I. 서론
자율주행 모빌리티의 인지 시스템은 주변 환경의 객체를 인식하고 위치와 속도를 추정하기 위해 다양한 센서를 활용하는 방향으로 발전하고 있다. 이 가운데 LiDAR(Light Detection And Ranging)와 Radar(Radio Detection And Ranging)는 거리 및 속도 정보를 직접 획득할 수 있는 핵심 센서로서 자율주행 인지 구조에서 중요한 역할을 수행한다.
LiDAR 및 Radar를 대상으로 한 보안 연구가 지속적으로 보고되고 있으나, 기존 연구는 개별 공격 기법이나 특정 방어 방식의 성능 평가에 초점을 두는 경우가 많다. 이에 따라 자율주행 인지 시스템 내부에서 공격과 방어가 어느 처리 단계에 개입하는지, 그리고 그 영향이 어떻게 상위 단계로 이어지는지를 동일한 기준에서 비교·분석하기는 쉽지 않다.
본 논문은 LiDAR 및 Radar 보안 연구를 센서 유형이나 공격 기법 중심으로만 분류하는 기존 접근에는 한계가 있다고 보고, 자율주행 인지 처리 과정의 개입 위치를 중심으로 관련 연구를 재구성한다. 나아가 본 논문은 이러한 관점을 통해 공격과 방어의 작동 지점 및 영향 전개를 통합적으로 비교하는 데 필요한 분석 기준을 제시한다.
Ⅱ장에서는 LiDAR와 Radar의 기본 동작 원리, LiDAR-Radar 융합 구조의 개요, 자율주행 인지 파이프라인을 기술한다. Ⅲ장에서는 개입 위치에 따른 분석 틀을 제시한다. Ⅳ장과 Ⅴ장에서는 각각 공격 및 방어 연구 동향을 정리하며, Ⅵ장과 Ⅶ장에서는 분석 결과와 향후 연구 방향을 제시한다.
II. 배경
2.1 LiDAR의 기본 특성
LiDAR는 자율주행 모빌리티에서 주변 환경의 기하학적 구조를 정밀하게 획득하기 위한 핵심 인지 센서로 사용된다. LiDAR는 레이저 펄스를 송신하고 반사되어 돌아오는 신호의 ToF(Time-of-Flight)를 측정하여 거리를 산출하며, 이러한 측정을 여러 방위각과 고도각 방향으로 반복함으로써 3차원 포인트 클라우드(point cloud)를 생성한다. 각 점은 Fig. 1과 같이 일반적으로 공간 좌표(x, y, z)와 함께 반사 강도 등의 속성을 포함한다.

Fig. 1. Operating principles of LiDAR, Radar, and LiDAR-Radar fusion
자율주행 인지 시스템은 이러한 포인트 클라우드를 기반으로 객체 탐지, 공간 인식 등의 작업을 수행한다. LiDAR는 높은 공간 해상도를 바탕으로 객체의 형상 및 경계를 비교적 정밀하게 표현할 수 있으나, 기상 조건에 따른 광신호의 산란 및 감쇠, 반사율 특성에 따른 측정 변동 등은 성능에 영향을 줄 수 있다.
2.2 Radar의 기본 특성
Radar는 자율주행 인지 시스템에서 객체의 거리와 상대 속도를 추정하는 핵심 센서로 활용된다. 자동차용 Radar는 Fig. 1과 같이 일반적으로 FMCW(Frequency-Modulated Continuous Wave) 방식을 기반으로 동작하며, 송신 신호와 반사 신호 사이의 주파수 차이를 이용해 거리를 추정하고 도플러(Doppler) 효과에 따른 주파수 변화를 이용해 상대 속도를 산출한다.
Radar 신호 처리 결과는 RD(Range-Doppler) Map과 같은 2차원 표현 또는 탐지된 목표물의 리스트 형태로 제공되며, 이후 객체 검출 및 추적 단계의 입력으로 사용된다. Radar는 악천후 환경에서도 안정적으로 동작하며, 장거리 탐지와 상대 속도 추정에 강점을 가진다.
2.3 LiDAR-Radar 융합 기반 구조
LiDAR와 Radar는 측정 원리와 출력 특성이 상이하므로, 실제 자율주행 시스템에서는 두 센서를 상호보완적으로 결합하는 융합 구조가 널리 활용된다.
Fig. 1과 같이 LiDAR는 정밀한 공간 정보를 제공하고, Radar는 상대 속도 추정과 장거리 탐지에 장점을 가지기에 두 센서를 결합하면 위치 및 속도 추정의 안정성을 높일 수 있다. 이러한 융합 구조는 인지 성능 향상에 기여할 수 있고, 센서 간 정합과 정보 결합 과정에서 새로운 취약 지점을 형성할 수 있다.
2.4 자율주행 인지 파이프라인
자율주행 인지 시스템은 센서 출력 데이터를 입력으로 받아 주변 객체를 탐지·분류하고, 시간적으로 안정적인 상태 추정 결과를 생성하여 계획 및 제어 모듈에 전달한다. 일반적인 처리 흐름은 Fig. 2와 같이 (1) 센서 데이터 수집 및 전처리, (2) 거리·속도 등의 측정값 생성, (3) 객체 탐지 및 분류, (4) 센서 간 정합 및 융합, (5) 객체 추적 및 상태 추정으로 구성된다.

Fig. 2. Autonomous driving perception pipeline
객체 탐지 단계에서는 센서 출력으로부터 객체의 위치와 속성 정보를 추정하고, 센서 융합 단계에서는 서로 다른 센서의 관측 결과를 공통 좌표계에서 정렬·결합한다. 이후 추적 및 상태 추정 단계에서는 시간 축을 따라 동일 객체를 연결하고 상태를 연속적으로 갱신한다. 따라서 센서별 출력 구조의 차이는 인지 처리 방식뿐 아니라, 하위 단계의 교란이 상위 단계로 전파되는 양상에도 영향을 줄 수 있다.
2.5 문헌 조사 방법
본 논문은 Table 1과 같이 LiDAR 및 Radar 기반 자율주행 인지 보안 연구를 조사하기 위해 Google Scholar를 중심으로 연구들을 수집하였다. 검색에는 LiDAR, Radar, 자율주행, 인지, 탐지, 공격, 스푸핑, 간섭 등의 키워드를 조합하였으며, 최근 10년을 분석 범위로 설정하고 최근 5년간의 연구 위주로 탐색하였다. 본문 검토를 통해 개입 지점, 공격·방어 메커니즘, 인지 판단 오류, 실험 유형이 명확히 확인되는 연구를 최종 분석 대상으로 선별하였으며, 이후 Ⅲ장의 분석 틀을 기준으로 분류하였다.
Table 1. Chronological distribution of surveyed references

III. 공격 표면 기반 분석 틀
3.1 공격 표면 기반 3계층 분류
기존 연구는 센서 유형이나 공격 기법을 기준으로 분류되는 경우가 많으며, 이러한 방식은 자율주행 인지 시스템 내에서 공격이 발생하는 위치를 명확하게 설명하기 어렵다. 따라서 본 연구에서는 자율주행 인지 파이프라인을 기반으로 공격 표면을 입력 형성 계층, 객체 인지 계층, 상태 통합 계층의 세 계층으로 구분한다. 보안 분석에서는 시스템의 처리 순서 자체보다 공격이 개입할 수 있는 기술적 표면을 식별하는 것이 중요하다. 이에 자율주행 인지 시스템의 공격 표면을 Fig. 3과 같이 다음의 세 계층으로 정의한다.

Fig. 3. 3-layer attack surface structure
3.1.1 입력 형성 계층
입력 형성 계층은 센서의 물리적 신호 송수신 과정과 측정값 생성 단계를 포함하는 처리 단계이다. 이는 Fig. 2의 (1) 센서 데이터 수집 및 전처리와 (2) 측정값 생성 단계에 대응한다.
이 계층에서는 외부 환경과의 상호작용을 통해 센서 신호가 수집되고, 이를 기반으로 포인트 클라우드, 거리·속도 값, 스펙트럼 정보 등 디지털 형태의 입력 데이터가 생성된다. 본 논문은 실제 공격 연구의 양상을 고려하여 물리 신호 단계와 측정값 생성 단계를 하나의 입력 형성 계층으로 묶어 분석한다.
이 계층에서의 공격은 레이저 주입, 전자기 간섭, 광학 포화, ToF 조작, 가짜 포인트 생성 및 실제 포인트 제거 등의 형태로 수행되며, 인지 단계에 전달되는 입력 데이터 자체를 왜곡한다.
