소셜러닝 기반 데이터 위조 방어 체계

본 논문은 사물인터넷(IoT) 환경에서 널리 배치되는 센서 네트워크가 물리적·사이버 공격에 취약하다는 점을 출발점으로 한다. 특히, 공격자가 네트워크 토폴로지를 완전히 파악하고 가장 중요한 노드(일반 센서 혹은 Fusion Center)를 장악해 가짜 데이터를 전파하는 ‘데이터 위조(바이젠틴) 공격’에 초점을 맞춘다. 기존 연구들은 대부분 별형 혹은 트리형 구조를 전제로 하여, 중앙집합형 Fusion Center가 공격에 노출될 경우 전체 시스템이 무력화된다고 가정한다. 그러나 실제 현장에서는 FC 자체가 노출된 환경에 배치될 가능성이 크며, 이를 방어하지 않으면 단일 실패점(single point of failure)이 발생한다. 이를 해결하기 위해 저자들은 ‘사회학적 학습(social learning)’ 모델을 차용한 새로운 데이터 융합 방식을 제안한다. 사회학적 학습은 각 에이전트(센서)가 자신의 관측값과 이전 에이전트들의 결정을 순차적으로 결합해 최종 판단을 내리는 과정이다. 논문에서는 N개의 센서가 순차적으로 Xₙ∈{0,1}을 방송하고, 각 노드 n은 자신의 관측 Sₙ와 이전 노드들의 방송 X₁,…,Xₙ₋₁을 이용해 결정 함수 πₙ(Sₙ,Xₙ₋₁)으로 판단한다. Sₙ는 조건부 독립성을 가정하고, 로그우도비 Λ_S(Sₙ)=log (dμ₁/dμ₀)(Sₙ) 로 표현한다. Bayesian 전략 πᵇₙ은 사후 확률비와 비용비를 비교해 임계값 τ를 기준으로 0/1을 선택한다. 여기서 τ는 사전 확률과 비용 행렬에 의해 결정되며, 실제 운영자는 Neyman‑Pearson 기준에 따라 허용 가능한 위양성률을 만족하도록 최소 τ를 선택한다. 핵심 기술은 두 부분으로 나뉜다. 첫째, 순차적 로그우도비 Λ_Xₙ₋₁을 효율적으로 계산하는 저복잡도 알고리즘을 제시한다. 체인 룰을 이용해 P(X_k|X_{k‑1},W) 를 구하고, 이를 누적 로그우도비 형태로 전개한다. λ(x,a)=x·log