유사 신호 강도 반응형 재밍에 대한 LoRa 통신 탐지 및 통신 복구 기법

Detection and Recovery of LoRa Communications against Similar-Power Reactive Jamming Attacks

Abstract

LoRa 반응형 재밍은 LoRa의 통신 안정성을 저해하고, LoRa 노드의 수명 감소로 유지보수 비용을 증가시킨다. 기존의 LoRa 반응형 재밍 대응 방안은 신호 강도 임곗값 기반으로 공격자가 정상 패킷과 유사한 강도로 신호를 전송할 경우 탐지가 어렵다는 한계가 있다. 본 논문에서는 정상 패킷의 신호 강도로 재밍 심볼을 송신할 수 있는 공격에 대한 탐지 및 복구 기법을 제안한다. CNN을 사용하여 재밍이 적용된 패킷을 탐지하고, 재밍이 탐지된 패킷에 대해, 각 노드의 고유한 주파수 오프셋(Frequency Offset, FO)를 활용한 복구를 수행한다. 제안하는 탐지 기법은 0.998의 정확도를 달성하였다. 복구 기법은 10% 미만의 패킷 수신률 (Packet Reception Rate, PRR) 상황에서 적용 시, 패킷 수신률은 63% 이상으로 향상되었으며, throughput은 10.4배 이상 증가함을 입증하였다.

LoRa reactive jamming degrades LoRa's communication stability and increases maintenance costs by reducing node lifetime. Existing countermeasures, which are Signal Strength-based, fail to detect attacks that transmit at a power level similar to legitimate packets. This paper proposes a detection and recovery method for attacks that can transmit jamming symbols at the signal strength of legitimate packets. A Convolutional Neural Network(CNN) is used to detect jammed packets. followed by recovery process that utilizes the unique Frequency Offset(FO) of the legitimate packet. Detection model achieved an accuracy of 0.998. Furthermore, the recovery method improved the Packet Reception Rate (PRR) from below 10% to over 63%, resulting in a throughput increase of more than 10.4 times.

I. 서론

LoRa는 저전력 광역 네트워크를 위해 설계된 RF 변조 기술로, Machine-to-Machine (M2M) 통신을 위해 개발되었다. LoRa 노드는 배터리로 작동되며 저전력 설계로 최대 10년 동안 유지할 수 있는 장치이며, 도심 지역에서는 최대 5km, 교외 지역에서는 15km 이상의 통신 거리를 갖는다[1]. 각 LoRa 장치는 게이트웨이라고 불리는 수신 장비에 대한 성형 네트워크로 구성되며, 네트워크 확장이 쉽다. 이러한 특징으로 스마트 농업, 스마트 시티, 스마트 헬스케어, 산업IoT (IIoT) 등의 다양한 IoT 환경에서의 통신을 지원한다[2].

LoRa는 구조적으로 반응형 재밍에 취약한 특성을 갖는다. LoRa는 패킷 송신 시 Chirp 단위로 심볼이 변조되며, 모든 패킷에서 대역폭을 따라 주파수가 선형적으로 증가하는 동일한 구조의 프리엠블을 갖는다. 이는 공격자가 정상 신호 패킷을 쉽게 탐지할 수 있음을 의미한다. LoRa에서는 장거리를 저전력으로 전송하므로 신호 감쇠가 발생하기 쉬운 환경이다. 공격자는 이를 이용하여 정상 신호보다 높은 강도의 신호를 전송하는 것이 어렵지 않다. 따라서 공격자가 공격 대상 신호가 전송되는 채널을 알고 있다면, 프리엠블을 확인하여, 패킷을 탐지하고, 정상 신호보다 강한 신호를 송신하여, 정상 패킷에 영향을 줄 수 있다.

재밍은 LoRa 게이트웨이에 정상 패킷보다 더 강한 신호 강도를 가진 공격 심볼을 송신하여 정상 패킷을 정확하게 복조할 수 없게 하는 Denial of Service (DoS)의 종류이다. 재밍으로 인해 정상 패킷이 전송되지 못할 경우, LoRa 노드는 설정된 자동 재전송 메커니즘을 통해 동일 패킷을 재전송하게 된다. 공격으로 인해 패킷의 재전송 횟수가 증가할수록 노드가 사용하는 패킷당 에너지는 증가하며, 이는 노드의 수명에 치명적인 영향을 끼친다. 따라서 재밍 대응 방안 연구는 IoT 환경에서의 무선 통신 안정성을 향상시키고, LoRa 노드의 불필요한 배터리 사용을 막아, 유지보수 비용을 줄이는 데에 필수적이다.

