KR102501268B1

KR102501268B1 - 무인항공기의 행위 분석 시스템, 행위 분석 모델 학습 시스템 및 방법

Info

Publication number: KR102501268B1
Application number: KR1020210112183A
Authority: KR
Inventors: 임강빈; 유일선; 이경률; 김민성
Original assignee: 순천향대학교 산학협력단
Priority date: 2020-08-31
Filing date: 2021-08-25
Publication date: 2023-02-21
Also published as: KR20220029433A

Abstract

본 발명은 무인항공기의 비행이 정상적인 비행인지 혹은 해킹에 의한 악의적인 비행인지를 분석하는 행위 분석 모델을 포함하는 행위 분석 시스템과, 그 행위 분석 모델을 훈련하는 학습 시스템 및 방법에 관한 것이다.
본 발명의 한 실시예에 따른 행위 분석 모델 학습 시스템은, 무인항공기로부터 복수의 실측 거리 오차와 정상 비행 여부 정보를 수집하는 실측값 수집부와; 행위 분석 모델 모듈에 한계 오차 초기값을 입력하고, 상기 복수의 실측 거리 오차 중 하나의 학습용 거리 오차를 상기 행위 분석 모델 모듈에 제공하여 분석 결과값을 제공받으며, 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈에 피드백하는 모델 학습 제어부와; 상기 모델 학습 제어부로부터 한계 오차 초기값을 입력받아 초기 한계 오차로 설정하고, 상기 모델 학습 제어부로부터 입력된 상기 학습용 거리 오차와 상기 한계 오차를 비교하여 정상 비행 또는 악의 비행인지 분석하여 상기 모델 학습 제어부에 상기 분석 결과값을 출력하며, 상기 모델 학습 제어부로부터 피드백받아 상기 한계 오차를 훈련하는 상기 행위 분석 모델 모듈을 포함한다.

Description

무인항공기의 행위 분석 시스템, 행위 분석 모델 학습 시스템 및 방법 {System and Method for Learing Behavioral Analysis Model of a UAV}

본 발명은 무인항공기의 행위 분석 모델링에 관한 것으로서, 보다 상세하게는 무인항공기의 비행이 정상적인 비행인지 혹은 해킹에 의한 악의적인 비행인지를 분석하는 행위 분석 모델을 포함하는 행위 분석 시스템과, 그 행위 분석 모델을 훈련하는 학습 시스템 및 방법에 관한 것이다.

무인항공기(Unmanned Aerial Vehicle; UAV)는 조종사 없이 무선 전파의 유도에 의해 비행 및 조종이 가능한 비행기나 헬리콥터 모양의 군사용 드론을 총칭하는 것으로, 2010년대를 전후로 군사적 용도 외 다양한 민간 분야에서도 활용되고 있다.

도 1은 일반적인 지상 제어 시스템과 무인항공기 사이의 데이터 전송 시스템을 나타낸 블록도이다.

상기 데이터 전송 시스템은, 지상 시스템(110)에서 무인항공기(120)로 명령 또는 제어 정보를 무선으로 전송하는 업 링크(up link)와, 상기 무인항공기(120)에서 상기 지상 시스템(110)으로 상기 무인항공기(120) 및 탑재 장치의 상태 정보를 무선으로 전송하는 다운 링크(down link)를 통해 무선 데이터의 송수신이 가능하도록 이루어진다.

상기 지상 시스템(110)은 상기 무인항공기(120)로 전송해야 하는 제어 정보를 생성하고, 상기 생성된 제어 정보의 암호화를 수행하는 지상 제어부(111)와, 상기 암호화된 제어 정보를 변조하여 상기 무인항공기(120)로 전송하는 지상 통신 디바이스(112)를 포함하여 구성된다.

상기 무인항공기(120)는 상기 지상 시스템(110)으로 전송해야 하는 상기 무인항공기(120)의 상태 정보를 생성하고, 상기 생성된 제어 정보의 암호화를 수행하는 비행 제어부(122)와, 상기 암호화된 상태 정보를 변조하여 상기 지상 시스템(110)으로 전송하는 비행 통신 디바이스(121)를 포함하여 구성된다.

상기 지상 통신 디바이스(112)와 비행 통신 디바이스(121)는 각각 암호화된 신호를 변조하여 전송할 수 있으며, 반대로 암호화되고 변조된 신호를 수신하여 원하는 신호로 복조하게 된다.

통상적으로 무인항공기는 지상 시스템으로부터 부여되는 임무를 수행하기 위한 비행 경로를 설정하고, 해당 비행 경로를 따라 이동하여 임무를 수행한 후 원래의 위치로 복귀한다. 그러나, 무인항공기가 임무를 수행하는 동안의 바람, 배터리 상태, 온도, 프로펠러 속도, 무게 등의 요소로 인해, 설정된 비행 경로를 정확하게 따라 이동하기는 매우 어렵다. 따라서, 무인항공기가 정상적으로 임무를 수행하는 중에도 무인항공기의 설정 비행 경로와 실제 비행 경로 사이에는 어느 정도의 거리적 오차가 발생하게 된다.

