Sec5GLoc: 적대적 공격에 강인한 딥러닝 아키텍처를 통한 5G 실내 측위 보안

본 연구는 적대적 공격에 강인한 딥러닝 아키텍처를 제안하여 5G 실내 측위의 보안 및 프라이버시 문제를 해결합니다. Sec5GLoc은 채널 임펄스 응답(CIR) 핑거프린팅과 도착 시간 차(TDoA) 피처 및 알려진 앵커 위치를 결합하며, 하이브리드 CNN과 멀티-헤드 어텐션 네트워크가 이를 처리합니다. 이 설계는 위치 스푸핑 및 적대적 신호 변조와 같은 위협에 대한 견고성을 향상시킵니다.

그림 1. 적대적 신호 교란 및 물리 계층 위협 하에서 안전하고 강인한 5G 측위의 문제 정식화.

그림 2. Sec5GLoc 모델: 공유 CNN을 사용하여 CIR 피처를 추출하고, 앵커 위치와 TDoA 피처를 임베딩한 뒤 어텐션을 통해 융합한 다음, 회귀 헤드를 통해 위치를 예측합니다.

Features

• 딥러닝 모델(Sec5GLoc): 강인한 5G 실내 측위를 위한 하이브리드 CNN 및 멀티-헤드 어텐션 네트워크.
• 데이터셋 처리: 5G CIR 데이터셋을 로드하고 전처리하며 분할하는 스크립트.
• 학습 및 평가:
  • Sec5GLoc 모델 및 그 어블레이션(ablation)을 위한 학습 스크립트.
  • 정상 조건에서 성능을 평가하는 테스트 스크립트.
  • 다양한 공격(스푸핑, 노이즈, 앵커 드롭)에 대한 견고성을 평가하는 테스트 스크립트.
• 베이스라인 구현:
  • k-최근접 이웃(k-NN) 핑거프린팅 베이스라인.
  • 기하 기반 도착 시간 차(TDoA) 다변측량(multilateration) 베이스라인.
• 플롯 유틸리티: 결과 시각화를 위한 그림 생성 스크립트(CDF, 산점도, 히트맵 등).

Dataset

이 프로젝트는 채널 임펄스 응답(CIR)을 포함하는 공개 5G 실내 측위 데이터셋을 사용합니다. 이 데이터셋은 약 1,200m² 규모의 대형 산업용 창고 환경에서 8개의 고정 5G 앵커와 사용자 장치의 업링크 전송을 사용하여 수집되었습니다. 주요 특징은 다음과 같습니다:

• 신호 유형: 5G New Radio (NR)
• 대역폭: 100 MHz
• 중심 주파수: 3.75 GHz
• 데이터: 채널 임펄스 응답(CIR), 도착 시간(TOA), 그리고 실제 위치(ground truth).
• 환경: 가시선(LOS) 및 비가시선(NLOS) 조건이 혼합된 환경.

다른 저자들이 수집한 원본 데이터셋은 여기에서 확인할 수 있습니다: [5G 채널 임펄스 응답 데이터셋]

split_dataset.py 스크립트는 원본 training.csv(주로 NLOS 데이터 포함)에서 특정 학습 및 테스트 분할을 생성하는 데 사용됩니다:

• training_NLOS.csv: 원본 training.csv의 90%로, Sec5GLoc 모델 및 어블레이션 학습에 사용됩니다.
• test_NLOS.csv: 원본 training.csv의 10%로, 기존에 본 (NLOS) 분포에 대한 테스트에 사용됩니다.
• test_LOS-NLOS.csv: 원본 데이터셋 제공자로부터 받은 별도의 파일로, LOS와 NLOS 조건이 혼합된 궤적을 포함하며, 오직 training_NLOS.csv만으로 학습된 모델에게는 보지 못한 환경/분포를 나타냅니다.