기존 LoRa 반응형 재밍 대응 연구는 공격 신호가 정상 신호보다 강하다는 특성을 활용한 대응 기법을 제안한다[3], 해당 논문에 따르면 정상 신호의 신호 강도보다 20% 이상 높은 신호 강도를 갖는 신호 성분을 공격 신호로 정의하고 해당 신호를 제거한 뒤, 손상된 정상 심볼을 복구한다. 신호 강도를 이용한 대응 방식은 효과적이지만, 정상 패킷을 수신할 수 있는 공격자가 정상 신호와 유사한 신호 강도로 수신되도록 신호 강도를 조절한다면, 신호 강도 임곗값을 사용하는 기존 기법으로는 공격을 탐지할 수 없다.

본 논문에서는 정상 신호 강도의 약 9.6~14.8% 높은 수신 강도를 갖는 정상 노드와 유사한 신호 강도로 송신할 수 있는 반응형 재밍 공격자를 대상으로 한 신호 탐지 및 복구 기법을 제안한다. 논문에서 제안하는 공격자에 대응하기 위해 각 LoRa 노드의 제 조상에 발생하는 하드웨어 불완전성에 의해 발생하는 주파수 오프셋를 활용한다.

논문의 기여는 다음과 같다.

⦁ 본 논문은 최초로 신호 수신에 피해를 발생시키는 유사한 신호 강도의 반응형 재밍 공격 파라미터를 분석한다.

⦁ 제안하는 기법을 적용하기 위해 추가적인 하드웨어 구성을 요구하지 않고, 소프트웨어적 패치를 적용하여 공격에 대응할 수 있다.

⦁ 유사 신호 강도의 반응형 재밍 공격 상황으로 패킷 수신률이 10% 미만으로 감소한 경우, 기법 적용 시 10.4배 이상의 처리량 향상을 보장한다.

II. 관련 연구

LoRa 물리 계층에서 발생하는 위협은 크게 재밍과 충돌로 구분할 수 있다. 두 위협은 정상 신호의 복조를 방해하기 위해, 의도적으로 만들어진 신호인지, 동일한 채널을 사용하는 다른 노드에 의한 의도적이지 않은 간섭인지에 대한 차이가 있다. 하지만, 공격과 간섭은 모두 정상 송신 신호를 비정상적으로 복조되거나, 신호 자체를 복조할 수 없도록 만든다는 공통점을 갖는다. 본 논문에서는 LoRa 물리 계층 위협에 대응하기 위해 재밍과 충돌의 대응 방안에 관한 관련 연구를 분석한다.

2.1 LoRa 재밍 공격

LoRa의 재밍에 관한 연구는 LoRa 통신의 물리 계층이 외부 간섭에 취약함을 실험적으로 평가하는 데에서 시작한다[4]. 초기 연구에서는 공격의 유형, 정상 신호와 공격 신호의 파라미터를 변경하면서, 패킷 수신률과 처리량 변화를 측정한다. 송신 전력이 높고, 정상 패킷과 동일한 Spreading Factor(SF), 대역폭을 가지며, 심볼 경계에서 동기화된 공격일수록 패킷 수신률과 처리량이 감소하는 것을 확인할 수 있다.

LoRa 신호를 공격하기 위한 재밍의 종류는 지속형, 주기형, 반응형으로 나뉜다[5]. 지속형 재밍은 LoRa 신호가 전송되는 채널 자체를 지속적으로 점유하는 공격이다. 가장 단순한 형태의 재밍으로, 송신 전 프리엠블 탐지를 위한 Channel Activity Detection (CAD)을 통해, 공격을 회피할 수 있다. 주기형 재밍은 주기적으로 공격 신호를 전송하는 공격이다. 정상 패킷 전송 전, CAD를 우회할 수 있으나, 패킷 전송 타이밍과 겹치지 않으면 공격이 실패하여 공격 성공률이 낮다. 반응형 재밍은 프리엠블을 통해 정상 노드의 패킷을 탐지한 뒤, 공격 신호를 송신하는 공격이다. 이 방식은 CAD로 탐지하기 어렵고 정상 노드의 패킷을 탐지한 뒤 정상 패킷의 데이터 구간에 공격 신호를 삽입하여 공격 성공률이 높다.

