Core Concepts
디지털 트윈 기술과 AI 모델을 결합하여 차량 애드혹 네트워크의 도로변 장치(RSU) 보안을 향상시키는 새로운 프레임워크를 제안합니다.
Abstract
본 연구는 차량 애드혹 네트워크(VANET)의 차량-인프라 통신 보안을 강화하기 위해 디지털 트윈 기술과 AI 모델을 결합한 새로운 프레임워크를 제안합니다.
데이터 계층:
차량과 RSU로부터 실시간 데이터를 수집하여 상위 계층의 시뮬레이션과 보안 분석에 활용합니다.
트윈닝 계층:
큐잉 이론을 사용하여 VANET 환경을 모델링하고, M/M/m 큐잉 모델을 통해 통신 요청, 채널 가용성, 대기 시간, 큐 길이 등을 분석합니다.
데이터를 YANG 모델을 통해 보안 계층으로 전송합니다.
보안 계층:
AutoFS 모듈: 동적으로 가장 효과적인 특성 선택 방법을 선택하여 DDoS 탐지 효율을 높입니다.
레이블링 알고리즘: 기대 최대화와 K-means 알고리즘을 사용하여 데이터를 정확하게 분류합니다.
다층 퍼셉트론: 온라인 학습을 통해 지속적으로 변화하는 네트워크 데이터에 적응합니다.
성능 평가 결과:
사이버 트윈 적용 시 RSU의 자원 사용이 더 효율적으로 나타났습니다.
제안 솔루션이 기존 방법들보다 정확도, F-측정, 민감도 면에서 우수한 성능을 보였습니다.
제안 솔루션은 기존 방법들에 비해 지연 시간을 약 1.41배, 1.61배 줄이고 전달률을 약 1.11배, 1.21배 향상시켰습니다.
트윈닝 비율을 76-90% 범위로 최적화하여 RAM 사용량을 최소화하면서도 높은 공격 탐지율을 달성할 수 있었습니다.
본 연구는 디지털 트윈 기술과 AI 모델을 활용하여 VANET의 RSU 보안을 강화하고, 계산 효율성 향상과 지연 시간 감소를 통해 녹색 통신에 기여합니다. 이는 안전하고 지속 가능한 스마트 시티 구축을 위한 중요한 진전입니다.
Stats
차량 요청이 채널 수를 초과하는 경우, 대기 중인 요청의 평균 수는 다음과 같습니다:
NQR = PQRρ / (1 - ρ)
대기 시간의 평균은 다음과 같습니다:
TQR = PQRρ / (λR(1 - ρ))
시스템의 평균 요청 수는 다음과 같습니다:
NR = cmρ + PQRρ / (1 - ρ)
Quotes
"본 연구는 디지털 트윈 기술과 AI 모델을 결합하여 VANET의 RSU 보안을 강화하고, 계산 효율성 향상과 지연 시간 감소를 통해 녹색 통신에 기여합니다."
"이는 안전하고 지속 가능한 스마트 시티 구축을 위한 중요한 진전입니다."