• 정보처리학회논문지C
• /
• 제16C권2호
• /
• pp.151-164
• /
• 2009

센서 네트워크는 유비쿼터스 컴퓨팅 구현을 위한 기반 네트워크 중의 하나로 그 중요성이 점차 부각되고 있으며, 네트워크 특성상 보안 기술 또한 기반 기술과 함께 중요하게 인식되고 있다. 현재까지 진행된 센서 네트워크 보안 기술은 암호화에 의존하는 인증 구조나 키 관리 구조에 대한 연구가 주를 이루었다. 그러나 센서 노드는 쉽게 포획이 가능하고 암호화 기술을 사용하는 환경에서도 키가 외부에 노출되기 쉽다. 공격자는 이를 이용하여 합법적인 노드로 가장하여 내부에서 네트워크를 공격할 수 있다. 따라서 네트워크의 보안을 보장하기 위해서는 한정된 자원의 많은 센서로 구성된 센서 네트워크 특성에 맞는 효율적인 침입탐지 구조가 개발되어야 한다. 본 논문에서는 센서 네트워크에서 에너지 효율성과 침입탐지 기능의 효율성을 함께 고려하여 침입탐지 기능을 분산적이고 동적으로 변화시킬 수 있는 분산 침입탐지 구조를 제안한다. 클러스터링 알고리즘인 HEED 알고리즘을 수정 (modified HEED, mHEED라 칭함)하여 각 라운드에서 노드의 에너지 잔량과 이웃 노드 수에 따라 분산 침입탐지노드가 선택되고, 침입탐지를 위한 코드와 이전 감시 결과가 이동 에이전트를 통해 전달이 되어 연속적인 감시 기능을 수행한다. 감시된 결과는 일반 센싱 정보에 첨부되어 전달되거나 긴급한 데이터의 경우 높은 우선순위 전달을 통해 중앙 침입탐지 시스템에 전달이된다. 시뮬레이션을 통해 기존 연구인 적응적 침입탐지 구조와 성능 비교를 수행하였고, 그 결과 에너지 효율성 및 오버헤드, 탐지가능성과 그 성능 측면에서 뛰어난 성능 향상을 입증할 수 있었다.

• 한국정보통신학회논문지
• /
• 제12권11호
• /
• pp.1966-1975
• /
• 2008

IETF에서 표준화된 NEMOOfetwork Mobility) Basic Support Protocol은 이동 노드들로 구성된 이동 네트워크가 이동하는 경우 이동 네트워크 내에 있는 모든 노드들에게 네트워크의 이동과 관계없이 끊김 없는 통신 환경을 제공한다. 이 표준에서는 이동 네트워크가 자신의 흠 네트워크에서 외부로 이동하였을 경우 자신의 이동 정보를 홈 에이전트 (HA: Home Agent)에게 알리기 위한 방법으로 바인딩 업데이트 메시지를 이용하는 방법과 동적 라우팅 프로토콜을 이용하는 방법에 대하여 언급하고 있다. 하지만 이들 두 방법 모두 경로 최적화를 고려하고 있지 않기 때문에 이동 라우터(MR: Mobile Router)에 접속되어 있는 이동 네트워크 노드(MNN: Mobile Network Node)로 전송되는 모든 패킷들은 MR의 HA를 경유하여 전송할 수밖에 없으며 이로 인해 전송 지연과 대역폭 낭비를 초래하고 있다. 이동 네트워크를 구성하고 있는 MR들이 중첩 되어 있을 경우 전송 지연 및 대역폭 낭비는 더욱 커지게 되며 뿐만 아니라 중첩된 터널로 인한 패킷 단편화(packet fragmentation) 문제까지 발생할 수 있어 단일 이동 네트워크 환경에 비해 더욱 심각한 문제가 발생하게 된다. 이러한 문제점을 극복하기 위하여 이동 네트워크 환경에 적용 가능한 경로 최적화 기법에 대한 연구가 있어 왔지만 패킷 전달 성능 측면에서 문제점들이 있었다. 본 논문에서는 중첩된 이동 네트워크 환경에서 동적 라우팅 프로토콜을 이용하고 패킷들이 경유해야 하는 HA의 개수를 최소화하여 이동 네트워크로의 패킷 경로를 최적화함으로써 그 성능을 향상시킬 수 있는 새로운 기법을 제안한다. 다양한 성능 분석을 통해 본 논문에서 제시한 기법이 기존 기법들에 비해 패킷 전달 성능 측면에서 우수함을 입증하였다.

• 한국정보전자통신기술학회논문지
• /
• 제15권2호
• /
• pp.152-163
• /
• 2022

본 논문에서는 대잠전의 필수 요소인 소노부이를 무인항공기가 최적의 배치로 투하할 수 있게 하는 방법을 제시한다. 이를 위해 Unity 게임엔진을 통해 음향 탐지 성능 분포도를 모사한 환경을 구성하고 Unity ML-Agents를 활용해 직접 구성한 환경과 외부에서 Python으로 작성한 강화학습 알고리즘이 서로 통신을 주고받으며 학습할 수 있게 하였다. 특히, 잘못된 행동이 누적되어 학습에 영향을 미치는 경우를 방지하고 비행체가 목표지점으로 최단 시간에 비행함과 동시에 소노부이가 최대 탐지 영역을 확보하기 위해 강화학습을 도입하고. 심층 확정적 정책 그래디언트(Deep Deterministic Policy Gradient: DDPG) 알고리즘을 적용하여 소노부이의 최적 배치를 달성하였다. 학습 결과 에이전트가 해역을 비행하며 70개의 타겟 후보들 중 최적 배치를 달성하기 위한 지점들만을 통과하였고 탐지 영역을 확보한 모습을 보면 겹치는 영역 없이 최단 거리에 있는 지점을 따라 비행하였음을 알 수 있다. 이는 최적 배치의 요건인 최단 시간, 최대 탐지 영역으로 소노부이를 배치하는 자율 비행체를 구현하였음을 의미한다.