이후 재밍에 대한 분석을 바탕으로 LoRa 재밍의 대응 방안을 연구한다. N. Hou 등[3]에서는 정상 신호와 시간상에서 동기화된 반응형 재밍에 대한 대응 방안을 제안한다. 논문에서는 프리엠블 심볼의 Fast Fourier Transform (FFT)의 peak값을 통해, 신호 강도를 계산하여 정상 패킷의 신호 강도 기준 값을 설정한다. 이후 모든 심볼에 대해서 FFT peak를 확인하여 신호 강도가 정상 범위를 넘는 주파수 성분을 제거하는 방식으로 반응형 재밍에 대응한다. 실험적으로 공격 심볼이 정상 패킷의 신호 강도보다 20% 이상 강할 때 성공적으로 공격을 탐지함을 확인한다. 이는 다음 수식으로 표현할 수 있다.

P_jam > 1.2 x P_Sig       (1)

P_Jam, P_Sig은 재밍 및 정상 패킷의 수신 전력을 나타낸다. 패킷을 수신할 때는 선형 스케일의 단위인 mW에서 로그 스케일인 dBm단위로 변환한다. 식 (1)에서 계산한 임계값은 재밍 대 신호 비율(JSR_dB)를 이용하여 표현할 수 있다. 각 dBm에 대한 비율은 아래의 신호비를 이용한다.

JSR_dB = RSS_{Jam, d Bm} - RSS_{Sig, d Bm}       (2)

식(1)의 조건을 식(2)을 사용하여 변환하면 다음과 같다.

\(\begin{align}J S R_{d B}=10 \log _{10}\left(\frac{P_{\text {Jam }}}{P_{\text {Sig }}}\right)>10 \log _{10}(1.2)\end{align}\)       (3)

예를 들어, 공격 대상의 수신 신호 강도가 10dB일 때, 신호 강도가 20% 강한 신호는 10.79dB로 계산된다. 논문에서는 이를 초과하는 신호 강도를 갖는 경우 재밍으로 탐지하고 해당 신호를 제거한다. 이러한 방식은 공격자가 의도적으로 정상 신호의 신호 강도 범위 이내로 신호 강도를 조정해서 송신한다면, 공격이 발생해도 재밍 패킷을 탐지할 수 없다는 한계점을 나타낸다.

이후 신호 강도 임곗값을 이용하는 것이 아닌, 추가적인 2개 이상의 게이트웨이를 사용해서 강제적으로 타이밍 오프셋(Timing Offset, TO)을 만들어 재밍 신호를 탐지 및 대응하는 기법을 제안한다[6]. 논문에서는 추가적인 게이트웨이에서 수신한 패킷은 기존 게이트웨이에 비해서 공격 신호가 정상 신호와 동기화되지 않아 타이밍 오프셋이 발생한다. 추가적인 2개 이상의 게이트웨이에서의 서로 다른 타이밍 오프셋을 획득하면서 발생하는 오프셋을 통해 신호를 복구하는 방식이다. 타이밍 오프셋을 이용하는 기법은 공격 심볼의 신호 강도와 관계없이 공격을 탐지하고 복구하지만, 정상 게이트웨이와 공격자가 알 수 없는 추가적인 게이트웨이를 설치해야 한다는 점과 공격자 위치에 따라서 기법을 사용하기 어렵다는 한계점을 보인다.

2.2 LoRa 패킷 충돌

LoRa에서는 노드의 다중 접속 시, Pure ALOHA방식을 사용하여, 같은 SF 및 대역폭으로 신호를 송신하는 경우 패킷 충돌이 발생할 수 있다. 기존 연구에서는 충돌 발생 시, 통신 안정성 확보를 위해 물리 계층의 하드웨어 오프셋을 이용해 충돌을 구분하거나, 충돌이 발생한 신호를 구분하기 위해, 딥러닝 기법으로 Device-Fingerprinting을 수행하는 연구가 진행되었다.