한편, 무인항공기는 방송촬영, 물품배송 등의 민간영역에서의 그 활용성이 급속도로 커지고 있으며, 감시/정찰, 탐지 등 군사적으로도 활용도가 매우 높은 기술이다. 무인항공기와 지상 시스템간 무선 통신에 대해 무선 보안에 대한 취약점이 존재한다. 즉, 무인항공기와 지상 시스템 간의 무선 신호를 교란 또는 스니핑(sniffing)하거나, 지상 시스템과 무인항공기 간의 통신을 강제로 단절하고 무단 장비로 무인항공기에 접속하여 무인항공기의 동작을 임의로 제어하는 해킹 등이 발생할 수 있다.

이러한 무인항공기의 해킹 등으로 무인항공기가 악용될 경우, 배달중인 물품을 다른 장소로 배송하거나, 국가 중요 시설에 자폭 공격 등으로 국가 안보에 심각한 위협을 가할 수 있다. 이를 방지하기 위해 종래에는 다양한 해킹 방지 기술이 개발되거나, 악용된 무인항공기의 악의적인 동작을 무력화하는 다양한 안티드론 기술들이 제안되고 있다.

무인항공기에 악의적인 해킹이 가해져서 무인항공기가 정상적인 비행 경로에서 벗어나 다른 경로로 비행하면, 설정 비행 경로와 실제 비행 경로 사이에 거리적 오차가 발생하게 된다.

앞서 설명한 바와 같이 무인항공기가 정상적으로 임무를 수행하는 동안에도 설정 비행 경로와 실제 비행 경로 사이에 거리적 오차가 발생하고, 해킹에 의해 악의적인 비행을 하더라도 설정 비행 경로와 실제 비행 경로 사이에 거리적 오차가 발생한다. 이 때문에 무인항공기의 위치 정보를 기반으로 해당 무인항공기의 현재 비행이 정상적인지 여부를 정확하게 결정하기는 매우 어려우며, 아직까지 무인항공기의 현재 비행이 정상적으로 임무를 수행하는 정상적인 비행인지 혹은 해킹에 의한 악의적인 비행인지를 실시간으로 분석하는 기술은 제안되지 않고 있다.

대한민국 등록특허 제10-2194734호 대한민국 공개특허 제2017-0074369호

본 발명은 종래 기술의 문제점을 해결하기 위해 안출된 것으로서, 무인항공기의 설정 비행 경로와 실제 비행 경로의 거리 오차를 기반으로 무인항공기가 정상적인 비행 상태인지 혹은 악의적인 비행 상태인지를 분석하는 무인항공기의 행위 분석 모델을 구비한 행위 분석 시스템을 제공하는데 그 목적이 있다.

또한, 본 발명은 무인항공기의 행위 분석 모델의 분석 정확도를 향상시키는 학습 시스템 및 방법을 제공하는데 그 목적이 있다.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

본 발명의 한 실시예에 따른 행위 분석 모델 학습 시스템은, 무인항공기로부터 복수의 실측 거리 오차와 정상 비행 여부 정보를 수집하는 실측값 수집부와; 행위 분석 모델 모듈에 한계 오차 초기값을 입력하고, 상기 복수의 실측 거리 오차 중 하나의 학습용 거리 오차를 상기 행위 분석 모델 모듈에 제공하여 분석 결과값을 제공받으며, 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈에 피드백하는 모델 학습 제어부와; 상기 모델 학습 제어부로부터 한계 오차 초기값을 입력받아 초기 한계 오차로 설정하고, 상기 모델 학습 제어부로부터 입력된 상기 학습용 거리 오차와 상기 한계 오차를 비교하여 정상 비행 또는 악의 비행인지 분석하여 상기 모델 학습 제어부에 상기 분석 결과값을 출력하며, 상기 모델 학습 제어부로부터 피드백받아 상기 한계 오차를 훈련하는 상기 행위 분석 모델 모듈을 포함한 것을 특징으로 한다.

본 발명의 다른 실시예에 따른 행위 분석 모델 학습 시스템은, 정상 비행하는 무인항공기로부터 복수의 실측 거리 오차 데이터를 수집하는 실측값 수집부와; 악의 비행 무인항공기를 모의하여 복수의 모의 거리 오차 데이터를 생성하는 악의 비행 모의값 생성부와; 행위 분석 모델 모듈에 한계 오차 초기값을 입력하고, 상기 복수의 실측 거리 오차 및 복수의 모의 거리 오차 중 하나의 학습용 거리 오차를 상기 행위 분석 모델 모듈에 제공하여 분석 결과값을 제공받으며, 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈에 피드백하는 모델 학습 제어부와; 상기 모델 학습 제어부로부터 한계 오차 초기값을 입력받아 초기 한계 오차로 설정하고, 상기 한계 오차와 상기 학습용 거리 오차를 비교하여 정상 비행 또는 악의 비행인지 분석하여 상기 모델 학습 제어부에 분석 결과값을 출력하며, 상기 모델 학습 제어부로부터 피드백받아 상기 한계 오차를 훈련하는 상기 행위 분석 모델 모듈을 포함한 것을 특징으로 한다.

