트를 이용하여 자기지도 학습되는 헤드 1과 제2 데이터 세트를 이용하여 지도 학습되는 헤드 2를 포함하는 멀티-헤드 형태의 뉴럴 네트워크일 수 있다.

GPS 데이터(310)가 신경망 모델(320)을 통과하면 2가지 결과가 출력될 수 있다. 먼저, GPS 데이터(310)으로부터 도출된 제1 데이터 세트를 이용하여 신경망 모델(320)은 자기지도 학습(self-supervised learning)(330)될 수 있고, 또한 GPS 데이터(310)으로부터 도출된 제2 데이터 세트를 이용하여 자기지도 학습된 신경망 모델(320)은 지도 학습(supervised learning)(340)될 수 있다.

구체적으로, 지역 1에 대한 제1 데이터 세트는 진 데이터(331) 및 기만 데이터(333)를 페어(pair)로 묶은 데이터 세트를 포함할 수 있다. 도 3은 일례로서 지역 1에 대한 적어도 하나의 진 데이터(331)와 기만 데이터(333)를 나타내고 있다. 신경망 모델(320)은 임베딩 공간(Embedding space)에서 표시되는 진 데이터(331) 및 기만 데이터(333) 간의 거리(335)가 멀어지도록 대조 손실(contrastive loss)를 이용하여 학습될 수 있다. 구체적으로, 신경망 모델(320)은 임베딩 공간에서 진 데이터(331) 및 기만 데이터(333) 간의 거리(335)가 최대한 멀어지도록 대조 손실(contrastive loss)를 이용하여 학습될 수 있다. 이때, 신경망 모델(320)은 비유클리드 공간의 특성을 고려하여 코사인 유사도 함수를 이용하여 대조 손실(contrastive loss)를 계산하여 유사도를 추정할 수 있다. 즉, 신경망 모델(320)은 진 데이터(331) 및 기만 데이터(333)간의 유사도가 최대한 낮아지도록 대조 손실(contrastive loss)를 이용하여 학습될 수 있다. 도 3과 같이, 제1 데이터 세트에 포함된 적어도 하나의 진 데이터(331)과 기만 데이터(333) 간의 거리(335)가 최대한 멀어지도록 신경망 모델(320)은 자기지도 학습될 수 있다. 따라서, 신경망 모델(320)은 대조 손실(contrastive loss)를 이용한 헤드 1에 대한 자기지도 학습(self-supervised learning)(330)을 통해 제1 데이터 세트에 대한 기만과 관련된 특징을 분석하여 학습될 수 있다. 또한, 지역 1과 마찬가지로, 지역 2에 대한 제1 데이터 세트를 이용하여 신경망 모델(320)은 자기지도 학습될 수 있고, 지역 N에 대한 제1 데이터 세트를 이용하여 신경망 모델(320)은 자기지도 학습될 수 있다. 이에, 신경망 모델(320)은 적어도 하나의 기만 데이터(333)를 자기지도 학습하여, GPS 데이터에 포함된 기만 신호의 특징을 추출하도록 학습될 수 있다.

또한, 자기지도 학습(330)된 신경망 모델(320)은 제2 데이터 세트를 이용하여 지도 학습(340)될 수 있다. 구체적으로, 자기지도 학습(330)된 신경망 모델(320)은 지도 손실(supervised loss)를 이용하여 지도 학습(340)될 수 있다. 신경망 모델(320)은 데이터가 진 신호이면 '0'으로, 기만 신호이면 '1'로 라벨링할 수 있다.

실시 예에 따르면, 2 단계의 학습을 통한 신경망 모델(320)을 이용하여 기만 신호에 대한 탐지의 정확성이 향상될 수 있다. 구체적으로, 제1 데이터 세트를 이용한 자기지도 학습 및 제2 데이터 세트를 이용한 지도 학습을 통한 신경망 모델(320)을 이용할 경우, 다른 지역에서 획득한 GPS 데이터로부터 기만 신호를 보다 정확히 탐지할 수 있다.