각 노드에서는 하드웨어 특성에 의해 장치에 고유한 주파수 오프셋을 갖는다. 반송파 주파수 오프셋(Carrier Frequency Offset, CFO)와 타이밍 오프셋이 더해진 값으로 나타나는데, Dechirp-FFT 상에서 Fractional bin의 형태로 확인할 수 있다. 주파수 오프셋은 장치 고유의 값이기 때문에 동일한 노드에서 송신하는 신호는 동일한 Fractional bin을 갖는다[7]. 이러한 하드웨어 특성을 이용해서 해당 논문에서는 프리엠블 구간에서 송신 노드별 Fractional bin을 정밀 추정하고 충돌이 발생한 경우, 송신 노드 별 주파수 성분을 분석해서 정상 노드의 주파수 오프셋 값의 범위를 벗어나는 신호를 분리한다.

딥러닝 기법을 이용한 Device-Fingerprint 연구에서는 IQ sample, FFT, spectrogram의 형태로 학습 데이터를 생성한 뒤, MLP, CNN, LSTM모델을 사용하여, Device-Fingerprinting을 수행한다[8]. G. Shen 등 [8]에서는 각 학습 데이터 표현 방식, 학습한 모델에 따라 장치 식별 정확도를 실험적으로 입증한다. 결과적으로 신호를 spectrogram형태로 학습시켜, CNN을 사용한 방법의 정확도가 가장 높으며, 학습 시간도 가장 적다는 것을 입증한다.

기존 연구를 토대로 본 논문에서 제안하는 기법은 신호 강도 임곗값을 기준으로 하지 않으면서도, 추가적인 하드웨어 설치를 해야 하지 않는 방식으로 기존 연구에서 다루지 않았던 공격 범위와 소프트웨어 패치만으로 대응할 수 있는 기법을 제안한다. 이는 하드웨어 고유의 주파수 오프셋을 이용한 방법으로 심볼 구간을 분석하며, 정상 노드의 주파수 오프셋 값과 다른 신호 성분을 제거하는 방식이며, CNN을 사용하여, 재밍 기법이 적용된 패킷을 탐지하는 방식이다.

III. 배경 지식

본 장에서는 제안하는 기법의 기반이 되는 LoRa 물리 계층의 신호 구조와 심볼 복조 과정, 하드웨어에서 발생하는 주파수 오프셋에 관해 설명한다.

3.1 LoRa 물리 계층 특성

데이터를 LoRa 패킷으로 전송하기 위해서는 Chirp Spread Specturm(CSS)변조 방식을 사용한다. CSS는 신호의 주파수가 대역폭 범위에서 선형적으로 증가하거나 감소하는 Chirp을 기본 단위로 사용한다. LoRa 심볼은 SF에 따라 7에서 12비트까지의 데이터를 표현할 수 있다[9].

프리엠블과 동일한 형태의 Base Up-Chirp의 수식은 시간을 기준으로 아래의 수식으로 정의한다[6].

\(\begin{align}S_{u p}(t)=e^{j 2 \pi\left(\frac{B W}{2 T_{s}} t^{2}\right)}\end{align}\)       (4)

심볼을 표현하기 위해서는 Base Up-Chirp에 시작 주파수를 변경하는 방식으로 변조한다. 식 (5)는 인덱스 k에 따라 시작 주파수를 변경하며 심볼을 생성하는 수식이다.

\(\begin{align}S_{k}(t)=e^{j 2 \pi\left(\frac{B W}{2 T_{s}} t^{2}+\frac{k B W}{2^{S F}} t\right)}\end{align}\)       (5)

생성된 심볼들은 순차적으로 결합하여 Fig. 1의 LoRa의 패킷을 구성한다. LoRa 패킷 구조는 프리엠블부터 Start Frame Delimeter(SFD)까지 유사한 구조를 갖는다. 패킷의 유사성을 활용하여 공격자는 정상 신호가 송신되는 채널을 수신하면서, LoRa 신호를 탐지한 뒤, 페이로드를 대상으로 하는 공격을 수행할 수 있다. 또한 헤더에서 확인할 수 있는 송신 노드의 주소(DevAddr)는 암호화되지 않는다. 공격자는 이를 이용하여 DevAddr을 확인하고, 특정 노드에 대한 공격을 수행할 수 있다[10].

Fig. 1. LoRa PHY Packet

3.2 주파수 오프셋 특성

수신한 신호를 복조할 때, 각 심볼 구간마다 송신된 심볼 값을 알아내야 한다. 이는 Dechirp-FFT를 통해 수행된다. Dechirp는 base Up-Chirp의 켤레복소수인 base Down-Chirp를 각 심볼 단위로 곱하는 과정이다. Dechirp를 통해 주파수 성분을 제외한 신호를 상쇄하여, 기존의 주파수 성분만 남게 된다.