본 발명에 따른 행위 분석 모델 학습 방법은, 실측값 수집부가 정상 비행하는 무인항공기로부터 복수의 실측 거리 오차 데이터를 수집하는 제1단계와; 악의 비행 모의값 생성부가 악의 비행 무인항공기를 모의하여 복수의 모의 거리 오차 데이터를 생성하는 제2단계와; 모델 학습 제어부가 행위 분석 모델 모듈에 한계 오차 초기값을 입력하고 상개 행위 분석 모델 모듈이 초기 한계 오차를 설정하는 제3단계와; 상기 모델 학습 제어부가 상기 복수의 실측 거리 오차 및 복수의 모의 거리 오차 중 하나의 학습용 거리 오차를 선정하여 상기 행위 분석 모델 모듈에 제공하는 제4단계와; 상기 행위 분석 모델 모듈이 상기 학습용 거리 오차와 한계 오차를 비교하여 정상 비행 또는 악의 비행인지를 분석하고 분석 결과값을 상기 모델 학습 제어부에 제공하는 제5단계와; 상기 모델 학습 제어부가 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈에 피드백하는 제6단계와; 상기 행위 분석 모델 모듈이 피드백 결과를 기반으로 상기 한계 오차를 훈련하는 제7단계를 포함한 것을 특징으로 한다.

본 발명에 따른 무인항공기의 행위 분석 시스템은, 무인항공기의 설정 비행 경로 정보를 취득하는 설정 비행 경로 정보 취득부와, 상기 무인항공기의 실제 비행 경로 정보를 취득하는 실제 비행 경로 정보 취득부와, 상기 설정 비행 경로 정보와 실제 비행 경로 정보를 이용하여 설정 비행 경로와 실제 비행 경로간의 오차 거리를 산출하는 오차 거리 산출부와, 제12항 내지 제17항의 어느 한 항의 행위 분석 모델 학습 방법에 의해 훈련되며, 상기 오차 거리를 이용하여 상기 무인항공기가 정상 비행인지 악의 비행인지를 판단하는 행위 분석 모델 모듈로 구성된 것을 특징으로 한다.

본 발명에 따르면, 무인항공기의 행위 분석 모델이 무인항공기의 설정 비행 경로와 실제 비행 경로의 거리 오차를 기반으로 무인항공기가 정상적인 비행 상태인지 혹은 악의적인 비행 상태인지를 분석할 수 있어 무인항공기의 해킹에 의해 악의적인 동작을 미연에 방지할 수 있는 잇점이 있다.

또한, 본 발명에 따르면 실제 수집된 데이터뿐만 아니라 의도적으로 산출된 악성 데이터를 기반으로 무인항공기의 행위 분석 모델을 학습하기 때문에, 행위 분석 모델의 분석 정확도를 향상시킬 수 있는 잇점이 있다.

도 1은 일반적인 지상 제어 시스템과 무인항공기 사이의 데이터 전송 시스템을 나타낸 블록도이다.
도 2는 이 발명의 한 실시예에 따른 무인항공기의 행위 분석 시스템을 나타내는 블록도이다.
도 3은 본 발명의 한 실시예에 따른 행위 분석 모델 학습 시스템을 나타내는 블록도이다.
도 4는 본 발명의 다른 실시예에 따른 행위 분석 모델 학습 시스템을 나타내는 블록도이다.
도 5는 본 발명의 한 실시예에 따른 행위 분석 모델 학습 방법을 나타내는 동작 흐름도이다.
도 6과 도 7은 본 발명에 따른 행위 분석 모델의 평가 결과를 도시한 그래프이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 명확하게 설명하기 위해 도면에서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한, 도면을 참고하여 설명하면서, 같은 명칭으로 나타낸 구성일지라도 도면에 따라 도면 번호가 달라질 수 있고, 도면 번호는 설명의 편의를 위해 기재된 것에 불과하고 해당 도면 번호에 의해 각 구성의 개념, 특징, 기능 또는 효과가 제한 해석되는 것은 아니다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에 있어서 '부(部)' 또는 '모듈'이란, 하드웨어 또는 소프트웨어에 의해 실현되는 유닛(unit), 양방을 이용하여 실현되는 유닛을 포함하며, 하나의 유닛이 둘 이상의 하드웨어를 이용하여 실현되어도 되고, 둘 이상의 유닛이 하나의 하드웨어에 의해 실현되어도 된다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.

도 2는 본 발명의 한 실시예에 따른 무인항공기의 행위 분석 시스템을 나타내는 도면이다.

본 발명의 행위 분석 시스템은, 무인항공기의 설정 비행 경로 정보를 취득하는 설정 비행 경로 정보 취득부(21)와, 상기 무인항공기의 실제 비행 경로 정보를 취득하는 실제 비행 경로 정보 취득부(22)와, 상기 설정 비행 경로 정보와 실제 비행 경로 정보를 이용하여 설정 비행 경로와 실제 비행 경로간의 오차 거리를 산출하는 오차 거리 산출부(23)와, 상기 오차 거리를 이용하여 상기 무인항공기가 정상 비행인지 악의 비행인지를 판단하는 행위 분석 모델 모듈(24)로 구성된다.