도 4는 일 실시 예에 따른 기만 신호 탐지를 위한 학습 방법을 설명하기 위한 도면이다.

도 4를 참조하면, 단계 S410에서 GPS 데이터가 획득될 수 있다. 이때, GPS 데이터는 각각의 지역 별로 진 데이터 및 기만 데이터를 포함할 수 있다. 예를 들면, GPS 데이터는 지역 A에 대한 진 데이터 1 - 기만 데이터 1, 진 데이터 2 - 기만 데이터 2, 진 데이터 N ~ 기만 데이터 N을 포함할 수 있다. 또한, GPS 데이터는 지역 B에 대한 진 데이터 1 - 기만 데이터 1, 진 데이터 2 - 기만 데이터 2, 진 데이터 N ~ 기만 데이터 N을 포함할 수 있다. 또한, GPS 데이터는 지역 C에 대한 진 데이터 1 - 기만 데이터 1, 진 데이터 2 - 기만 데이터 2, 진 데이터 N ~ 기만 데이터 N을 포함할 수 있다.

단계 S420에서, 신경망 모델은 진 데이터 및 기만 데이터와 관련된 페어를 포함하는 제1 데이터 세트를 이용하여 제1 학습될 수 있다.

여기서, 제1 데이터 세트는 GPS 데이터로부터 추출된 지역 별 진 데이터 및 기만 데이터와 관련된 페어를 포함하는 데이터 세트일 수 있다. 구체적으로, 제1 데이터 세트는 같은 지역에 대응하는 진 데이터 및 기만 데이터를 페어로 묶은 데이터 세트일 수 있다.

이때, 진 데이터 및 기만 데이터가 임베딩 공간에서 멀어지도록 대조 손실(contrastive loss)를 이용하여 신경망 모델이 학습될 수 있다. 신경망 모델은 비유클리드 공간의 특성을 고려하여 코사인 유사도 함수를 이용하여 대조 손실(contrastive loss)를 계산하여 유사도를 추정할 수 있고, 이때 진 데이터와 기만 데이터 간의 유사도가 최대한 낮아지도록 대조 손실(contrastive loss)를 이용하여 학습될 수 있다. 따라서, 대조 손실(contrastive loss)를 이용한 자기지도 학습된 신경망 모델은 제1 데이터 세트에 대한 기만과 관련된 특징을 분석하여 학습할 수 있다.

단계 S430에서, 제1 학습된 신경망 모델은 제2 데이터 세트를 이용하여 제2 학습될 수 있다.

여기서, 제2 데이터 세트는 복수 지역에 대응하는 GPS 데이터를 포함하는 데이터 세트일 수 있다. 구체적으로, 제1 데이터 세트와 달리, 제2 데이터 세트는 지역 별로 진 데이터 및 기만 데이터를 구분하지 않고 획득한 모든 지역의 GPS 데이터를 섞은 데이터 세트일 수 있다. 예를 들면, 제2 데이터 세트는 지역 A에 대한 GPS 데이터, 지역 B에 대한 GPS 데이터, 지역 C에 대한 GPS 데이터를 모두 섞은 데이터 세트일 수 있다. 신경망 모델은 제2 데이터 세트를 이용하여 지도 손실(supervised loss)를 이용한 지도 학습(supervised learning)를 통해 제2 학습될 수 있다.

실시 예에 따르면, 지도 학습 전에 자기지도 학습된 신경망 모델을 이용함으로써 기만 신호에 대한 탐지의 정확성이 향상될 수 있다. 구체적으로, 지도 학습 전에 자기지도 학습된 신경망 모델을 이용함으로써 다른 지역의 GPS 데이터에 대한 기만 여부를 보다 정확히 탐지할 수 있고, 무인기는 기만 공격을 방어하고 정상적인 동작을 수행할 수 있다.

도 5는 일 실시 예에 따른 기만 신호 탐지 장치의 블록도를 나타낸다.