3.1.2 객체 인지 계층
객체 인지 계층은 센서로부터 생성된 데이터를 기반으로 의미 있는 객체 정보를 추정하는 처리 단계로, Fig. 2의 (3) 객체 탐지 및 분류 단계에 대응한다.
이 계층에서는 LiDAR 포인트 클라우드 또는 Radar 기반 특징을 입력으로 사용하여 객체의 위치, 크기, 클래스, 속도 등의 정보를 추정한다. 또한 단일 센서 기반 인지 모델뿐 아니라 특징 수준 결합(feature-level fusion)을 활용하는 인지 모델 역시 이 범주에 포함된다.
객체 인지 계층에 대한 공격은 탐지 모델의 구조적 취약성을 악용하여 미탐지, 오분류, 신뢰도 저하, 허위 객체 생성 등을 유발하는 형태로 나타난다. 이러한 공격은 물리 신호 자체가 아니라 객체 해석 과정의 알고리즘적 취약성을 공격 표면으로 삼는다는 점에서 입력 형성 계층 공격과 구분된다.
3.1.3 상태 통합 계층
상태 통합 계층은 객체 인지 결과를 시스템 수준의 안정적인 상태 표현으로 통합하는 처리 단계로, Fig. 2의 (4) 센서 간 정합 및 융합과 (5) 객체 추적 및 상태 추정을 포괄한다.
이 계층에서는 서로 다른 센서에서 관측된 객체를 동일 좌표계에서 정렬하고, 위치·속도 정보를 결합하여 신뢰도를 조정한다. 또한 연속 프레임 간 객체를 연결하고 상태를 갱신함으로써 시간적 일관성을 유지한다.
상태 통합 계층은 입력 형성 계층과 같이 외부 환경과 직접 상호작용하는 단계는 아니며, 객체 인지 계층처럼 원시 센서 데이터를 해석하는 단계도 아니다. 따라서 물리 신호 주입이나 입력 데이터 조작과 같은 공격 경로가 직접적으로 형성되는 경우는 제한적이며, 하위 계층에서 발생한 교란이 통합 과정에서 반영되거나 증폭될 수 있는 처리 단계로 이해할 수 있다.
이 계층에서의 보안 문제는 시간 정렬 오류, 추적 안정성 저하, 데이터 연관 오류 유도, 센서 간 불일치 증폭 등 시스템 통합 과정과 관련된 형태로 나타날 수 있다.
3.2 공격 영향 분류
3.2.1 인지 판단 오류
인지 판단 오류는 입력 형성, 객체 인지, 또는 상태 통합 계층 중 어느 한 지점에서 발생한 교란이 객체 수준의 인지 표현 왜곡으로 나타나는 상태를 의미한다. 여기서 인지 표현은 객체 탐지, 분류, 위치 추정, 속도 추정, 센서 융합 결과 등 객체 단위로 형성되는 인지 정보를 포함한다.
입력 신호의 교란은 인지 처리 과정을 거치며 객체 수준 판단으로 변환되고, 그 결과 시스템 내부에서 형성되는 인지 결과가 실제 환경과 불일치할 수 있다. 이러한 불일치는 FN(False Negative), FP(False Positive), 위치·거리 왜곡, 분류 오류 등 다양한 형태로 나타날 수 있다. FN은 실제 환경에 객체가 존재함에도 인지 시스템이 해당 객체를 탐지하지 못하거나 탐지 결과에서 누락되는 오류이며, FP는 객체가 실제 존재하지 않음에도 인지 시스템이 객체가 존재한다고 판단하는 오류를 의미한다.
3.2.2 차량 행동 영향
차량 행동 영향은 인지 판단 오류가 계획 및 제어 모듈로 전달되어 실제 주행 동작에 반영되는 과정을 의미한다. 자율주행 시스템에서 인지 결과는 경로 계획과 차량 제어 알고리즘의 핵심 입력으로 사용되므로 객체 정보의 신뢰성이 훼손될 경우, 주행 경로 선택이나 속도 제어와 같은 차량 의사결정 과정에 영향을 줄 수 있다.

Fig. 4. Propagation of threat impact across the attack surface
다만 모든 연구가 차량 행동 수준까지의 영향을 실험적으로 검증하는 것은 아니다. 일부 연구는 인지 성능 변화에 대한 분석에 초점을 두며, 일부 연구는 통합 자율주행 스택 또는 시뮬레이션 환경을 활용하여 차량 동작 변화까지 분석한다. 이에 따라 각 연구가 인지 오류를 넘어 실제 주행 동작 변화까지 실험적으로 검증했는지를 정리한다.
IV. LiDAR, Radar 기반 인지 공격 기법 분석
4.1 입력 형성 계층 공격
4.1.1 LiDAR 기반 입력 형성 계층 공격
LiDAR 기반 입력 형성 계층 공격은 LiDAR가 주변 환경을 포인트 클라우드로 변환하는 물리적 수집 과정에 개입하여, 상위 인지 모듈에 전달되는 입력 형성을 변형하는 공격이다. 이 계층의 공격은 객체 탐지 모델의 내부 구조를 직접 변경하지 않더라도, 센서가 수신하는 반사 신호, 수광부의 동작 상태, ToF 기반 거리 산출, 내부 필터링, 또는 센서 내부 회로를 조작함으로써 포인트 클라우드의 구성 자체를 바꾼다. 그 결과 Table 2와 같이 입력 단계에서 발생한 교란은 객체 인지 단계에서 FP, FN, 거리 왜곡, 특정 방향 블라인딩과 같은 인지 판단 오류로 나타난다.
Table 2. Summary of LiDAR-based input formation layer attacks

먼저 외부 신호를 정상 반사 신호처럼 수신시키는 포인트 삽입형 공격이 있다. 이 유형은 LiDAR가 사용하는 광학 채널에 공격 신호를 주입하여 실제 물체가 없는 위치에 가짜 포인트를 형성한다. 재송신 기반 스푸핑은 LiDAR 펄스를 수신한 뒤 지연시켜 다시 송신함으로써 마찬가지로 가짜 포인트를 생성한다[5]. 이후 연구에서는 단순 포인트 삽입만으로 객체 오탐지가 안정적으로 발생하지 않는 한계를 보완하기 위해 삽입된 가짜 포인트의 위치와 형태를 조정하는 방향으로 발전하였다[6]. 더 나아가, 포인트 클라우드의 차폐 패턴을 객체 탐지 모델이 충분히 반영하지 못한다는 취약성을 이용하면 제한된 수의 포인트만으로도 전방 근거리 가짜 차량을 유도할 수 있다[3]. 따라서 포인트 삽입형 공격의 핵심은 단순히 포인트를 추가하는 것이 아니라, 추가된 포인트가 객체 탐지 파이프라인에서 유효한 객체 후보로 해석되도록 입력 분포를 구성하는 것이다.
수광부 포화 및 블라인딩 공격은 포인트를 정교하게 배치하기보다 센서의 정상 수신 능력을 약화시키는 방식이다. LiDAR와 동일한 파장의 강한 광신호가 수광부에 주입되면 센서는 정상 반사 신호의 변화를 제대로 반영하지 못하며, 특정 방향의 측정이 무력화될 수 있다[5]. 이 유형은 객체 형태를 위조해 FP를 유도하는 포인트 삽입형 공격과 달리, 특정 방향 또는 영역의 포인트 클라우드 형성을 방해하여 입력 결손을 발생시킨다.
포인트 제거형 공격은 실제 객체에서 반사된 정상 포인트가 최종 포인트 클라우드에 남지 않도록 만드는 방식이다. 이 유형은 LiDAR가 강한 반사 신호를 우선적으로 기록하는 특성과 근거리 포인트를 필터링하는 처리 과정을 이용한다. 공격자가 MOT(Minimum Operational Threshold) 이하 영역에 강한 스푸핑 반사 신호(spoofed echo)를 주입하면, 공격 신호는 필터링 과정에서 제거되면서도 실제 객체의 정상 포인트 수집을 방해할 수 있다[7]. 이후 연구에서는 고속·장거리 환경과 최신 LiDAR의 펄스 고유 특성(pulse fingerprinting)을 고려하여 A-HFR(Adaptive High-Frequency Removal) 기반 제거 공격이 제시되었다[9]. 따라서 포인트 제거형 공격은 가짜 객체를 추가하는 FP 중심 공격과 달리, 실제 객체의 입력 형성을 약화하거나 제거하여 FN을 유발하는 방향에 초점을 둔다.