S_de(t) = s(k) · s_up^-1(t)       (6)

Dechirp 수행 후, FFT를 적용하여 주파수 성분을 분석한다. 이상적인 환경에서는 가능한 심볼 값은 0~2^SF - 1 범위의 정수 주파수 bin을 갖는다. 그러나 실제 FFT Peak 값은 Fig. 2.와 같이, 송신기와 수신기 간의 하드웨어 불안정성 및 환경적 요인으로 실수 값을 갖는 주파수 오프셋이 발생한다. 주파수 오프셋은 크게 반송파 주파수 오프셋과 타이밍 오프셋으로 구성된다. 반송파 주파수 오프셋은 송신기와 수신기의 Oscillator 제조상 편차나 온도 및 전압 변화로 발생하는 오프셋이며, 타이밍 오프셋은 수신기가 심볼 시작 지점을 정확하게 맞추지 못해 발생하는 오프셋이다. Fig. 2에서는 LoRa 노드에서 추출한 패킷의 프리엠블에 대한 FFT Peak 값을 나타내고 있다. 프리엠블은 0 Hz의 주파수 성분을 가져야 하지만, 실제 측정값은 정확하게 0Hz가 아닌 것을 확인할 수 있다. 이는 장치 고유의 특성에 의해 발생하는 것으로, 정상 패킷을 식별할 수 있는 파라미터로 사용할 수 있다[7].

Fig. 2. Frequency Offset of Preamble

IV. 위협 모델

본 장에서는 반응형 재밍 위협 모델을 기반으로 기존 신호 강도 임곗값 기반 대응 기법을 우회하는 공격 모델을 정의한다. 반응형 재밍은 프리엠블 탐지를 통해 정상 패킷의 심볼 경계를 파악하고, 정상 페이로드 구간을 대상으로 공격 신호를 송신한다. 동기화되지 않은 공격 효율이 떨어지므로, 공격자는 정상 패킷 심볼 경계에 동기화하여 송신한다. LoRa 패킷은 프리엠블부터 SFD까지 데이터를 포함하지 않기 때문에 공격자는 전력 효율을 고려하여, 헤더 및 페이로드 구간을 공격 대상으로 선택한다.

본 논문의 제안 기법만을 위한 모델은 반응형 재밍 위협 모델을 기반으로, 기존 신호 강도 임곗값 기반 대응 기법으로 대응이 어려운 유사 신호 강도 환경을 목포로 한다. 공격자는 프리엠블을 통해 신호 강도를 탐지할 수 있으며, 송신 신호 강도를 정상 신호와 유사하게 조절하여 송신한다. 수신 측에서는 기존 신호 강도 임곗값 기반 대응 기법 적용 시, 공격을 탐지하는 데 한계가 발생한다. 공격 신호를 송신하는 경우, 공격자는 공격의 은닉성과 에너지 소모를 고려해야 하며, 재밍 심볼의 수신 강도와 재밍 심볼개수를 고려하여 공격 성공률을 극대화해야 한다. 반응형 재밍의 경우 정상 신호보다 보다 2 dB이상 신호 강도가 높은 재밍 신호를 송신할 때, 1개의 공격 심볼로도 정상 신호에 영향을 미칠 수 있다[11]. 하지만 정상 패킷과 유사한 신호 강도의 공격 신호를 전송하기 위해서는 상대적으로 더 많은 심볼이 필요하다.

이러한 제약에도 불구하고, 유사 신호 강도 하에서 동기화된 반응형 재밍은 기존 신호 강도 임곗값 기반 대응 기법의 적용 범위를 벗어나는 위협 모델로서, 본 논문이 제안하는 신호 탐지 및 복구 기법을 평가하는 기준 시나리오로 사용한다.

V. 제안 기법

본 장에서는 논문에서 제안하는 공격자가 송신하는 반응형 재밍에 대응하기 위해 공격 여부를 탐지하고, 공격이 탐지된 패킷에 대한 신호 복구 기법을 설명한다.