설정 비행 경로 정보 취득부(21)는 무인항공기가 임무를 수행하기 위해 설정된 설정 비행 경로 정보를 취득하고, 실제 비행 경로 정보 취득부(22)는 GPS 단말 등을 이용하여 무인항공기가 실제 비행한 경로 정보를 취득한다. 실제 비행 경로 정보 취득부는 무인항공기의 높이, 기울기, 속도, 진행 방향 등의 정보를 더 수집할 수 있다.

오차 거리 산출부(23)는 설정 비행 경로 정보와 실제 비행 경로 정보를 이용하여, 임의의 실제 비행 좌표에 대해 최단 거리 이격된 설정 비행 경로상의 좌표와의 오차 거리를 산출한다. 즉, 설정 비행 경로와 실제 비행 경로의 동일한 경도 좌표를 기준으로 선정된 두 지점의 거리 오차를 산출한다. 이때, 임의의 실제 비행 좌표는 비행 경로 상의 한 지점의 좌표일 수도 있고, 임무를 마치고 복귀한 지점의 좌표일 수도 있다.

여기서, 정상 비행이라 함은 설정 비행 경로를 따라 정상적이고 눈에 띄는 악의적인 변화가 없는 무인항공기의 비행 상태를 의미하며, 악의 비행이라 함은 예측되지 않는 범위로 경로를 벗어나거나 상태 변화가 발생한 무인항공기의 비행 상태를 의미한다.

행위 분석 모델 모듈(24)은 상기 오차 거리가 한계 오차를 초과하면 악의적인 비행으로 결정하고, 상기 오차 거리가 한계 오차 이하이면 정상적인 비행으로 결정하는 상태 머신이다. 행위 분석 모델 모듈(24)은 후술하는 행위 분석 모델 학습 시스템에 의해 훈련되어진 모델로서, 이 행위 분석 모델 학습 시스템에 의해 한계 오차가 학습된다.

이러한 본 발명의 행위 분석 모델은 임의의 컴퓨팅 시스템에서 구현될 수 있다. 예를 들면, 행위 분석 모델은 독립형의(stand alone) 컴퓨팅 시스템에서 구현될 수도 있고, 네트워크 등을 통해 상호 통신가능한 분산된(distributed) 컴퓨팅 시스템들에서 구현될 수도 있다. 또한, 행위 분석 모델은 일련의 명령어들을 포함하는 프로그램을 실행하는 프로세서에 의해서 구현된 부분을 포함할 수도 있고, 논리합성(logic synthesis)에 의해서 설계된 로직 하드웨어에 의해서 구현된 부분을 포함할 수도 있다. 본 명세서에서, 프로세서는 프로그램에 포함된 명령어들 및/또는 코드로 표현되는 동작들을 포함하는 미리 정의된 동작들을 실행하기 위하여 물리적으로 구조화된 회로를 포함하는, 하드웨어적으로 구현된(hardware-implemented) 임의의 데이터 처리 장치를 지칭할 수 있다. 예를 들면, 데이터 처리 장치는, 마이크로프로세서, CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit), 프로세서 코어, 멀티-코어프로세서, 멀티 프로세서, ASIC(application-specific integrated circuit), ASIP(application-specificinstruction-set processor) 및 FPGA(field programmable gate array)를 포함할 수 있다.

도 3은 본 발명의 한 실시예에 따른 행위 분석 모델 학습 시스템을 나타내는 블록도이다.

본 발명의 행위 분석 모델 학습 시스템은, 무인항공기로부터 복수의 실측 거리 오차와 정상 비행 여부 정보를 수집하는 실측값 수집부(31)와; 행위 분석 모델 모듈(33)에 한계 오차 초기값을 입력하고 상기 복수의 실측 거리 오차 중 하나의 학습용 거리 오차를 상기 행위 분석 모델 모듈(33)에 제공하여 분석 결과값을 제공받으며 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈(33)에 피드백하는 모델 학습 제어부(32)와; 상기 모델 학습 제어부(32)로부터 한계 오차 초기값을 입력받아 초기 한계 오차로 설정하고 상기 모델 학습 제어부(32)로부터 상기 학습용 거리 오차가 입력되면 상기 한계 오차와 비교하여 정상 비행 또는 악의 비행인지 분석하여 상기 모델 학습 제어부(32)에 상기 분석 결과값을 출력하며 상기 모델 학습 제어부(32)로부터 피드백받아 상기 한계 오차를 훈련하는 상기 행위 분석 모델 모듈(33)로 구성된다.

실측값 수집부(31)는 무인항공기의 설정 비행 경로 정보와 실제 비행 경로 정보를 기반으로 복수의 실측 거리 오차를 수집하고, 해당 비행이 정상 비행인지 혹은 악의 비행인지 정보를 수집한다. 실측값 수집부(31)는 무인항공기의 높이, 기울기, 속도, 진행 방향 등의 정보를 더 수집할 수 있다.