전자기 기반 내부 모듈 교란 공격은 광학 채널이 아니라 LiDAR 내부 회로와 상태 감시 경로를 공격 표면으로 사용한다. IEMI(Intentional Electro-magnetic Interference) 신호는 레이저 수신 회로, 모니터링 센서, 빔 조향 모듈에 결합하여 거리 산출 오차, 포인트 삽입, 포인트 제거, LiDAR의 전원 차단을 유발할 수 있다[1]. 이 유형은 LiDAR 입력 형성 계층의 공격 표면이 외부 광학 신호 주입에만 한정되지 않고, 내부 수신 회로, 고장 탐지 및 진단 경로, 빔 조향 모듈까지 확장될 수 있음을 보여 준다.
이 공격들의 공통점은 모두 객체 탐지 모델 이후 단계가 아니라, 객체 탐지에 투입되기 전의 포인트 클라우드 형성 과정 자체를 변형한다는 점이다. 따라서 LiDAR 입력 형성 계층에서의 보안 위협은 단순 센서 노이즈가 아니라, 상위 객체 인지 결과를 FP, FN, 거리 왜곡, 블라인딩, 센서 동작 중단으로 전파시킬 수 있는 물리적 입력 조작으로 정리할 수 있다.
4.1.2 Radar 기반 입력 형성 계층 공격
Radar 기반 입력 형성 계층 공격은 Radar가 수신 반사 신호를 거리·속도 기반 객체 표현으로 변환하는 물리적 수집 및 초기 신호 처리 과정에 개입하여, 후단 객체 인지에 사용되는 Radar 입력 형성 단계를 변형하는 공격이다. 이 계층의 공격은 객체 추적기나 주행 판단 모듈의 내부 구조를 직접 변경하지 않더라도, FMCW Radar의 송수신 처프 신호(chirp signal), IF(Intermediate Frequency) 신호 형성, RD Map, 또는 CFAR(Constant False Alarm Rate) 기반 검출 과정에 영향을 주어 거리·속도 기반 객체 표현을 삽입, 제거, 또는 변형한다. 그 결과 Table 3과 같이 입력 단계에서 발생한 교란은 객체 인지 단계에서 FP, FN, 거리·속도 조작, 위치 이동(translation)과 같은 인지 판단 오류로 나타난다.
Table 3. Summary of Radar-based input formation layer attacks

먼저 공격자가 공격 대상 Radar의 정상 반환 처프처럼 보이는 신호를 능동적으로 송신하는 처프 스푸핑형 공격이 있다. 이 유형은 공격 대상 Radar가 송신한 처프를 기준으로, 공격 신호가 정상 반사 신호처럼 수신되도록 지연 시간과 위상을 제어한다. 공격자는 스푸핑된 반사 처프의 시간 지연을 조절하여 Radar가 계산하는 거리를 바꾸고, 연속 처프 사이의 위상 차이를 조절하여 속도 추정값을 바꾼다. 따라서 이 방식의 핵심은 단순히 가짜 신호를 삽입하는 것이 아니라, FMCW Radar의 거리 산출과 속도 산출 원리에 맞춰 반환 신호의 도착 시간과 위상 변화를 동시에 조작하는 것이다. 이를 통해 공격 대상 Radar는 실제 상대 객체의 거리와 속도를 공격자가 의도한 허위 궤적으로 측정할 수 있다[21].
백스캐터 변조(backscatter modulation)를 이용한 가짜 표적 생성 공격은 별도의 복잡한 Radar 송신기를 구성하기보다, 공격 대상 FMCW Radar가 송신한 신호를 백스캐터 태그가 되반사하면서 변조하는 방식이다[20]. 변조된 백스캐터 신호는 믹서 출력의 비트(beat) 신호에 주파수 변화를 만들고, 이 변화는 RD Map에서 측파대로 나타난다. 그 결과 피해 Radar는 실제 태그 주변에 존재하지 않는 가짜 표적을 검출할 수 있다. 특히 변조 주파수를 조절하면 가짜 표적의 거리 편이와 속도 편이를 변화시킬 수 있으므로, 이 공격은 RD Map 상에 쌍으로 나타나는 가짜 표적을 유도하는 FP 중심 공격으로 정리할 수 있다.
더 나아가, 공격 대상 Radar의 내부 파라미터를 사전에 알지 못하더라도 이를 실시간으로 추정한 뒤 공격 신호를 구성하는 블랙박스 물리 계층 공격이 있다[17]. 이 유형은 처프 기울기, 처프 주기, 프레임 지속 시간과 같은 FMCW Radar 파라미터를 추정한 뒤, 추정값을 기반으로 피해 Radar의 포인트 클라우드를 조작한다. 공격자는 특정 지연 시간과 위상 천이를 갖는 스푸핑된 처프 신호를 송신하여 가짜 객체를 삽입할 수 있으며, 유사 기울기 간섭(very-similar-slope interference)을 이용해 실제 표적 주변의 RD Map 영역에 클러터를 추가함으로써 CA-CFAR(Cell-Averaging Constant False Alarm Rate) 검출기의 임계값을 상승시킬 수 있다. 이 경우 실제 객체의 반사 신호가 존재하더라도 CFAR 단계에서 검출되지 않을 수 있다. 또한 FP와 FN을 동시에 결합하면 실제 객체를 제거하고 다른 거리·속도 위치에 가짜 객체를 삽입하여, 공격 대상 Radar가 객체가 이동한 것처럼 인식하는 위치 이동 공격도 가능하다. 따라서 이 유형은 FP, FN, 위치 이동을 모두 유발할 수 있는 복합 입력 조작 공격으로 정리할 수 있다.
이 공격들의 공통점은 모두 주행 판단이나 제어 명령 이후 단계가 아니라, Radar 수신 신호가 IF 신호, RD Map, CFAR 검출 결과, 포인트 클라우드로 형성되는 Radar 입력 형성 단계에서 인지 결과를 변형한다는 점이다. 따라서 Radar 입력 형성 계층에서의 보안 위협은 단순한 무작위 간섭이 아니라, FMCW Radar의 거리·속도 산출 원리와 RD Map 기반 검출 구조를 이용하여 상위 객체 인지 결과를 FP, FN, 가짜 표적(ghost target), 거리·속도 조작, 위치 이동으로 전파시킬 수 있는 물리적 입력 조작으로 정리할 수 있다.
4.2 객체 인지 계층 공격
4.2.1 LiDAR 기반 객체 인지 계층 공격
LiDAR 기반 객체 인지 계층 공격은 LiDAR가 생성한 포인트 클라우드를 대상으로, 3D 객체 탐지 모델 또는 LiDAR 기반 검출 파이프라인의 객체 수준 예측 구조를 교란하는 공격이다. 이 계층의 공격은 LiDAR의 송수신 신호 자체를 직접 조작하기보다, 3D 객체의 형상이나 적대적 메쉬(adversarial mesh)를 이용하여 탐지 모델이 형성하는 BBox(Bounding Box), 탐지 신뢰도, 객체성(objectness), 클래스 확률과 같은 인지 출력을 변화시킨다. 그 결과 Table 4와 같이 FN, 오분류와 같은 인지 판단 오류가 발생한다.
Table 4. Summary of LiDAR/Radar-based object perception layer attacks

탐지 신뢰도 억제 기반 은닉 공격은 대상 차량 위에 물리적으로 배치가 가능한 적대적 메쉬를 추가하고, LiDAR 렌더러를 통해 생성된 적대적 포인트를 기존 포인트 클라우드와 결합한 뒤, 탐지기의 후보 BBox 신뢰도를 낮추는 방식으로 수행된다[2]. 이 유형의 공격은 차량 지붕 영역을 추정한 후 적대적 물체를 지붕 위에 배치하고, 탐지 모델이 해당 차량을 객체로 판단하지 못하도록 탐지 신뢰도 점수를 최소화한다. 따라서 공격 결과는 새로운 가짜 객체 생성이 아니라, 실제 차량이 탐지 결과에서 사라지는 객체 은닉형 FN으로 나타난다.
객체 형상 최적화 기반 공격은 3D 객체 표면 또는 메쉬 정점을 조작하여 LiDAR 스캔 후 형성되는 포인트 클라우드와 후속 특징 집계 결과를 변화시키는 방식으로 수행된다[4]. 이 유형은 미분 가능한 LiDAR 렌더러와 대리 특징 집계 함수(proxy feature aggregation)를 이용하여 3D 형상 변화가 탐지 모델의 출력으로 전달되도록 구성한다. 공격 목적은 객체가 탐지되지 않도록 하는 은닉 공격과, 탐지된 객체의 클래스를 목표 라벨로 바꾸는 라벨 변경 공격으로 구분된다. 따라서 유발되는 인지 판단 오류는 객체 미탐지형 FN과 목표 라벨 오분류로 정리할 수 있다.
