IoT 센서 위조 공격이 딥러닝 기반 예측 유지보수에 미치는 영향

본 논문은 Industry 4.0 시대에 핵심적인 예측 유지보수(PdM) 시스템이 IoT 센서와 딥러닝 알고리즘에 동시에 의존함에 따라 발생할 수 있는 사이버 위협, 특히 위조 데이터 주입 공격(FDIA)의 영향을 실증적으로 분석한다. 연구는 크게 네 부분으로 구성된다. 첫 번째 단계에서는 NASA의 C‑MAPSS(Commercial Modular Aero‑Propulsion System Simulation) 데이터셋을 이용해 21개의 센서 시계열 데이터를 기반으로 남은 수명(RUL) 예측 모델을 구축한다. 여기서는 LSTM(Long Short‑Term Memory), GRU(Gated Recurrent Unit), 1‑D CNN(Convolutional Neural Network) 세 가지 최신 딥러닝 구조를 동일한 전처리와 학습 파이프라인으로 훈련시킨다. 실험 결과, GRU 모델이 MAE와 RMSE 측면에서 가장 우수한 성능을 보이며, 기존 문헌에 비해 1.3~1.9배 정도 정확도가 향상된 것으로 보고된다. 이는 GRU가 LSTM보다 간결한 게이트 구조를 통해 장기 의존성을 효과적으로 학습하면서도 파라미터 수가 적어 과적합 위험이 낮기 때문이다. 두 번째 단계에서는 두 종류의 FDIA 시나리오를 설계한다. 연속형 FDIA는 선택된 센서(전체 21개 중 3개)의 모든 시계열에 일정한 편향값(λ)을 지속적으로 더하는 방식이며, 간헐형 FDIA는 특정 구간(예: 10~20 사이클)만을 대상으로 편향을 삽입해 일시적인 이상을 발생시킨다. 공격자는 물리적 센서 접근보다 통신 링크나 데이터 처리 프로그램을 해킹하는 것이 현실적으로 더 용이하다고 가정한다. 세 번째 단계에서는 위 두 공격을 적용한 후 세 모델의 RUL 예측 정확도 변화를 측정한다. 결과는 모든 모델이 공격에 의해 크게 오차가 증가했음을 보여준다. 특히 CNN은 입력 특성의 지역적 패턴에 크게 의존하기 때문에 작은 변동에도 민감하게 반응해 오차가 가장 크게 상승했다. LSTM은 어느 정도 복원력을 보였지만, GRU가 가장 안정적인 결과를 나타냈다. 이는 GRU의 업데이트·리셋 게이트가 노이즈를 억제하고, 시계열 전체 정보를 효율적으로 통합하기 때문이다. 마지막 단계에서는 GRU 모델의 시퀀스 길이(30, 50, 70, 100 사이클)를 변형하여 정확도와 복원력 사이의 트레이드오프를 분석한다. 짧은 시퀀스는 학습이 빠르고 기본 정확도가 높지만, 공격 발생 시 손실이 크게 나타난다. 반면 긴 시퀀스는 기본 정확도가 다소 낮아도, 시간적 맥락을 더 많이 활용해 위조 데이터의 영향을 평균화함으로써 복원력이 향상되는 경향을 보였다. 이러한 결과는 실제 PdM 시스템 설계 시, 운영 환경(예: 실시간 요구사항, 센서 수, 데이터 전송 지연)과 보안 요구사항을 동시에 고려해 시퀀스 길이와 모델 복잡성을 최적화해야 함을 시사한다. 논문의 주요 기여는 다음과 같다. (1) 기존 연구가 주로 딥러닝 기반 PdM의 예측 정확도에 초점을 맞춘 반면, 본 연구는 사이버 공격이 시스템 성능에 미치는 영향을 정량화하였다. (2) 연속형 및 간헐형 두 종류의 FDIA를 실제 엔진 센서 데이터에 적용해 공격 시나리오를 현실적으로 모델링하였다. (3) 세 가지 딥러닝 모델을 비교함으로써 GRU가 정확도와 복원력 모두에서 가장 우수함을 입증하였다. (4) 시퀀스 길이에 따른 정확도·복원력 관계를 최초로 제시해, 보안 강인성을 고려한 모델 설계 가이드를 제공한다. 결론적으로, IoT 센서와 딥러닝이 결합된 PdM 시스템은 높은 효율성을 제공하지만, 위조 데이터 주입과 같은 은밀한 공격에 매우 취약함을 확인하였다. 따라서 향후 연구는 공격 탐지·완화 메커니즘을 딥러닝 파이프라인에 통합하고, 모델 자체의 강인성을 강화하는 방향으로 진행될 필요가 있다.