모델 학습 제어부(32)는 먼저 행위 분석 모델 모듈(33)로 한계 오차 초기값을 제공한다. 행위 분석 모델 모듈(33)은 한계 오차 초기값으로 초기 한계 오차를 설정한다. 모델 학습 제어부(32)는 실측값 수집부(31)에서 수집된 학습용 거리 오차를 행위 분석 모델 모듈(33)로 제공하고, 그러면 행위 분석 모델 모듈(33)은 입력된 학습용 거리 오차와 한계 오차를 비교하여 학습용 거리 오차가 한계 오차보다 크면 악의 비행으로 결정하고, 학습용 거리 오차가 한계 오차보다 작으면 정상 비행으로 결정하며, 결정된 분석 결과값(정상 비행/악의 비행)을 모델 학습 제어부(32)에 제공한다. 행위 분석 모델 모듈은 거리 오차 및 한계 오차 외에 다른 매개변수를 더 고려하여 해당 비행이 정상 비행인지 혹은 악의 비행인지 결정할 수 있다.

모델 학습 제어부(32)는 행위 분석 모델 모듈(33)로부터 제공받은 분석 결과값과 해당 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 행위 분석 모델 모듈(33)로 피드백한다.

행위 분석 모델 모듈(33)로의 피드백 정보에는 정상 비행을 정상 비행으로 결정하거나 악의 비행을 악의 비행으로 결정한 정상 탐지, 악의 비행을 정상 비행으로 결정하거나 정상 비행을 악의 비행으로 결정한 오탐지 등이 있다.

행위 분석 모델 모듈(33)이 거리 오차를 기반으로 정상 비행/악의 비행을 결정하고, 그 결정된 분석 결과값을 모델 학습 제어부(32)에 제공하며, 모델 학습 제어부(32)는 행위 분석 모델 모듈(33)에서 결정된 분석 결과값이 실측값 수집부(31)에서 수집된 정상 비행 여부 정보와 일치하면 정상 탐지로 피드백하고, 일치하지 않으면 오탐지로 피드백한다.

행위 분석 모델 모듈(33)은 모델 학습 제어부(32)의 피드백을 받아 한계 오차를 조정하여 오탐지를 최소화하도록 훈련한다.

상기 행위 분석 모델은 결정 트리(decision tree), 랜덤 포레스트(random forest), 그래디언트 부스팅(Gradient Boosting) 중 어느 하나의 기법으로 구현될 수 있다.

이렇게 학습된 행위 분석 모델은 정확도(accuracy), 정밀도(precision), 검출력(recall), f1 점수(f1 score), AUC(Area Under Curve) 등의 지표를 기반으로 평가될 수 있다.

도 3의 실시예에 따르면, 실측값 수집부(31)가 정상 비행과 악의 비행을 통해 다양한 실측값을 수집하면, 행위 분석 모델 모듈(33)이 정상 비행 상태와 악의 비행 상태를 모두 학습하면서 오탐지를 최소화하는 한계 오차를 도출할 수 있다. 그러나, 실측값 수집부(31)는 무인항공기가 악의 비행할 때의 학습용 실측값을 수집하기 쉽지 않다.

이럴 경우, 정상 비행 상태의 실측값을 이용하여 행위 분석 모델 모듈(33)을 학습하여 정상 비행 상태의 특징을 추출하고, 이를 기반으로 악의 비행 상태를 모의하여 학습용 데이터를 생성한다.

아래의 표 1은 정상 비행하는 무인항공기로부터 수집한 453개의 실측 거리 오차에 대해, 행위 분석 모델 모듈이 정상 비행 여부를 탐지한 결과를 도시한다. 여기서, 정상 탐지는 정상 비행을 정상 비행으로 결정하거나 악의 비행을 악의 비행으로 결정한 횟수이며, 오탐지는 정상 비행을 악의 비행으로 결정하거나 악의 비행을 정상 비행으로 결정한 횟수를 의미한다.

한계 오차를 0.0000064로 설정할 경우, 모두 정상 탐지됨을 알 수 있다. 즉, 무인항공기가 정상 비행하는 동안에 설정 비행 경로와 실제 비행 경로와의 거리 오차는 0.0000064를 넘지 않는 것으로 추정할 수 있다.

한계오차 초기값	정상 탐지	오탐지	한계오차 초기값	정상 탐지	오탐지
0.0000004	54	399	0.0000036	383	70
0.0000008	116	337	0.0000040	391	62
0.0000012	162	291	0.0000044	393	60
0.0000016	230	223	0.0000048	395	58
0.0000020	275	178	0.0000052	397	56
0.0000024	311	142	0.0000056	401	52
0.0000028	351	102	0.0000060	431	22
0.0000032	375	78	0.0000064	453	0

도 4는 이 발명의 다른 실시예에 따른 행위 분석 모델 학습 시스템을 나타내는 블록도이다.

본 발명의 행위 분석 모델 학습 시스템은, 정상 비행하는 무인항공기로부터 복수의 실측 거리 오차 데이터를 수집하는 실측값 수집부(41)와; 악의 비행 무인항공기를 모의하여 복수의 모의 거리 오차 데이터를 생성하는 악의 비행 모의값 생성부(42)와; 행위 분석 모델 모듈(44)에 한계 오차 초기값을 입력하고 상기 복수의 실측 거리 오차 및 복수의 모의 거리 오차 중 학습용 거리 오차를 상기 행위 분석 모델 모듈(44)에 제공하여 분석 결과값을 제공받으며 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈(44)에 피드백하는 모델 학습 제어부(43)와; 상기 모델 학습 제어부(43)로부터 한계 오차 초기값을 입력받아 초기 한계 오차로 설정하고 상기 한계 오차와 상기 학습용 거리 오차를 비교하여 정상 비행 또는 악의 비행인지 분석하여 상기 모델 학습 제어부(43)에 분석 결과값을 출력하며 상기 모델 학습 제어부(43)로부터 피드백받아 상기 한계 오차를 훈련하는 상기 행위 분석 모델 모듈(44)로 구성된다.