종합하면, LiDAR 기반 객체 인지 계층 공격은 포인트 클라우드의 물리적 생성 원리를 완전히 벗어나지 않으면서도, 후단 객체 탐지 모델이 사용하는 신뢰도, 객체성, 클래스 확률, 후보 BBox를 교란한다는 공통점을 가진다. 이 때문에 해당 공격들은 입력 신호 주입이나 센서 수광부 교란을 중심으로 하는 입력 형성 계층 공격과 구별되며, 객체 단위 인지 결과를 직접 왜곡한다는 점에서 객체 인지 계층 공격으로 분류할 수 있다.
4.2.2 Radar 기반 객체 인지 계층 공격
Radar 기반 객체 인지 계층 공격은 Radar가 형성한 객체 단위 포인트 클라우드 표현이 심층 신경망 기반 분류 모델에 입력된 이후, 모델의 분류 경계를 교란하여 객체 클래스 판단을 왜곡하는 공격이다. 해당 연구에서 확인되는 공격은 Radar 수신 신호나 비트 주파수 형성 과정에 직접 개입하지 않고, 집계된 Radar 포인트 클라우드의 공간 좌표를 조작하여 분류 모델의 출력 클래스를 바꾸는 방식으로 수행된다. 따라서 이 계층의 공격은 입력 형성 단계에서 가짜 반사 신호를 삽입하거나 거리·속도 측정값 자체를 조작하는 공격과 달리, 이미 형성된 객체 표현을 대상으로 하며, 그 결과 Table 4와 같이 인지 판단 오류는 객체 클래스 오분류로 나타난다.
이 유형의 공격은 포인트 클라우드 기반 Radar 객체 분류기가 사용하는 공간 구조를 미세하게 변형하여, 원래 클래스의 신뢰도를 낮추고 경쟁 클래스의 신뢰도를 높이는 방식으로 작동한다. 구체적으로 R-C&W(Radar Carlini & Wagner) 공격은 R-PointNet(Radar PointNet) 입력 포인트 클라우드에 제한된 크기의 좌표 교란을 추가하고, 교란 크기를 일정 범위 안에 유지하면서도 분류 결과가 다른 클래스로 바뀌도록 최적화한다[19]. 이 과정에서 Radar 고유 속성인 방사 속도, 수신 전력, 거리는 공격 대상에서 제외되고, 공간 좌표 기반의 기하 구조가 주요 조작 대상이 된다.
이 계층의 핵심 특징은 공격 표면이 Radar의 물리적 송수신 과정이 아니라, Radar 포인트 클라우드를 입력으로 사용하는 객체 분류 모델의 디지털 입력 공간이라는 점이다. 해당 계층의 연구는 Radar 객체 인지 모델이 속도, 전력, 거리와 같은 Radar 고유 특징을 함께 사용하더라도, 포인트 클라우드 좌표에 대한 작은 교란만으로 분류 성능이 크게 저하될 수 있음을 보인다. 따라서 해당 공격은 Radar 기반 입력 형성 계층 공격이 아니라, Radar 포인트 클라우드 표현이 형성된 이후의 객체 클래스 판단 과정을 직접 교란하는 Radar 기반 객체 인지 계층 공격으로 분류하는 것이 적절하다.
4.3 상태 통합 계층 공격
상태 통합 계층 공격은 객체 인지 단계에서 생성된 객체 정보를 바탕으로 수행되는 센서 간 정합, 데이터 연관, 객체 추적 및 상태 추정 과정에서의 교란을 의미한다.
그러나 현재까지 보고된 자율주행 보안 연구는 주로 입력 형성 계층이나 객체 인지 계층을 공격 표면으로 다루고 있으며, 상태 통합 계층을 최초 개입 지점으로 하는 공격 연구는 제한적으로 보고되고 있다. 또한 이 계층의 주요 처리 과정은 데이터 연관, 센서 정합, 칼만 필터 기반 상태 추정과 같은 비교적 안정적인 추정 구조에 기반하므로, 입력 교란만으로 예측 결과를 크게 변화시키는 공격을 설계하기 어렵다.
따라서 기존 연구에서는 상태 통합 계층 자체를 직접 공격하기보다, 입력 형성 단계나 객체 인지 단계에서 발생한 교란이 추적 및 상태 추정 과정으로 전파되어 시스템 수준의 오류로 확대되는 현상을 분석하는 방식이 주로 다루어져 왔다.
V. LiDAR, Radar 기반 인지 방어 기법 분석
5.1 입력 형성 계층 방어
5.1.1 LiDAR 기반 입력 형성 계층 방어
LiDAR 기반 입력 형성 계층 방어는 LiDAR가 수신 광신호를 ToF 기반 거리 측정값 또는 포인트 클라우드로 변환하는 과정에서 입력 데이터의 물리적 무결성을 검증하거나, 객체 인지 모듈에 전달되기 전비정상 포인트를 제거하는 방어이다. 이 계층의 방어는 후단 객체 탐지기나 주행 판단 모듈의 내부 정책을 직접 수정하기보다, 수신 신호, 원시 ToF 파형, 도플러 주파수 이동, 또는 포인트 클라우드 내 의심 클러스터를 검사하여 공격으로 생성된 입력 이상을 억제한다. 그 결과 Table 5와 같이 방어 대상이 되는 인지 판단 오류는 FP, FN으로 정리된다.
Table 5. Summary of LiDAR-based input formation layer defenses

수신 신호 물리 검증형 방어는 LiDAR 수신부에서 관측되는 원시 신호의 시간·주파수 특성을 이용하여 스푸핑 신호를 탐지한다. 이 유형은 포인트 클라우드가 생성된 이후의 기하학적 일관성만 검사하는 방식과 달리, 수신 신호 자체가 정상적인 LiDAR 반사 경로를 거쳤는지를 검증한다. 원시 ToF 기반 방어는 LiDAR 수신기의 원시 ToF 데이터를 분석하여 HFR(High Frequency Removal) 공격을 탐지한다[23]. HFR 공격은 고주파 펄스 레이저를 이용해 정상 포인트 클라우드 데이터를 교란하고, 실제 객체의 포인트를 제거하거나 변형하는 객체 제거 공격이다. 따라서 Raw ToF 기반 방어는 원시 ToF 데이터에 남는 주파수 영역 패턴을 FFT(Fast Fourier Transform)로 분석함으로써 FN을 탐지하는 방식으로 정리된다.
도플러 기반 물리 계층 인증 방어는 정상 LiDAR 반사 신호와 공격자가 직접 주입한 스푸핑 신호가 서로 다른 전파 경로를 가진다는 점에 기반하여, 도플러 주파수 이동을 이용해 수신 신호의 물리적 진위를 검증한다[29]. 해당 방어는 ToF 기반 속도와 도플러 기반 속도의 일관성을 검사하여 스푸핑 여부를 판단하며, 이 방식은 ToF 조작으로 인한 FP와 FN을 모두 검출 대상으로 둔다.
온라인 포인트 클라우드 정제형 방어는 LiDAR 센싱 모듈과 인지 모듈 사이에서 포인트 클라우드를 직접 처리하여, 물리 객체 기반 공격으로 생성된 공격 포인트를 제거한다. 이 유형은 공격자가 도로 환경에 물리 객체를 배치하여 LiDAR 객체 탐지 모델이 전방 차량을 인식하지 못하게 만드는 물리 객체 기반 공격을 대상으로 한다[10]. 방어 과정은 먼저 RANSAC(Random Sample Consensus) 기반 지면 제거와 ROI(Region of Interest) 설정을 통해 전방 관심 영역을 좁히고, DBSCAN (Density-Based Spatial Clustering of Applications with Noise)을 이용해 의심 포인트 군집을 추출한다. 이후 RL(Reinforcement Learning) 기반 탐색을 통해 공격 물체가 생성한 포인트를 찾아 제거하고, 수정된 포인트 클라우드를 객체 탐지기에 다시 입력하여 숨겨진 전방 차량이 검출되는지 확인한다. 따라서 이 유형은 인지 모듈에 입력되기 전 포인트 클라우드를 정제하여 물리 객체 기반 차량 은닉으로 인한 FN을 완화하는 방어이다.
종합하면, LiDAR 기반 입력 형성 계층 방어는 공격이 객체 탐지 결과로 확정되기 전에 수신 신호, 원시 ToF 파형, 도플러 물리량, 또는 포인트 클라우드 내 비정상 포인트 구성을 검사한다는 공통점을 가진다. 따라서 이들 연구는 모두 후단 추적·계획 모듈의 의사결정보다 앞선 단계에서 LiDAR 입력 표현의 신뢰성을 회복한다는 점에서 입력 형성 계층 방어로 분류할 수 있다.
