최근 발표된 연구에서 차량 내부 네트워크인 CAN(Controller Area Network) 버스에서 발생하는 이상 징후를 효과적으로 탐지하는 새로운 인공지능(AI) 프레임워크가 제시되었습니다. 이 기술은 차량 내 수많은 전자 제어 장치(ECU)들이 주고받는 방대한 통신 데이터 속에서 타이밍, 페이로드 값, 메시지 패턴의 미묘한 변화까지 포착하여 오류, 오작동, 심지어는 의도적인 간섭까지 식별할 수 있습니다. 기존 방식으로는 놓치기 쉬웠던 섬세한 이상 징후를 찾아내는 데 초점을 맞춘 것이 특징입니다.
이 프레임워크의 핵심은 '시간적 트랜스포머 CAN 인코더(Temporal Transformer CAN Encoder)'와 '연합 경량 헤드(Federated Lightweight Heads)'의 결합입니다. 트랜스포머 인코더는 CAN 신호가 시간의 흐름에 따라 어떻게 변화하는지 학습하여 미묘한 시간적, 맥락적 이상을 감지합니다. 여기에 연합 학습(Federated Learning) 메커니즘이 더해져, 여러 차량이나 ECU가 원본 CAN 데이터를 직접 공유하지 않고도 공유 모델을 개선하는 데 협력할 수 있습니다. 이는 데이터 프라이버시를 유지하면서도 다양한 환경의 데이터를 학습하여 탐지 정확도를 높이는 효과를 가져옵니다.
이러한 연합 학습과 시퀀스 모델링의 조합은 효율성과 프라이버시를 동시에 유지하면서도 강력한 이상 탐지 성능을 제공합니다. 오픈소스 데이터셋을 활용한 실험 결과, 이 방식은 기존의 수동 규칙 기반 또는 메시지를 개별적으로 처리하는 방식보다 훨씬 뛰어난 성능을 보였습니다. 이는 차량의 안전과 보안을 한층 강화할 수 있는 중요한 발전이며, 미래 자율주행차 및 커넥티드 카 환경에서 발생할 수 있는 다양한 위협에 대한 방어력을 높이는 데 기여할 것으로 전망됩니다.