실측값 수집부(41)는 무인항공기로부터 수집된 설정 비행 경로 정보와 실제 비행 경로 정보를 기반으로 복수의 실측 거리 오차를 수집한다. 이때의 무인항공기는 정상 비행하는 무인항공기로서, 실측값 수집부(41)에서는 정상 비행 실측값만 수집된다. 실측값 수집부(41)는 무인항공기의 높이, 기울기, 속도, 진행 방향 등의 정보를 더 수집할 수 있다.

악의 비행 모의값 생성부(42)는 악의 비행 무인항공기를 모의하여 복수의 모의 거리 오차 데이터를 생성한다. 악의 비행 모의값 생성부(42)에서 생성된 거리 오차는 악의 비행 데이터이다. 이 악의 비행 모의값 생성부(42)는 실측값 수집부(41)에서 수집된 정상 비행 상태의 실측 거리 오차 데이터를 기반으로 생성될 수 있으며, 이를 위해 정상 비행 상태의 실측 거리 오차 데이터만 행위 분석 모델 모듈(44)에서 학습될 수 있다. 모의 거리 오차는 랜덤하게 설정되는 것이 바람직하다.

실측값 수집부(41)에서 수집된 복수의 실측 거리 오차는 정상 비행 데이터이고, 악의 비행 모의값 생성부(42)에서 생성된 모의 거리 오차는 악의 비행 데이터로서, 모델 학습 제어부(43)로 제공된다.

모델 학습 제어부(43)는 행위 분석 모델 모듈(44)로 한계 오차 초기값을 제공한다. 행위 분석 모델 모듈(44)은 한계 오차 초기값으로 초기 한계 오차를 설정한다. 모델 학습 제어부(43)는 정상 비행 상태의 실측 거리 오차 및 악의 비행 상태의 모의 거리 오차 중 학습용 거리 오차를 선정하여 행위 분석 모델 모듈(44)로 제공한다. 행위 분석 모델 모듈(44)은 입력된 학습용 거리 오차를 한계 오차와 비교하여 입력된 거리 오차가 한계 오차보다 크면 악의 비행으로 결정하고, 입력된 거리 오차가 한계 오차보다 작으면 정상 비행으로 결정하며, 결정된 분석 결과값(정상 비행/악의 비행)을 모델 학습 제어부(43)에 제공한다. 모델 학습 제어부(43)는 행위 분석 모델 모듈(44)로부터 제공받은 분석 결과값과 해당 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 행위 분석 모델 모듈(44)로 피드백한다.

행위 분석 모델 모듈(44)로의 피드백 정보에는 정상 비행을 정상 비행으로 결정하거나 악의 비행을 악의 비행으로 결정한 정상 탐지, 악의 비행을 정상 비행으로 결정하거나 정상 비행을 악의 비행으로 결정한 오탐지 등이 있다.

즉, 행위 분석 모델 모듈(44)이 학습용 거리 오차를 기반으로 정상 비행/악의 비행을 결정하고, 그 결정된 분석 결과값을 모델 학습 제어부(43)에 제공하며, 모델 학습 제어부(43)는 행위 분석 모델 모듈(44)에서 결정된 분석 결과값이 해당 학습용 거리 오차의 정상 비행 여부 정보와 일치하면 정상 탐지로 피드백하고, 일치하지 않으면 오탐지로 피드백한다.

행위 분석 모델 모듈(44)은 모델 학습 제어부(43)의 피드백을 받아 한계 오차를 조정하여 오탐지를 최소화하도록 훈련한다.

도 5는 본 발명의 한 실시예에 따른 행위 분석 모델 학습 방법을 나타내는 동작 흐름도이다.

실측값 수집부(41)가 정상 비행하는 무인항공기로부터 복수의 실측 거리 오차 데이터를 수집한다(S51).

모델 학습 제어부(43)가 실측 거리 오차 데이터를 행위 분석 모델 모듈(44)을 통해 학습하여 정상 비행 거리 오차 특성을 추출한다(S52).

악의 비행 모의값 생성부(42)가 정상 비행 거리 오차 특성을 반영하여 악의 비행 상태를 모의한 복수의 모의 거리 오차 데이터를 생성한다(S53).

모델 학습 제어부(43)가 행위 분석 모델 모듈(44)의 초기 한계 오차를 설정한다(S54).

모델 학습 제어부(43)가 실측 거리 오차 데이터와 모의 거리 오차 데이터 중 하나의 학습용 거리 오차를 선정하고(S55), 선정된 학습용 거리 오차를 행위 분석 모델 모듈로 제공하며, 행위 분석 모델 모듈(44)이 학습용 거리 오차와 한계 오차를 비교하여 정상 비행 여부를 분석하고(S56), 그 분석 결과값을 모델 학습 제어부(43)로 제공한다.