5.1.2 Radar 기반 입력 형성 계층 방어
Radar 기반 입력 형성 계층 방어는 Radar가 수신 반사 신호를 FMCW 기반 거리·속도 측정값, RD Map, 또는 객체 후보로 변환하는 과정에서 입력 신호의 물리적 무결성을 검증하거나, 객체 인지 모듈에 전달되기 전 비정상 Radar 입력을 억제하는 방어이다. 이 계층의 방어는 후단 객체 탐지기, 추적기, 또는 주행 판단 모듈의 내부 정책을 직접 수정하기보다, 송신 처프, Radar 프레임, 반사 신호 세기, 송신 위상 코드, 수신 방향 검증과 같은 Radar 입력 형성 조건을 조정한다. 그 결과 Table 6과 같이 방어 대상이 되는 인지 판단 오류는 FP, FN, 거리·속도 조작 등으로 인한 객체 표현 왜곡이다.
Table 6. Summary of Radar-based input formation layer defenses

변조 신호 물리 검증형 방어는 공격자 또는 백스캐터가 Radar 처프에 변조 기반 주파수 이동을 삽입하여 정상 반사 신호처럼 보이는 가짜 피크(peak)를 생성하는 상황을 대상으로 한다[22]. 이 유형은 RD Map이 형성된 이후의 객체 판단만 검사하는 방식과 달리, 수신 신호에 포함된 주파수 변화가 정상 물체 반사에서 발생한 지연 기반 변화인지, 공격자가 만든 변조 기반 변화인지를 구분한다. 이를 위해 처프를 여러 서브 처프로 나누어 속도 변조를 탐지하고, Radar 프레임을 균일 처프와 비균일 처프로 나누어 거리 변조를 탐지한다. 따라서 이 유형은 변조 신호가 실제 객체가 없는 위치에 가짜 거리·속도 피크를 형성하는 FP를 탐지하는 방어로 정리된다.
가상 채널 일관성 검증형 방어는 공격자가 Radar의 송신 파형 정보를 이용하여 실제 객체처럼 보이는 가짜 표적을 생성하는 상황을 대상으로 한다[27]. 이 유형은 VC(Virtual Channel)마다 서로 다른 주파수 기울기와 위상 조건을 부여하고, 각 채널에서 계산된 거리·속도 추정값이 물리적으로 일관되는지를 비교한다. 정상 객체는 복수 채널에서 일관된 거리·속도 관계를 유지하지만, 공격자가 생성한 가짜 표적은 채널 간 거리·속도 불일치, 또는 비현실적인 속도 변동을 보일 수 있다. 따라서 이 유형은 FP를 탐지하고, 공격 신호가 후단 객체 인지에 정상 객체 후보로 전달되는 것을 완화하는 방어이다.
반사 신호 강화형 방어는 주변 차량 Radar의 간섭으로 인해 Radar가 실제 표적의 반사 신호를 충분히 검출하지 못하는 상황을 대상으로 한다[25]. 이 유형은 간섭 성분을 후단 객체 탐지기에서 보정하는 방식이 아니라, 주변 차량에 IRS(Intelligent Reflective Surface)를 부착하여 송신원 Radar 방향으로 되돌아가는 유효 반사 신호를 강화한다. 특히 능동형 IRS는 반사 신호의 위상과 전력을 조정하여 간섭 환경에서도 RD Map의 표적 피크가 더 뚜렷하게 형성되도록 한다. 따라서 이 유형은 실제 객체의 반사 신호가 간섭에 묻혀 검출되지 않는 FN을 완화하는 방어로 정리된다.
송신 위상 코드 최적화형 방어는 여러 차량의 PMCW(Phase-Modulated Continuous Wave) Radar가 동일 또는 유사한 주파수 대역에서 동작하면서 서로의 송신 신호가 피해 Radar의 거리 프로파일 또는 RD Map에 간섭 성분으로 나타나는 상황을 대상으로 한다[26]. 후단 객체 탐지 결과를 수정하는 것이 아니라, 두 Radar의 송신 위상 코드를 협력적으로 설계하여 코드 간 상호상관을 낮추고 상호 간섭 전력을 줄인다. 간섭 성분이 RD Map에서 객체처럼 강한 피크로 나타나면 오경보를 유발할 수 있으므로, 이 유형은 상호 간섭으로 발생하는 FP를 완화하는 방어로 정리된다.
송수신 방향 물리 검증형 방어는 공격 신호가 Radar의 거리 또는 속도 추정값을 조작하더라도, 해당 신호가 실제 송신 방향과 수신 방향의 물리적 관계를 만족하는지를 검증하는 방식이다[28]. MIMO(Multiple-Input Multiple-Output) 빔 포밍을 이용해 여러 좁은 빔을 무작위 방향으로 송신하고, 수신 신호의 DoA(Direction of Arrival)가 송신 빔의 방향과 일치하는지 확인한다. 송수신 방향의 관계를 만족하지 않는 신호는 의심 신호로 분류되어 거리 계산에서 제외된다. 따라서 이 유형은 공격자가 주입한 가짜 반사 입력이 잘못된 거리·속도 측정값으로 반영되는 FP를 완화하는 방어로 정리된다.
Radar 기반 입력 형성 계층 방어는 공격이 객체 탐지 결과로 확정되기 전에 송신 처프, Radar 프레임, 반사 신호 세기, 송신 위상 코드, 수신 방향과 같은 입력 형성 조건을 검사하거나 조정한다는 공통점을 가진다. 따라서 이들 연구는 모두 후단 객체 인지 또는 상태 통합 단계의 판단을 보정하는 것이 아니라, Radar 기반 객체 표현이 생성되는 입력 형성 단계에서 입력 신뢰성을 회복한다는 점에서 입력 형성 계층 방어로 분류할 수 있다.
5.2 객체 인지 계층 방어
5.2.1 LiDAR 기반 객체 인지 계층 방어
LiDAR 기반 객체 인지 계층 방어는 LiDAR 포인트 클라우드가 3D 객체 탐지 모델 3D-OD(3D Object Detection)에 입력되거나 객체 후보로 변환되는 과정에 개입하여 공격 영향을 완화하는 방어이다. 이 계층의 방어는 LiDAR의 물리적 수신 신호, ToF 기반 거리 산출, 센서 내부 회로를 직접 보호하는 것이 아니라, 이미 형성된 포인트 클라우드와 객체 탐지 모델의 입력·구조·출력 후보를 대상으로 한다. 그 결과 Table 7과 같이 객체 인지 단계에서 발생하는 FN, FP와 같은 인지 판단 오류를 줄이는 방향으로 동작한다.
Table 7. Summary of LiDAR/Radar-based object perception layer defenses

먼저 포인트 클라우드 정화 기반 방어는 객체 탐지 모델에 입력되기 전의 포인트 클라우드에서 공격 포인트를 식별하고 제거하는 방식이다[13]. 이 유형은 ROI에 객체 형태의 클러스터가 존재하지만, LiDAR 객체 탐지 모델이 해당 위치의 객체를 탐지하지 못하는 상황을 공격 의심 조건으로 사용한다. 이후 의심 클러스터에서 은닉된 차량의 표면을 추정하고, 추정된 차량 표면과 불일치하는 포인트를 적대적 포인트로 판단하여 제거한다. 따라서 이 방식은 센서 입력 형성 자체를 복구하는 방어라기보다, 객체 탐지 실패를 기준으로 포인트 클라우드를 정화하여 FN을 완화하는 객체 인지 계층 방어로 정리된다.
동적 모델 구조 기반 방어는 고정된 단일 3D 객체 탐지 모델에 의존하지 않고, Hypernet 기반으로 여러 탐지 모델을 런타임에 생성한 뒤 이들의 탐지 결과를 결합하는 방식이다[14]. 이 유형은 공격자가 특정 객체 탐지 모델의 구조나 파라미터를 기준으로 적대적 교란을 설계한다는 점을 방어 대상으로 삼는다. 방어 모듈은 3D-OD 모델의 일부 층을 동적으로 생성하고, 생성된 모델들의 탐지 결과를 융합 및 보정하여 최종 차량 탐지 결과를 산출한다. 이는 실제 차량이 탐지되지 않는 차량 은닉과 존재하지 않는 유령 차량이 탐지되는 차량 생성을 모두 대상으로 하므로, 객체 인지 단계의 FN과 FP를 함께 완화하는 방어로 분류된다.