기만 신호 탐지 장치(500)은 일 실시 예에 따라 통신부(510), 메모리(520) 및 제어부(530)을 포함할 수 있다. 도 5에 도시된 기만 신호 탐지 장치(500)은 본 실시 예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 5에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 기만 신호 탐지 장치(500)는 전술한 신경망 모델을 탑재할 수 있으며, 중복되는 내용에 대해서는 설명을 생략한다.

통신부(510)는 유무선 통신을 수행할 수 있는 기기로서, 기만 신호 탐지 장치(500)는 통신부(510)을 이용하여 GPS 데이터를 수신 및 획득할 수 있다. 메모리(520)는 적어도 하나의 명령어(instruction)을 저장하는 기기일 수 있다. 예를 들어, 메모리(520)는 신경망 모델에서 처리된 데이터들 및 처리될 데이터들을 저장할 수 있다. 메모리(520)는 DRAM(Dynamic Random Access Memory), SRAM(Static Random Access Memory)등과 같은 RAM(Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(Hard Disk Drive), SSD(Solid State Drive) 또는 플래시 메모리를 포함할 수 있다.

제어부(530)는 기만 신호 탐지 장치(500)의 전반의 동작을 제어하고 데이터 및 신호를 처리할 수 있다. 제어부(530)는 적어도 하나의 하드웨어 유닛으로 구성될 수 있다. 또한, 제어부(530)는 메모리(520)에 저장된 프로그램 코드를 실행하여 생성되는 하나 이상의 소프트웨어 모듈에 의해 동작할 수 있다. 제어부(530)는 메모리(520)에 저장된 프로그램 코드를 실행하여 기만 신호 탐지 장치(500)의 전반의 동작을 제어하고 데이터 및 신호를 처리할 수 있다. 제어부(530)는 기만 신호 탐지 장치(500) 내에 구비된 CPU(Central Processing Unit), GPU(Graphics Process Unit), AP(Application Processor)등으로 구현될 수 있으나, 이에 제한되지 않는다.

제어부(530)는 통신부(510)이 획득한 GPS 데이터를 이용하여 제1 데이터 세트와 제2 데이터 세트를 추출할 수 있다. 또한 제어부(530)는 제1 데이터 세트를 이용하여 신경망 모델을 자기지도 학습시킨 후, 제2 데이터 세트를 이용하여 신경망 모델을 지도 학습시킬 수 있다. 이에, 자기지도 학습 이후 지도 학습된 신경망 모델은 기만 신호를 보다 정확히 탐지할 수 있고, 기만 신호 탐지 장치(500)가 탑재된 무인기는 기만 공격을 방어하여 정상적인 동작을 수행할 수 있다.

전술한 실시 예들에 따른 전자 장치 또는 단말은, 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-Access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.

본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.

전술한 실시예들은 일 예시일 뿐 후술하는 청구항들의 범위 내에서 다른 실시예들이 구현될 수 있다.