모델 학습 제어부(43)가 행위 분석 모델 모듈의 분석 결과값과 학습용 거리 오차의 정상 비행 여부 정보를 비교하여(S57), 그 비교 결과를 행위 분석 모델 모듈로 피드백하며, 행위 분석 모델 모듈(44)을 피드백 결과를 기반으로 한계 오차를 훈련한다(S58).

도 6과 도 7은 본 발명에 따른 행위 분석 모델의 평가 결과를 도시한 그래프이다.

악의 비행 모의값을 생성하기 전과 악의 비행 모의값을 각각 200개, 400개, 600개, 800개를 생성하여, 행위 분석 모델 모듈을 학습시키고, 학습 결과를 정확도(accuracy), 정밀도(precision), 검출력(recall), f1 점수(f1 score), AUC(Area Under Curve) 등의 지표를 기반으로 평가한 결과, 도 6에 도시된 바와 같이 800개의 악의 비행 모의값을 추가 생성하여 학습한 결과 성능이 가장 향상됨을 확인하였다.

아울러, 행위 분석 모델의 학습 기법을 결정 트리(decision tree), 랜덤 포레스트(random forest), 그래디언트 부스팅(Gradient Boosting)로 각각 구현하여, 800개의 악의 비행 모의값을 추가 생성하여 학습한 결과, 도 7에 도시된 바와 같이 그래디언트 부스팅 기법이 가장 성능이 좋은 것을 확인하였다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

21 : 설정 비행 경로 정보 취득부 22 : 실제 비행 경로 정보 취득부
23 : 오차 거리 산출부 24 : 행위 분석 모델 모듈
31,41 : 실측값 수집부 32,43 : 모델 학습 제어부
33,44 : 행위 분석 모델 모듈 42 : 악의 비행 모의값 생성부