객체 후보 검증 기반 방어는 3D 객체 탐지기가 이미 출력한 객체 후보가 실제 물체인지 여부를 추가로 판별하는 방식이다[15]. 이 유형은 FP 공격이 소수의 가짜 포인트를 이용해 존재하지 않는 차량을 탐지 결과에 생성한다는 점에 대응한다. 방어 모듈은 예측된 객체의 BBox와 교차하는 국소 필러를 대상으로 LOP(Local Objectness Predictor)를 적용하고, 각 객체 국소 파트가 실제 객체에 속하는지를 깊이-밀도 관계에 따라 평가한다. 이후 다수결 판단을 통해 객체 후보가 실제 객체인지 가짜 객체인지 결정하고, 일관성이 낮은 후보를 제거한다. 따라서 이 방식은 존재하지 않는 차량이 탐지되는 가짜 차량, 즉 FP 형태의 인지 판단 오류를 완화하는 방어로 정리된다.
LiDAR 기반 객체 인지 계층 방어는 센서가 포인트 클라우드를 생성하는 물리적 입력 형성 과정을 직접 보호하는 것이 아니라, 포인트 클라우드가 객체 단위 탐지 결과로 변환되는 인지 처리 과정에서 공격 영향을 줄인다. 모두 LiDAR 물리 신호의 생성 과정이 아니라 객체 탐지 모델의 입력, 구조, 또는 출력 후보를 대상으로 방어를 수행하므로 객체 인지 계층 방어로 분류하는 것이 타당하다.
5.2.2 Radar 기반 객체 인지 계층 방어
Radar 기반 객체 인지 계층 방어는 FMCW Radar가 생성한 에코 데이터 큐브와 RD Map을 입력으로 사용하는 RTD(Radar Target Detection) 모델의 특징 추출 및 예측 단계에 개입하여, 적대적 샘플로 인해 발생하는 객체 인지 오류를 완화하는 방어이다. 이 계층의 방어는 송신 파형이나 수신 신호의 물리적 형성 과정을 직접 수정하는 방식이 아니라, 심층 학습 기반 RTD 모델 내부의 특징 표현과 예측 구조를 보강한다. 그 결과 Table 7과 같이 방어 대상이 되는 인지 판단 오류는 공격으로 인한 예측 오류, 탐지 정확도 저하, 거리 및 속도 추정 오류로 정리된다.
적대 특징 정제 기반 방어는 Radar 입력으로부터 생성된 특징 표현에 적대 학습 구조를 결합하여, 공격이 포함된 특징과 정상 특징을 구분하고 후단 예측의 강건성을 높이는 방식이다[24]. 이 방어는 코히어런트 펄스 맵(coherent pulse map)을 사용하는 DAALnet과 거리-도플러 특징을 사용하는 TDDLnet에 RGAN(Radar Generative Adversarial Network)을 결합한다. RGAN은 생성자와 판별자를 통해 공격 신호와 실제 신호의 차이를 학습하고, 공격이 포함된 입력에서 정상 신호에 가까운 표현을 복원하도록 설계된다. 이후 두 네트워크에서 추출된 활성 특징은 결합되어, OHDL(Optimized Hybrid Deep Learning)과 EPSO(Enhanced Particle Swarm Optimization)를 통해 표적의 거리와 속도 예측에 사용된다.
이 계층의 방어는 Radar 신호의 물리적 송수신 조건을 직접 바꾸는 입력 형성 계층 방어와 구분된다. 해당 방어는 RTD 모델 내부에서 적대 특징을 처리하고, 후단 객체 인지 결과인 표적 분류, 거리 예측, 속도 예측의 성능 저하를 완화한다. 따라서 해당 연구는 Radar 기반 객체 인지 계층 방어로 볼 수 있다.
5.3 상태 통합 계층 방어
5.3.1 단일 센서 상태 통합 계층 방어의 공백
단일 센서 상태 통합 계층 방어는 단일 LiDAR 또는 Radar에서 생성된 객체 위치, 거리, 속도, 점유 영역, 추적 결과와 같은 상태 표현의 일관성을 이용하여 인지 결과의 신뢰성을 검증하는 방어를 의미한다. 그러나 검토한 연구들은 모두 단일 센서 내부에서 독립적으로 상태 추정을 보정하는 방식이 아니라, 동일 센서 유형을 여러 개 사용하거나 인접 차량의 센서 관측을 공유하여 상태 추정의 신뢰성을 확보한다. 각 연구의 정리는 Table 8과 같다.
Table 8. Summary of multi-sensor-based state integration layer defenses

차량 간 LiDAR 협력 인식형 방어는 피해 차량의 LiDAR 포인트 클라우드만을 신뢰하지 않고, 인접 차량이 관측한 스캔 데이터를 함께 사용하여 객체 영역과 위험 영역을 재구성한다[12]. 이 유형은 NEO(Non-Existing Obstacle), PRA(Physical Removal Attack), AO(Adversarial Object)를 대상으로 하며, 공격으로 인해 생성된 가짜 장애물 또는 숨겨진 실제 장애물을 식별한다. 방어 과정에서는 BBox와 장애물 및 비가시 영역을 계산하고, FDII(Fault Detection, Identification, and Isolation) 절차와 스캔 대조를 통해 공격 유형을 구분한 뒤, 손상된 관측을 제외하고 위험 지역을 재구성한다.
동일 Radar 협력 검증형 방어는 FMCW Radar의 거리 측정값과 Radar 위치 정보를 여러 대의 Radar로부터 수집한 뒤, 목표물 위치 추정 결과가 물리적으로 일관되는지를 검증한다[18]. 이 유형은 공격자가 특정 피해 Radar에 대해 거리 및 속도 스푸핑을 수행하여 가짜 표적을 생성하는 상황을 대상으로 한다. 방어 과정에서는 NLLS(Non-Linear Least Squares)를 통해 표적의 위치 추정을 수행한 뒤, 도로 영역과 위치 제약을 이용한 공간 검증, 거리 잔차 분석, Radar 조합별 위치 추정의 일관성 검사를 통해 FP 형태의 가짜 표적을 식별한다.
두 연구의 공통점은 단일 센서의 내부 상태 추정만으로 방어를 수행하지 않는다는 점이다. LiDAR 기반 사례는 여러 차량의 LiDAR 관측을 비교하여 가짜 장애물과 숨겨진 장애물을 식별한다. Radar 기반 사례는 여러 Radar의 거리·위치 정보를 결합하여 가짜 표적의 상태 추정 불일치를 탐지한다. 따라서 이 연구들은 단일 센서 상태 통합 계층 방어의 직접 사례라기보다, 단일 센서 상태 통합 방어가 부족한 상황에서 동일 센서 기반 다중 관측 또는 협력 인식을 통해 그 공백을 보완하는 사례로 분류하는 것이 적절하다.
5.3.2 LiDAR-Radar 융합 기반 상태 통합 계층 방어
LiDAR–Radar 융합 기반 상태 통합 계층 방어는 LiDAR 포인트 클라우드와 Radar 측정값을 공통 시간·좌표·상태 공간에서 결합하여, 후단 객체 상태 추정과 추적 결과의 일관성을 확보하는 방어이다. 이 계층의 방어는 개별 센서의 물리 신호나 단일 객체 탐지 모델만을 수정하는 것이 아니라, 서로 다른 센서에서 생성된 객체 후보, 위치 측정값, 속도 정보, 시간 지연 정보를 융합 단계에서 보정한다. 그 결과 Table 9와 같이 시간 비정렬에 따른 객체 탐지 정확도 저하, 위치·속도 상태 추정 오차, 지연 측정에 따른 추적 오차와 같은 인지 판단 오류를 완화한다.
Table 9. Summary of LiDAR-Radar fusion-based state integration layer defenses

센서 프레임 시간 정렬 보정형 방어는 서로 다른 주기로 생성되는 LiDAR와 Radar 프레임을 융합할 때 발생하는 시간 비정렬 문제를 대상으로 한다[16]. 이 유형은 느린 Radar 프레임을 기다리지 않고 새 LiDAR 프레임이 도착할 때 최신 Radar 프레임과 융합함으로써 융합 주파수를 높인다. 그러나 시간적으로 정렬되지 않은 Radar와 LiDAR 프레임을 그대로 사용하면 객체 검출 정확도가 저하되므로, 오프셋 인지 학습, 분리 학습, 혼합 학습, 프레임 건너뛰기를 통해 시간 비정렬 상황에서도 검출 성능 저하를 줄인다. 따라서 이 유형은 최종 평가 지표가 객체 검출 정확도이더라도, 핵심 개입 지점이 단일 객체 검출기가 아니라 센서 간 시간 오프셋 보정과 융합 시점 조정에 있으므로 상태 통합 계층 방어로 분류할 수 있다.