5.1 개요

실제 통신 환경에서는 시스템의 모든 패킷이 공격을 받지는 않는다. 따라서 수신된 모든 패킷에 대해 일괄적으로 심볼 단위의 분석을 통한 복구 메커니즘을 수행하는 것은, 불필요한 연산을 유발한다. 이러한 비효율성을 해결하기 위해 본 논문에서는 공격이 수행된 패킷을 탐지한 후 복구를 수행한다. 복구는 정상 신호의 프리엠블에서 추출한 주파수 오프셋만큼 해당 패킷 전체에 주파수 오프셋을 빼는 식으로 보정한다, 보정의 결과로 정상 신호의 주파수 오프셋은 최소화되며, 심볼 구간의 상위 peak 중 fractional 주파수 오프셋이 가장 작은 신호 성분을 정상 신호 성분으로 식별한다. 해당 복구 과정은 심볼 단위로 반복하여 수행한다. 제안하는 기법의 전체적인 흐름은 Fig. 3에 따른다.

Fig. 3. Reactive Jamming Countermeasure

5.2 재밍 탐지

제안하는 기법에서는 수신된 신호를spectrogram 형태로 변환하고, 이를 입력으로 하여 CNN 모델을 통한 재밍이 수행된 패킷을 탐지하는 것을 목표로 한다.

5.2.1 전처리

수신된 패킷에 대해 Short-time Fourier Transform (STFT)를 적용하여 시간-주파수 영역의 spectrogram으로 변환한다. 이후 학습 및 추론 시 연산량을 감소시키기 위해 불필요한 잡음 대역을 제거하고 유효 정보를 포함하는 영역만을 사용한다. 따라서 약 20% 정도 크기로 축소한 spectrogram을 CNN 모델의 입력으로 사용하여 연산량을 감소한다.

5.2.2 CNN 구조

제안하는 기법에서는 spectrogram 기반 재밍 탐지를 위해 LoRa 신호의 학습에 적합한 구조인 G. Shen[8] 등에서 사용한 CNN Structure를 참조한다. 위 논문에서의 CNN의 목적은 fingerprinting을 통한 장치 식별이라면, 제안하는 기법은 수신한 패킷에 대한 재밍 탐지를 목표로 한다. 따라서 input 및 output data, 계층 구성은 본 연구의 목적에 따라 재설계하였다.

모델의 상세 구조는 Table 1.과 같다. 모델의 세부 구조는 3개의 2차원 합성곱 층 (Con2D) 층과 1개의 FC 층으로 구성한다. 각 합성곱 층은 8개, 16개, 32개의 3 × 3 필터를 사용하고, 합성곱 층 뒤에는 두 번의 2 × 2 Maxpooling을 삽입하여 차원을 축소한다. 마지막 합성곱 층에는 Dropout을 적용하여 과적합을 억제하고, Adaptive Average Pooling으로 차원을 32 × 15로 고정하여 FC 층으로 연결한다. FC 층에서는 128개의 은닉 노드와 Leaky ReLU 함수를 수행한 뒤, Softmax 함수를 통해 재밍이 적용된 패킷을 탐지한다.

Table 1. CNN Model Structure

5.3 재밍 복구

본 절에서는 CNN을 통해 재밍이 탐지된 패킷에 대해 장치 고유의 주파수 오프셋을 정밀 추정하고 이를 기반으로 손상된 심볼을 복구하는 과정을 설명한다.

재밍이 탐지된 복구 대상 패킷 r[n]의 프리엠블에서 각 심볼에 대해 장치 고유의 주파수 오프셋을 정밀 추정한다. 프리엠블 심볼에 대해 Dechirp-FFT를 수행할 경우, 주파수 bin의 값이 0이어야 하지만, 주파수 오프셋으로 인해 주파수 bin은 0에서 벗어나며, 인접 정수 bin의 진폭을 비대칭적으로 나타나게 한다. 또한 peak 값과 인접 bin은 2차 함수 형태를 나타내므로, peak 값과 인접한 FFT bin의 진폭을 이용하여 식 (7)의 2차 보간법을 사용하여 Fractional 주파수 오프셋을 정밀 추정한다.

\(\begin{align}\Delta f=\frac{1}{2} \cdot \frac{P_{k-1}-P_{k+1}}{P_{k-1}-2 P_{k}+P_{k+1}}\end{align}\)       (7)

식 (7)을 통해 장치 고유의 주파수 오프셋을 추정한 뒤, 식 (8) 과 같이 복구 대상 패킷의 주파수 오프셋만큼 패킷 전체에 주파수 오프셋 보정을 수행한다.

r_co[n] = r[n] · e^{-j2π · ∆f/Fs}       (8)

주파수 오프셋 보정을 통해 정상 패킷의 주파수 성분은 정수 bin에 가깝게 정렬된다. 이후 심볼 별로 가장 진폭이 큰 3개의 peak를 선택한다. 선택한 peak 중 정수 bin에 가장 가까운 신호를 정상 패킷의 주파수 성분으로 식별한 뒤, 식별한 주파수 성분을 이용하여 새로운 Up-Chirp 심볼을 생성한다. 주파수 오프셋 보정 이후의 복구 과정을 재밍 구간의 모든 심볼에 대해 반복한다. 복구 메커니즘을 수행한 패킷은 LoRa 표준 복조를 수행한다.

