운전 습관 기반 차량 텔레매틱스 LSTM 식별 시스템

본 논문은 차량 보안의 새로운 위협으로 떠오른 무단 운전 및 사이버 공격에 대응하기 위해, 운전자의 고유 운전 습관을 텔레매틱스 데이터에서 자동으로 추출하고 식별하는 방법을 제안한다. 연구 배경으로는 FBI의 차량 절도 증가 통계와 2015년 Jeep 해킹 사례를 들어, 차량 내부 데이터가 보안 인증에 활용될 가능성을 강조한다. 제안된 시스템은 OBD‑II 인터페이스를 통해 실시간으로 수집되는 차량 속도, 엔진 RPM, 스로틀 위치, 브레이크 페달 변위 등 51개의 파라미터를 원시 시계열 데이터로 사용한다. 기존 연구들은 제한된 피처와 정형화된 전처리 과정을 거쳐야 했지만, 본 연구는 전처리 없이 원시 데이터를 그대로 LSTM 네트워크에 입력함으로써 엔드‑투‑엔드 학습을 구현한다. 모델 구조는 “Many‑to‑One” 형태의 다층 LSTM으로, 입력 윈도우 길이와 오버랩 비율을 조정해 시간적 컨텍스트를 확보한다. 각 LSTM 셀은 forget, input, output 게이트를 통해 장기 의존성을 유지하며, 최종 은닉 상태는 시그모이드 레이어를 거쳐 운전자별 확률 점수로 변환된다. 학습 과정에서는 교차 엔트로피 손실과 Adam 옵티마이저를 사용하고, 하이퍼파라미터 탐색을 통해 은닉 유닛 수, 층 깊이, 배치 크기 등을 최적화한다. 실험은 세 개의 자연주의 운전 데이터셋을 활용한다. 첫 번째는 KIA 차량에 장착된 CarbigsP 스캐너로 수집된 94 401개의 샘플이며, 두 번째와 세 번째는 ITS 및 VANET 연구에서 제공된 대규모 OBD‑II 데이터이다. 각 데이터셋은 10명 이상, 총 30명 이상의 운전자를 포함하고, 도시·주차·고속도로 등 다양한 주행 환경을 포괄한다. 성능 평가 결과, 제안 LSTM 모델은 평균 96 % 이상의 정확도를 달성했으며, Random Forest, Decision Tree, K‑NN, Gaussian Mixture Model 등 기존 기법 대비 3 %~7 % 높은 정확도를 보였다. 또한, 센서 결함을 모사한 결측값 삽입 및 Gaussian 잡음 추가 실험에서, 노이즈 레벨이 20 %까지 증가해도 정확도가 90 % 이상 유지되는 견고함을 확인했다. 이는 LSTM이 시간적 패턴을 학습함으로써 일시적인 이상치에 대한 영향을 최소화하기 때문이다. 논문은 또한 코드와 학습된 모델을 GitHub에 공개하여 재현성을 확보하고, 실시간 운전자 인증 시스템에 적용 가능한 구조임을 강조한다. 다만, 연구는 동일 차량 모델과 제한된 도로 조건에 국한된 데이터로 수행됐으며, 다양한 차량 제조사와 복합 교통 상황에서의 일반화 검증이 필요하다. 또한, 실시간 추론 지연시간과 모델 경량화에 대한 상세 분석이 부족해, 향후 연구에서는 임베디드 환경에 최적화된 경량 LSTM 또는 변형 모델(예: GRU, Temporal Convolutional Network) 도입이 요구된다. 결론적으로, 본 연구는 OBD‑II 기반 텔레매틱스 데이터를 활용한 운전자 식별에 LSTM이 효과적이며, 노이즈와 결함에 강인한 특성을 가지고 있음을 실증적으로 입증한다. 이는 차량 보안 강화와 공유 모빌리티, 보험 사기 방지 등 실용적 응용 분야에 큰 기여를 할 것으로 기대된다.