공통 상태 공간 기반 융합 방어는 LiDAR가 제공하는 위치 정보와 Radar가 제공하는 속도 정보를 하나의 객체 상태 추정 문제로 결합한다[8]. 이 유형은 GB-DBSCAN(Grid-Based Density-Based Spatial Clustering of Applications with Noise)을 통해 LiDAR, Radar 측정값에서 객체 중심점을 추출하고, RANSAC을 통해 객체 속도와 기하 형상을 추정한 뒤, EKF(Extended Kalman Filter) 또는 UKF(Unscented Kalman Filter)를 이용해 위치와 속도 상태를 갱신한다. 따라서 이 유형은 단일 센서의 위치 또는 속도 한계를 보완하여 객체 상태 추정 오차를 줄이는 방식으로 동작한다.
지연 인지형 다중 표적 추적 방어는 고속 주행 환경에서 LiDAR와 Radar 측정이 서로 다른 지연과 도착 순서를 갖는 문제를 대상으로 한다[11]. 이 유형은 MTT(Multi-Target Tracking) 구조 안에서 OOSM(Out-of-Sequence Measurement)을 재처리하고, 이중 상태·측정 버퍼를 이용해 과거 상태로 되돌아가 누락 없이 측정값을 반영한다. 또한 Radar의 거리 변화율을 EKF 측정 함수에 직접 포함하고, 트랙 곡률에서 유도한 요레이트 입력(yaw-rate input)을 예측 단계에 반영하여 상대 차량의 위치·속도 추정 안정성을 높인다. 따라서 이 유형은 센서 지연과 비동기성이 추적 오차로 전파되는 것을 줄이는 상태 통합 방어에 해당한다.
이들 연구는 모두 LiDAR 또는 Radar 중 하나의 센서 출력만을 독립적으로 보정하는 것이 아니라, 서로 다른 센서에서 생성된 프레임과 측정값을 시간, 좌표, 상태 추정 관점에서 정합한다는 공통점을 갖는다. 특히 시간 비정렬 프레임을 보정하여 객체 검출 성능 저하를 완화하거나, 위치·속도 정보를 칼만 필터 기반 상태 공간에서 결합하거나, 지연 및 비동기 측정을 재처리하여 추적 상태를 안정화한다는 점에서 하위 센서 입력이 후단 인지 결과로 반영되는 통합 과정을 방어 대상으로 삼는다. 따라서 해당 연구들은 방어의 핵심 개입 지점이 센서 간 융합·정렬·상태 갱신 과정에 있으므로 LiDAR–Radar 융합 기반 상태 통합 계층 방어로 분류한다.
VI. 논의
6.1 분석 틀 설정의 근거와 활용 의의
본 논문에서 개입 위치를 입력 형성 계층, 객체 인지 계층, 상태 통합 계층으로 구분한 이유는 공격 또는 방어 연구가 자율주행 인지 파이프라인의 어느 지점에 개입하는지, 어느 지점에서 신뢰성을 훼손하거나 회복하는지를 명확히 파악하기 위해서이다. 동일한 인지 판단 오류가 발생하더라도, 그 원인이 센서 입력 형성 과정의 조작인지, 객체 탐지 모델의 판단 오류인지, 또는 융합·추적·상태 추정 과정의 불안정성인지는 서로 다르다. 따라서 개입 위치 기반 분류는 공격의 발생 지점과 방어가 적용되어야 할 지점을 연결하기 위한 기준으로 기능한다.
또한 공격 영향을 인지 판단 오류와 차량 행동 영향으로 구분한 이유는 객체 수준 오류와 실제 주행 위험을 분리하여 분석하기 위해서이다. 공격으로 인해 FP, FN, 거리·속도 왜곡, 오분류와 같은 인지 판단 오류가 발생하더라도, 해당 오류가 실제 주행 경로, 속도 제어, 회피 판단, 안전 영역 변화로 이어지는지는 별도의 검증이 필요하다. 따라서 두 영향 단계를 구분하면 공격의 기술적 성공 여부와 시스템 수준 위험을 함께 판단할 수 있다.
이러한 분석 틀은 향후 방어 연구를 설계하는 데에도 활용될 수 있다. 새로운 공격 연구가 제시될 경우, 효과적인 방어 기법을 제안하기 위해서는 먼저 공격이 어느 계층에 최초로 개입하는지, 그 결과 어떤 인지 판단 오류를 유발하는지, 최종적으로 차량 행동에 어떤 영향을 미치는지를 확인해야 한다. 따라서 본 논문의 분류 기준은 기존 연구를 정리하는 데 그치지 않고, 공격 영향의 전개 과정을 따라 방어 지점을 설정하기 위한 기준으로 활용될 수 있다.
6.2 개입 위치 기반 3계층 분류의 분석 결과
기존 연구는 입력 형성 계층과 객체 인지 계층에 주로 집중되어 있다. 두 계층은 센서 신호, 측정값, 포인트 클라우드처럼 비교적 명확한 개입 지점을 제공하기 때문이다. 반면 상태 통합 계층은 이미 생성된 객체 정보를 시공간적으로 정합하고 갱신하는 후단 절차이므로 독립적인 공격 또는 방어가 상대적으로 어렵다. 실제로 상태 통합 계층 공격은 하위 계층의 교란이 추적 및 상태 추정 과정으로 전파되는 형태로만 주로 다루어졌으며, 방어 연구에서도 단일 센서 내부에서 독립적으로 상태 추정을 보정하는 사례는 확인되지 않았다. 대신 동일 센서 기반 다중 관측, 협력 인식, LiDAR–Radar 융합을 통해 상태 통합 계층의 공백을 보완하는 연구가 확인된다.
따라서 3계층 분류의 분석 결과는 기존 연구가 전단의 입력 조작과 객체 인지 교란에는 비교적 활발히 대응해 왔지만, 후단의 상태 통합 과정에서 오류가 누적·보정·확대되는 문제는 충분히 다루지 못했음을 보여준다.
6.3 인지 판단 오류와 차량 행동 영향 분석 결과
본 논문에서 검토한 모든 연구는 인지 판단 오류 수준에서 정리될 수 있었다. 이는 개입 위치가 서로 다르더라도, 공격 또는 방어의 직접 결과는 최종적으로 객체 인지 결과의 변화로 환원되어 비교 가능하다는 것을 보여준다. 즉 입력 형성 계층, 객체 인지 계층, 상태 통합 계층의 오류는 서로 다른 처리 지점에서 발생하지만, 분석 표에서는 모두 객체 인지 결과의 변화로 정리된다.
이러한 결과는 공격 연구에 대한 방어 연구의 적용 지점을 설정하는 데에도 의미가 있다. 동일한 인지 판단 오류의 형태와 최초 개입 계층을 함께 파악해야 방어가 센서 입력을 보호해야 하는지, 객체 인지를 보정해야 하는지, 또는 상태 통합 과정의 오류 전파를 차단해야 하는지를 구분할 수 있다.
그러나 이러한 인지 판단 오류가 실제 차량 행동 영향으로 이어지는지는 모든 연구에서 검증되지 않았다. 다수의 연구는 인지 결과의 변화까지는 제시하지만, 그 변화가 계획 및 제어 단계로 전달되어 실제 주행 경로, 속도 제어, 회피 판단, 안전 영역 변화에 어떤 영향을 미치는지는 입증하지 못하였다. 따라서 기존 연구는 공격 또는 방어의 인지 수준 효과를 비교하는 데에는 충분한 근거를 제공하지만, 이를 실제 자율주행 안전성의 변화로 일반화하기에는 검증 범위가 제한적이다.
VII. 결론
본 논문은 LiDAR 및 Radar 기반 자율주행 인지 보안 연구를 자율주행 인지 파이프라인의 개입 위치와 공격 영향 전개 관점에서 재구성하였다. 이를 통해 개별 공격·방어 기법을 센서 유형이나 기술 명칭 중심으로 나열하는 방식에서 벗어나, 공격이 어느 처리 지점에서 시작되고 어떤 객체 수준 오류를 유발하며, 그 영향이 차량 행동 수준까지 검증되었는지를 비교할 수 있는 분석 기준을 제시하였다.
향후 연구에서는 이러한 분석 기준을 공격과 방어 연구를 연결하는 기준으로 확장할 필요가 있다. 새로운 공격 기법이 제시될 경우, 해당 공격의 최초 개입 계층, 유발되는 인지 판단 오류, 차량 행동 영향 검증 여부를 함께 제시해야 하며, 방어 연구는 이 전개 과정 중 어느 지점에서 공격 영향을 차단하거나 완화하는지를 명확히 설명해야 한다. 이를 통해 공격 연구와 방어 연구가 서로 분리되지 않고 동일한 평가 기준 위에서 비교될 수 있다.