Claims

같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 신경망 모델을 제1 학습시키는 단계; 및
복수 지역에 대응하는 제2 데이터 세트를 이용하여 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계를 포함하고,
상기 제1 학습시키는 단계는,
상기 진 데이터 및 상기 기만 데이터가 임베딩 공간(Embedding Space)에서 멀어지도록 대조 손실(contrastive loss)를 이용하여 상기 신경망 모델을 제1 학습시키는 단계를 포함하고,
상기 제2 학습시키는 단계는,
지도 손실(supervised loss)를 이용한 지도 학습(supervised learning)을 통해 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계를 포함하고,
상기 제2 데이터 세트는, 상기 복수 지역에 대응하는 GPS 데이터를 포함하며, 상기 제1 데이터 세트는, 상기 GPS 데이터로부터 추출된 지역 별 상기 진 데이터 및 상기 기만 데이터와 관련된 상기 페어를 포함하는,
기만 신호 탐지를 위한 학습 방법.
제1항에 있어서,
상기 제2 학습된 신경망 모델을 이용하여 다른 지역의 GPS 데이터에 대한 기만 여부를 탐지하는 단계를 더 포함하는,
기만 신호 탐지를 위한 학습 방법.
삭제
제1항에 있어서,
상기 신경망 모델은,
상기 대조 손실(contrastive loss)를 이용한 자기지도 학습(self-supervised learning)을 통해 상기 제1 데이터 세트에 대한 기만과 관련된 특징을 분석하는 것을 특징으로 하는,
기만 신호 탐지를 위한 학습 방법.
제1항에 있어서,
상기 신경망 모델은,
비유클리드 공간의 특성을 고려하여 코사인 유사도 함수를 이용하여 상기 대조 손실(contrastive loss)를 계산하여 유사도를 추정하는 것을 특징으로 하는,
기만 신호 탐지를 위한 학습 방법.
삭제
제1항에 있어서,
상기 제1 학습시키는 단계는,
지역 별 진 데이터 및 기만 데이터를 대조 손실(contrastive loss)를 이용한 자기지도 학습을 통해 상기 기만 데이터와 관련된 특징을 상기 신경망 모델에 제1 학습시키는 단계를 포함하는,
기만 신호 탐지를 위한 학습 방법.
삭제
비일시적 컴퓨터 판독 가능 저장 매체로서,
컴퓨터 판독 가능 명령어들을 저장하도록 구성되는 매체를 포함하고,
상기 컴퓨터 판독 가능 명령어들은 프로세서에 의해 실행되는 경우 상기 프로세서가:
같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 신경망 모델을 제1 학습시키는 단계; 및
복수 지역에 대응하는 제2 데이터 세트를 이용하여 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계
를 포함하고
상기 제1 학습시키는 단계는,
상기 진 데이터 및 상기 기만 데이터가 임베딩 공간(Embedding Space)에서 멀어지도록 대조 손실(contrastive loss)를 이용하여 상기 신경망 모델을 제1 학습시키는 단계를 포함하고,
상기 제2 학습시키는 단계는,
지도 손실(supervised loss)를 이용한 지도 학습(supervised learning)을 통해 상기 제1 학습된 신경망 모델을 제2 학습시키는 단계를 포함하고,
상기 제2 데이터 세트는, 상기 복수 지역에 대응하는 GPS 데이터를 포함하며, 상기 제1 데이터 세트는, 상기 GPS 데이터로부터 추출된 지역 별 상기 진 데이터 및 상기 기만 데이터와 관련된 상기 페어를 포함하는,
기만 신호 탐지를 위한 학습 방법을 수행하도록 하는, 비일시적 컴퓨터 판독 가능 저장 매체.
GPS 데이터를 수신하는 통신부;
적어도 하나의 명령어(instruction)를 저장하는 메모리; 및
상기 적어도 하나의 명령어를 실행하여, 기 학습된 신경망 모델을 이용하여 상기 GPS 데이터에 대해 기만 여부를 탐지하는 제어부(controller)를 포함하고,
상기 신경망 모델은, 같은 지역에 대응하는 진 데이터(authentic data) 및 기만 데이터(spoofed data)와 관련된 페어(pair)를 포함하는 제1 데이터 세트를 이용하여 제1 학습되고, 복수 지역에 대응하는 제2 데이터 세트를 이용하여 제2 학습되고,
상기 제1 학습은,
상기 진 데이터 및 상기 기만 데이터가 임베딩 공간(Embedding Space)에서 멀어지도록 대조 손실(contrastive loss)를 이용한 상기 신경망 모델의 학습을 포함하고,
상기 제2 학습은,
지도 손실(supervised loss)를 이용한 지도 학습(supervised learning)을 통해 상기 제1 학습된 신경망 모델의 학습을 포함하고,
상기 제2 데이터 세트는, 상기 복수 지역에 대응하는 GPS 데이터를 포함하며, 상기 제1 데이터 세트는, 상기 GPS 데이터로부터 추출된 지역 별 상기 진 데이터 및 상기 기만 데이터와 관련된 상기 페어를 포함하는,
기만 신호 탐지 장치.