VI. 실험

본 장에서는 위협 모델의 유효성을 검증하고, 제안하는 기법의 성능을 평가하기 위한 실험 환경 및 결과에 관해 설명한다.

6.1 실험 환경 구성

주파수 오프셋 특성 추출을 위해 Fig. 4와 같이 5개의 RFM95W LoRa 노드에서 신호를 수집한다. 무선 환경에서 발생하는 channel effect를 배제하고, 장치 고유의 주파수 오프셋 특성만을 정밀하게 측정하기 위해, 패킷 수신을 위한 USRP B205mini-i와 LoRa 노드를 케이블로 직접 연결하며, 30dB Attenuator를 장착한다. 이 환경에서 각 5개 노드로부터 프리엠블 패킷을 수신한 뒤, Dechirp-FFT를 수행하여, 각 노드 고유의 주파수 오프셋 값을 추출한다. 신호 처리 및 제안 기법은 오픈소스인 gr-lora를 기반으로 개발한다[12].

Fig. 4. Experiment Devices and Setup

6.2 데이터셋

6.1절에서 측정한 5개 노드의 주파수 오프셋 값을 기반으로 위협 모델을 만족하는 100,000개의 데이터를 생성한다. 데이터셋은 노드 간 각 20,000개의 데이터로 구성한다. LoRa 신호는 SF = 8, 대역폭 = 250 kHz, 샘플링주파수 = 2 MHz의 고정된 파라미터로 설정한다. 학습 및 검증은 1-4번 노드의 주파수 오프셋 값을 사용하여 생성한 데이터 80,000개를 사용하고, 성능 평가는 5번 노드의 주파수 오프셋 값을 통해 생성한 데이터 20,000개를 사용한다. 데이터는 공격 데이터 50% 와 정상 데이터 50% 비율로 생성한다, 공격 데이터를 다양화하기 위해, 연속된 심볼을 전송하는 공격과 분리된 짧은 심볼들을 전송하는 공격으로 데이터셋을 구성한다. 공격 신호는 데이터 구간 심볼 경계에 동기화하여 삽입하며, Signal 타이밍 오프셋 Noise Ratio(SNR)은 –10 dB~10 dB의 범위에서 패킷마다 임의로 적용한다.

6.3 공격 파라미터 최적화

본 절은 위협 모델에서 가정한 공격 파라미터의 근거를 제시한다. Fig. 5는 정상 패킷과 유사한 공격자의 신호 강도에서 90% 이상의 공격 성공률을 달성하는 파라미터를 찾는 것을 목표로 한다. 정상 패킷의 송신 신호 강도는 10 dBm을 기준으로 10.1 dBm(Fig. 5(a))부터 10.6 dBm(Fig. 5(f))까지 공격자의 송신 신호 강도를 0.1 dBm단위로 변경하며, 재밍 심볼 개수에 따른 패킷 수신률을 측정 한다.

Fig. 5. Similar-power Jamming with Different Transmission Power of Attacker Ranging from 10.1dBm to 10.6dBm in 0.1dBm steps. (a)-(f)

실험 결과 모든 공격자 신호 강도에서 심볼 개수가 증가하고, 신호 강도가 증가할수록 패킷 수신률이 감소함을 확인하였다. 따라서 본 논문에서는 학습 데이터를 생성하기 위한 파라미터로 패킷 수신률이 10% 미만으로 확인된 10.4 dBm-10.6 dBm에서 심볼 개수 6-9개를 송신하는 공격자를 유사 신호 강도 공격자의 파라미터로 설정한다. 이는 정상 송신 강도 보다 약 9.6%에서 14.8% 더 강한 신호 강도로 미세한 신호 강도 차이로 정상 패킷을 복조할 수 없도록 영향을 미친다는 것을 실험적으로 입증한다.