또한 향후 연구는 센서 출력 또는 객체 탐지 성능만을 평가하는 방식에서 나아가, 인지 판단 오류가 상태 통합 과정과 주행 의사결정에 반영되는 과정을 함께 검증해야 한다. 특히 단일 센서 내부 상태 보정, LiDAR–Radar 융합 과정의 신뢰성, 차량 행동 영향 검증을 포함하는 평가 체계가 마련되어야 한다. 이러한 방향으로 연구가 확장될 때, LiDAR 및 Radar 기반 자율주행 인지 보안 연구는 개별 취약점 분석을 넘어 실제 자율주행 시스템의 안전성 평가와 연결될 수 있다.
References
- Z. Jin, Q. Jiang, X. Lu, C. Yan, X. Ji, and W. Xu, "PhantomLiDAR: cross-modality signal injection attacks against LiDAR," Proceedings of the Network and Distributed System Security Symposium (NDSS) 2025, Feb. 2025.
- J. Tu, M. Ren, S. Manivasagam, M. Liang, B. Yang, R. Du, F. Cheng, and R. Urtasun, "Physically realizable adversarial examples for LiDAR object detection," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 13716-13725, Jun. 2020.
- J. Sun, Y. Cao, Q.A. Chen, and Z.M. Mao, "Towards robust LiDAR-based perception in autonomous driving: general black-box adversarial sensor attack and countermeasures," Proceedings of the 29th USENIX Security Symposium (USENIX Security '20), pp. 877-894, Aug. 2020.
- Y. Cao, C. Xiao, D. Yang, J. Fang, R. Yang, M. Liu, and B. Li, "Adversarial objects against LiDAR-based autonomous driving systems," arXiv preprint arXiv:1907.05418, Jul. 2019.
- H. Shin, D. Kim, Y. Kwon, and Y. Kim, "Illusion and dazzle: adversarial optical channel exploits against lidars for automotive applications," Cryptographic Hardware and Embedded Systems (CHES) 2017, LNCS 10529, pp. 445-467, 2017.
- Y. Cao, C. Xiao, B. Cyr, Y. Zhou, W. Park, S. Rampazzi, Q.A. Chen, K. Fu, and Z.M. Mao, "Adversarial sensor attack on LiDAR-based perceptionin autonomous driving," Proceedingsof the 2019 ACM SIGSACConferenceon Computer and CommunicationsSecurity (CCS '19), pp. 2267-2281,Nov. 2019.
- Y. Cao, S.H. Bhupathiraju, P.Naghavi, T. Sugawara, Z.M. Mao,and S. Rampazzi, "You can't seeme:physical removal attacks onLiDAR-based autonomous vehiclesdriving frameworks," Proceedingsof the 32nd USENIX SecuritySymposium (USENIX Security '23), pp.2993-3010, Aug. 2023.
- W. Farag, "Lidar and radar fusionforreal-time road-objects detectionandtracking," Intelligent DecisionTechnologies, vol. 15, no. 2, pp. 291-304,May 2021.
- T. Sato, R. Suzuki, Y. Hayakawa, K.Ikeda, O. Sako, R. Nagata, R.Yoshida, Q.A. Chen, and K. Yoshioka,"On the realism of LiDARspoofingattacks against autonomous drivingvehicle at high speed andlongdistance," Proceedings of the Networkand Distributed SystemSecuritySymposium (NDSS) 2025, Feb. 2025.
- Y. Zhang, Z. Liu, C. Jia, Y. Zhu, andC. Miao, "An online defense againstobject-based LiDAR attacks inautonomous driving," Proceedingsof the 22nd ACMConferenceonEmbedded Networked Sensor Systems(SenSys '24), pp. 380-393, Nov. 2024.
- M. Cellina, M. Corno, andS.M.Savaresi, "Target trackingviaLiDAR-RADAR sensor fusionforautonomous racing," arXiv preprintarXiv:2505.20043, May 2025.
- H. Zhang, Z. Li, S. Cheng, andA.Clark, "Cooperative perceptionfor safe control of autonomous vehicles under LiDAR spoofing attacks," Proceedings of the Symposium on Vehicle Security and Privacy (VehicleSec) 2023, Feb. 2023.
- Y. Zhang, Z. Liu, Y. Zhu, and C. Miao, "Towards real-time defense against object-based LiDAR attacks in autonomous driving," Proceedings of the 2025 ACM SIGSAC Conference on Computer and Communications Security (CCS '25), pp. 3825-3839, Oct. 2025.
- Y. Xu, D. Guo, Q. Song, Y. Lou, Y. Zhu, J. Wang, C. Qiao, and R. Tan, "Dynamic defense for car-borne LiDAR vehicle detection," Proceedings of the 23rd Annual International Conference on Mobile Systems, Applications and Services (MobiSys '25), 14 pages, Jun. 2025.
- Q. Xiao, X. Pan, Y. Lu, M. Zhang, J. Dai, and M. Yang, "Exorcising 'Wraith': protecting LiDAR-based object detector in automated driving system from appearing attacks," Proceedings of the 32nd USENIX Security Symposium (USENIX Security '23), pp. 2939-2956, Aug. 2023.
- W. Xie, T. Hu, N. Ling, G. Xing, C.J. Xue, and N. Guan, "Timely fusion of surround radar/lidar for object detection in autonomous driving systems," Proceedings of the 2024 IEEE 30th International Conference on Embedded and Real-Time Computing Systems and Applications (RTCSA), pp. 31-36, Aug. 2024.
- D. Hunt, K. Angell, Z. Qi, T. Chen, and M. Pajic, "MadRadar: a black-box physical layer attack framework on mmWave automotive FMCW radars," arXiv preprint arXiv:2311.16024, Nov. 2023.
- H. Wu, Ç. Önen, andA.Pandharipande, "Cooperative automotive radar systemfor ghost targetspoofing detection," Proceedings of the2025 IEEE SENSORS, pp. 1-4, Oct.2025.
- Y. Hadad, I. Stainvas, and I. Bilik,"Adversarial attack on automotiveradar point cloud classifiers," Proceedings of the 2025 IEEERadarConference (RadarConf25), pp. 1513-1518, Oct. 2025.
- A. Lazaro, A. Porcel, M. Lazaro, R.Villarino, and D. Girbau, "Spoofingattacks on FMCWradars withlow-cost backscatter tags," Sensors,vol. 22, no. 6, pp. 2145, Mar. 2022.
- R. Komissarov and A. Wool, "Spoofingattacks against vehicular FMCWradar," Proceedings of the 5thWorkshop on Attacks and SolutionsinHardware Security (ASHES'21), pp.91-97, Nov. 2021.
- K. Qian and P. Pathak, "Towardspoofing-resilient and communicationintegrated mmWave radar sensing,"Proceedings of the 23rd Annual International Conference onMobileSystems, Applications and Services(MobiSys '25), pp. 417-430, Jun.2025.
- R. Suzuki, T. Sato, Y. Hayakawa, K.Ikeda, O. Sako, R. Nagata, R.Yoshida, Q.A. Chen, and K. Yoshioka,"From lab to road: realizinganddetecting LiDAR spoofing attacksagainst autonomous vehicles at highspeed and long distance," IEEESensors Journal, vol. 25, no. 13, pp.25661-25681, Jul. 2025.
- M.M. Akhtar, Y. Li, W. Cheng, L.Dong, Y. Tan, and L. Geng, "AOHDL:adversarial optimized hybriddeep learning design for preventing attack in radar target detection," Remote Sensing, vol. 16, no. 16, pp. 3109, Aug. 2024.
- S.P. Maruthi, Karrthik G.K., Vijaya Krishna A., M. Hassan, and J. Yuan, "Mitigating automotive radar interference using onboard intelligent reflective surface," arXiv preprint arXiv:2404.16253, Apr. 2024.
- Z. Esmaeilbeig, A. Bose, and M. Soltanalian, "Mutual interference mitigation in PMCW automotive radar," Proceedings of the 2023 20th European Radar Conference (EuRAD), pp. 118-121, Sep. 2023.
- K. Huang, S. Liu, Y. Qiu, Y. Chen, and J. Zhang, "AttackDeceiver: anti-spoofing automotive radar systemusing a phase-shifted interleavingwaveform," IEEE TransactionsonDependable and Secure Computing,vol. 23, no. 1, pp. 1499-1513,Jan./Feb. 2026.
- P. Kapoor, A. Vora, and K.-D. Kang,"Detecting and mitigating spoofingattack against an automotive radar,"Proceedings of the 2018 IEEE88thVehicular Technology Conference(VTC-Fall), pp. 1-6, Aug. 2018.
- X. Hu, T. Liu, T. Shu, andD.Nguyen, "Spoofing detectionforLiDAR in autonomous vehicles: aphysical-layer approach," IEEEInternet of Things Journal, vol. 11,no. 11, pp. 20673-20689, Jun. 2024.