Claims

무인항공기로부터 복수의 실측 거리 오차와 정상 비행 여부 정보를 수집하는 실측값 수집부와;
행위 분석 모델 모듈에 한계 오차 초기값을 입력하고, 상기 복수의 실측 거리 오차 중 하나의 학습용 거리 오차를 상기 행위 분석 모델 모듈에 제공하여 분석 결과값을 제공받으며, 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈에 피드백하는 모델 학습 제어부와;
상기 모델 학습 제어부로부터 한계 오차 초기값을 입력받아 초기 한계 오차로 설정하고, 상기 모델 학습 제어부로부터 입력된 상기 학습용 거리 오차와 상기 한계 오차를 비교하여 정상 비행 또는 악의 비행인지 분석하여 상기 모델 학습 제어부에 상기 분석 결과값을 출력하며, 상기 모델 학습 제어부로부터 피드백받아 상기 한계 오차를 훈련하는 상기 행위 분석 모델 모듈을 포함한 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제1항에 있어서, 상기 행위 분석 모델 모듈은 상기 학습용 거리 오차와 한계 오차를 비교하여 상기 학습용 거리 오차가 한계 오차보다 크면 악의 비행으로 결정하고, 상기 학습용 거리 오차가 한계 오차보다 작으면 정상 비행으로 결정하고, 상기 결정된 분석 결과값을 상기 모델 학습 제어부에 제공하는 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제1항에 있어서, 상기 피드백은 정상 비행을 정상 비행으로 결정하거나 악의 비행을 악의 비행으로 결정한 정상 탐지와, 악의 비행을 정상 비행으로 결정하거나 정상 비행을 악의 비행으로 결정한 오탐지를 포함한 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제1항에 있어서, 상기 행위 분석 모델은 결정 트리(decision tree), 랜덤 포레스트(random forest), 그래디언트 부스팅(Gradient Boosting) 중 어느 하나의 기법으로 구현되는 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제1항에 있어서, 상기 행위 분석 모델은 정확도(accuracy), 정밀도(precision), 검출력(recall), f1 점수(f1 score), AUC(Area Under Curve)을 포함한 지표로 평가되는 것을 특징으로 하는 행위 분석 모델 학습 시스템.
정상 비행하는 무인항공기로부터 복수의 실측 거리 오차 데이터를 수집하는 실측값 수집부와;
악의 비행 무인항공기를 모의하여 복수의 모의 거리 오차 데이터를 생성하는 악의 비행 모의값 생성부와;
행위 분석 모델 모듈에 한계 오차 초기값을 입력하고, 상기 복수의 실측 거리 오차 및 복수의 모의 거리 오차 중 하나의 학습용 거리 오차를 상기 행위 분석 모델 모듈에 제공하여 분석 결과값을 제공받으며, 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈에 피드백하는 모델 학습 제어부와;
상기 모델 학습 제어부로부터 한계 오차 초기값을 입력받아 초기 한계 오차로 설정하고, 상기 한계 오차와 상기 학습용 거리 오차를 비교하여 정상 비행 또는 악의 비행인지 분석하여 상기 모델 학습 제어부에 분석 결과값을 출력하며, 상기 모델 학습 제어부로부터 피드백받아 상기 한계 오차를 훈련하는 상기 행위 분석 모델 모듈을 포함한 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제6항에 있어서, 상기 악의 비행 모의값 생성부는 상기 실측값 수집부에서 수집된 정상 비행 상태의 실측 거리 오차 데이터를 기반으로 생성되는 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제6항에 있어서, 상기 행위 분석 모델 모듈은 상기 학습용 거리 오차와 한계 오차를 비교하여 상기 학습용 거리 오차가 한계 오차보다 크면 악의 비행으로 결정하고, 상기 학습용 거리 오차가 한계 오차보다 작으면 정상 비행으로 결정하고, 상기 결정된 분석 결과값을 상기 모델 학습 제어부에 제공하는 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제6항에 있어서, 상기 피드백은 정상 비행을 정상 비행으로 결정하거나 악의 비행을 악의 비행으로 결정한 정상 탐지, 악의 비행을 정상 비행으로 결정하거나 정상 비행을 악의 비행으로 결정한 오탐지를 포함한 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제6항에 있어서, 상기 행위 분석 모델은 결정 트리(decision tree), 랜덤 포레스트(random forest), 그래디언트 부스팅(Gradient Boosting) 중 어느 하나의 기법으로 구현되는 것을 특징으로 하는 행위 분석 모델 학습 시스템.
제6항에 있어서, 상기 행위 분석 모델은 정확도(accuracy), 정밀도(precision), 검출력(recall), f1 점수(f1 score), AUC(Area Under Curve)을 포함한 지표로 평가되는 것을 특징으로 하는 행위 분석 모델 학습 시스템.
실측값 수집부가 정상 비행하는 무인항공기로부터 복수의 실측 거리 오차 데이터를 수집하는 제1단계와;
악의 비행 모의값 생성부가 악의 비행 무인항공기를 모의하여 복수의 모의 거리 오차 데이터를 생성하는 제2단계와;
모델 학습 제어부가 행위 분석 모델 모듈에 한계 오차 초기값을 입력하고 상개 행위 분석 모델 모듈이 초기 한계 오차를 설정하는 제3단계와;
상기 모델 학습 제어부가 상기 복수의 실측 거리 오차 및 복수의 모의 거리 오차 중 하나의 학습용 거리 오차를 선정하여 상기 행위 분석 모델 모듈에 제공하는 제4단계와;
상기 행위 분석 모델 모듈이 상기 학습용 거리 오차와 한계 오차를 비교하여 정상 비행 또는 악의 비행인지를 분석하고 분석 결과값을 상기 모델 학습 제어부에 제공하는 제5단계와;
상기 모델 학습 제어부가 상기 분석 결과값과 상기 학습용 거리 오차의 정상 비행 여부 정보를 비교하여 상기 행위 분석 모델 모듈에 피드백하는 제6단계와;
상기 행위 분석 모델 모듈이 피드백 결과를 기반으로 상기 한계 오차를 훈련하는 제7단계를 포함한 것을 특징으로 하는 행위 분석 모델 학습 방법.
제12항에 있어서, 상기 제2단계는,
상기 악의 비행 모의값 생성부는 상기 실측값 수집부에서 수집된 정상 비행 상태의 실측 거리 오차 데이터를 기반으로 생성되는 것을 특징으로 하는 행위 분석 모델 학습 방법.
제12항에 있어서, 상기 제5단계는,
상기 행위 분석 모델 모듈은 상기 학습용 거리 오차와 한계 오차를 비교하여 상기 학습용 거리 오차가 한계 오차보다 크면 악의 비행으로 결정하고, 상기 학습용 거리 오차가 한계 오차보다 작으면 정상 비행으로 결정하고, 상기 결정된 분석 결과값을 상기 모델 학습 제어부에 제공하는 것을 특징으로 하는 행위 분석 모델 학습 방법.
제12항에 있어서, 상기 피드백은 정상 비행을 정상 비행으로 결정하거나 악의 비행을 악의 비행으로 결정한 정상 탐지, 악의 비행을 정상 비행으로 결정하거나 정상 비행을 악의 비행으로 결정한 오탐지를 포함한 것을 특징으로 하는 행위 분석 모델 학습 방법.
제12항에 있어서, 상기 행위 분석 모델은 결정 트리(decision tree), 랜덤 포레스트(random forest), 그래디언트 부스팅(Gradient Boosting) 중 어느 하나의 기법으로 구현되는 것을 특징으로 하는 행위 분석 모델 학습 방법.
제12항에 있어서, 상기 행위 분석 모델은 정확도(accuracy), 정밀도(precision), 검출력(recall), f1 점수(f1 score), AUC(Area Under Curve)을 포함한 지표로 평가되는 것을 특징으로 하는 행위 분석 모델 학습 방법.
무인항공기의 설정 비행 경로 정보를 취득하는 설정 비행 경로 정보 취득부와,
상기 무인항공기의 실제 비행 경로 정보를 취득하는 실제 비행 경로 정보 취득부와,
상기 설정 비행 경로 정보와 실제 비행 경로 정보를 이용하여 설정 비행 경로와 실제 비행 경로간의 오차 거리를 산출하는 오차 거리 산출부와,
제12항 내지 제17항의 어느 한 항의 행위 분석 모델 학습 방법에 의해 훈련되며, 상기 오차 거리를 이용하여 상기 무인항공기가 정상 비행인지 악의 비행인지를 판단하는 행위 분석 모델 모듈로 구성된 것을 특징으로 하는 무인항공기의 행위 분석 시스템.