6.4 분류 결과

CNN 모델의 재밍 분류 성능을 검증하기 위해 학습에 사용되지 않은 5번 노드의 데이터 20,000개를 대상으로 성능을 평가한다. 평가 결과는 Table 2.와 같이 Accuracy 0.998, Precision 0,995, Recall 1.00, F1-Score 0.998을 달성하였다. Recall 값은 1.00으로, 데이터셋의 모든 재밍 패킷을 정확하게 식별함을 의미하며, 탐지된 패킷을 복구한다는 제안 기법의 신뢰성을 입증한다. Precision은 정상 패킷을 정상으로 판단하는 값이 0.995로 모델의 신뢰성이 높음을 확인할 수 있다. Accuracy와 F1-Score 또한 0.998이 산출되었다. 탐지 모델이 학습 데이터에 과적합 되지 않고, 특정한 주파수 오프셋 값이 아닌, 근본적인 Spectrogram의 구조적인 특징을 학습함을 의미한다. 실험의 결과로 제안하는 CNN 모델이 LoRa 신호에서 재밍이 삽입된 패킷을 성공적으로 분류할 수 있음을 입증한다.

Table 2. Classification Result

6.5 신호 복구 결과

제안하는 기법의 성능을 평가하기 위해 Fig. 6에서는 각 파라미터당 1,000개의 재밍이 적용된 신호 패킷을 대상으로 패킷 수신률과 처리량을 측정한다. Fig. 6(a)는 각각 재밍 심볼 개수에 따른 기법 적용 전과 후의 패킷 수신률 측정 결과이다. Fig. 6(a)에 따르면 측정 대상 데이터셋은 모든 심볼 개수에 대해 10% 미만의 패킷 수신률을 확인할 수 있다. 같은 데이터셋에 기법을 적용한 결과는 재밍 심볼 개수와 관계없이 최소 60% 이상의 패킷 수신률을 보장한다. Fig. 6(b)는 기법 적용 전과 후의 처리량을 비교한 결과이다. 재밍 심볼의 개수가 늘어나고 패킷 수신률이 줄어듦에 비례하여 처리량 또한 감소한다. 기법 적용 후에는 최소 10.4배의 처리량 향상을 확인할 수 있다. 이를 통해 제안 기법이 재밍으로 인한 물리 계층 공격을 효과적으로 완화할 수 있음을 보장한다.

Fig. 6. Recovery Performance with Different Number of Jamming Symbols. PRR(a) and Throughput(b).

VII. 결론

본 연구는 기존의 신호 강도 임계값 기반 대응 기법으로는 탐지가 어려운, 정상 노드가 전송하는 신호 강도를 모방하여, 정상 신호와 유사한 강도의 신호를 전송하는 반응형 재밍에 대응하기 위한 기법을 제안한다. 본 논문에서 가정한 위협 모델은 비동기적인 재밍에 비해 구현 난이도가 높은 편이지만, LoRa 프리엠블 구조와 장거리·저전력 특성을 고려할 때 충분한 능력을 가진 공격자에게는 현실적으로 고려해야 할 위협 시나리오라고 판단된다. 따라서 제안 기법은 실제 LoRa 서비스 환경에서 공격자가 정교한 동기화 재밍을 수행하는 경우까지를 포함하여, 보수적인 관점에서 시스템의 안정성을 평가하고 향상시키기 위한 기준을 제공한다. 제안하는 기법은 5대의 LoRa 노드의 주파수 오프셋를 기반으로 데이터셋을 생성하여 CNN 모델을 통해 공격을 탐지하고, 재밍 공격이 탐지된 패킷에 대해서 장치 고유의 주파수 오프셋 기반의 복구를 수행한다. 탐지 모델은 0.998의 정확도를 달성하여, 재밍이 적용된 패킷에 대한 높은 탐지 성능을 입증한다. 또한 재밍으로 인해 10% 미만으로 저하된 패킷 수신률은 복구 기법 적용 후, 63% 이상으로 크게 향상되었으며, 이는 최소 10.4배 이상의 처리량 향상으로 이어짐을 확인할 수 있다. 제안하는 기법은 기존 LoRa 반응형 재밍 대응 기법에서 탐지할 수 없는 유사한 신호 강도로 공격 신호를 전송하는 공격자에 대해 추가적인 하드웨어 없이 효과적으로 대응하여, LoRa의 통신 안정성을 향상할 것으로 기대한다.