Repository Structure

Sec5GLoc/
├── dataset/ # Dataset files (anchors.txt, original CSVs)
│ ├── anchors.txt
│ ├── training.csv # Original full NLOS training data from dataset provider
│ └── test_LOS-NLOS.csv # Original mixed LOS/NLOS test data from dataset provider
├── dataset_splits/ # Generated by split_dataset.py
│ ├── training_NLOS.csv
│ └── test_NLOS.csv
├── knn_model_files/ # Output from baseline_knn.py (train mode)
│ ├── knn_model.joblib
│ ├── knn_model.best_params.json
│ ├── knn_model.outer_cv_metrics.json
│ └── logs/
├── knn_test_results/ # Output from baseline_knn.py (test mode)
│ ├── knn_test_predictions.csv
│ ├── knn_test_metrics.json
│ └── logs/
├── tdoa_baseline_results/ # Output from baseline_tdoa_multilateration.py
│ ├── predictions_loss_linear_weights_False.csv
│ ├── predictions_loss_linear_weights_False_metrics.json
│ └── logs/
├── sec5gloc_checkpoints/ # Output from train.py (Sec5GLoc models)
│ ├── checkpoints/
│ │ ├── model_best.pth.tar
│ │ ├── checkpoint.pth.tar
│ │ ├── training_history.json
│ │ └── logs/
│ └── ... (other runs for ablations, etc.)
├── sec5gloc_predictions/ # Output from test.py (Sec5GLoc benign evaluation)
│ ├── test_results/
│ │ ├── predictions_score1_normal.csv (for test_NLOS.csv)
│ │ ├── metrics_score1_normal.json
│ │ ├── predictions_score2_normal.csv (for test_LOS-NLOS.csv)
│ │ ├── metrics_score2_normal.json
│ │ └── logs/
├── sec5gloc_attack_results/ # Output from test_attack_noise_drop_anchor.py
│ ├── test_results/
│ │ ├── predictions_score2_spoofing_attention_main.csv
│ │ ├── metrics_score2_spoofing_attention_main.json
│ │ ├── predictions_score2_noise_attention_main_sigma0.5.csv
│ │ ├── ... (other attack results) ...
│ │ └── logs/
├── figures/ # Output from plot.py
│ ├── figure1_cdf.pdf
│ └── ...
├── dataset.py # Dataset loading and preprocessing utilities
├── model.py # Sec5GLoc model architecture
├── train.py # Script for training Sec5GLoc
├── test.py # Script for testing Sec5GLoc (benign conditions, ablations)
├── test_attack_noise_drop_anchor.py # Script for testing Sec5GLoc under attacks
├── split_dataset.py # Script to split original data into train/test CSVs
├── baseline_knn.py # k-NN fingerprinting baseline script
├── baseline_tdoa_multilateration.py # Geometric TDoA multilateration baseline script
├── plot.py # Script for generating plots from prediction files
├── Sec5GLoc_env.yml # Python package dependencies
└── README.md # This file

Setup

1. 저장소 클론:

git clone https://github.com/sec5gloc/Sec5GLoc.git 
cd Sec5GLoc

2. Python 환경 생성: 가상 환경(예: Conda 또는 venv) 사용을 권장합니다. 환경을 설정하려면 Sec5GLoc_env.yml 파일을 사용할 수 있습니다:

# Using Conda
conda env create -f Sec5GLoc_env.yml
conda activate <your-environment-name>

4. 데이터셋 다운로드:

• 원본 데이터셋 파일(예: training.csv, test_LOS-NLOS.csv, anchors.txt)을 다운로드합니다.
• 이를 dataset/ 디렉토리에 넣습니다.

Usage

1. 데이터셋 분할 준비(최초 1회 설정): 원본 training.csv(NLOS 전용)는 NLOS 평가를 위해 학습 파일과 분리된(held-out) 테스트 파일로 분할해야 합니다.

python split_dataset.py --input-csv-file dataset/training.csv --output-dir dataset_splits --train-output-name training_NLOS.csv --test-output-name test_NLOS.csv --test-split-ratio 0.1 --seed 42

이렇게 하면 dataset_splits/training_NLOS.csv(원본 training.csv의 90%)와 dataset_splits/test_NLOS.csv(원본 training.csv의 10%)가 생성됩니다.

2. Sec5GLoc 모델 학습: train.py를 사용하여 주요 Sec5GLoc 모델 또는 그 어블레이션을 학습합니다. 이 스크립트는 dataset_splits/training_NLOS.csv를 사용하고 이를 다시 학습 및 검증 세트로 분할합니다.

python train.py \
    --data-dir ./ \
    --full-dataset-csv dataset_splits/training_NLOS.csv \
    --val-split-ratio 0.1 \
    --checkpoint-dir ./sec5gloc_checkpoints/Sec5GLoc_full_model_run1 \
    --epochs 100 \
    --batch-size 128 \
    --lr 1e-4 \
    --patience-early-stop 20 \
    --seed 42 \
    # --no-attention  # For non-attention ablation
    # --no-tdoa       # For non-TDoA ablation
    # --no-anchor-pos # For non-anchor-pos ablation (implies --no-tdoa for some features)
    # --gpu 0         # Specify GPU ID, or -1 for CPU

체크포인트와 로그는 지정된 --checkpoint-dir에 저장됩니다.

3. Sec5GLoc 평가(정상 조건): test.py를 사용하여 학습된 Sec5GLoc 모델을 다양한 테스트 세트에서 평가합니다.

• score1: dataset_splits/test_NLOS.csv(기존에 본 분포)에서 평가합니다.
• score2: dataset/test_LOS-NLOS.csv(보지 못한 분포, LOS/NLOS 혼합)에서 평가합니다.

python test.py \
    --checkpoint ./sec5gloc_checkpoints/Sec5GLoc_full_model_run1/model_best.pth.tar \
    --test-set score2 \
    --data-dir ./ \
    --output-dir ./sec5gloc_predictions/results_Sec5GLoc_full_model_run1_on_LOSNLOS \
    --batch-size 256
    # --gpu 0

예측 CSV와 메트릭 JSON 파일은 --output-dir에 저장됩니다.

4. Sec5GLoc 평가(공격 상황): test_attack_noise_drop_anchor.py를 사용하여 견고성을 평가합니다.

# Example: Spoofing attack
python test_attack_noise_drop_anchor.py \
    --checkpoint ./sec5gloc_checkpoints/Sec5GLoc_full_model_run1/model_best.pth.tar \
    --test-set score2 \
    --data-dir ./ \
    --output-dir ./sec5gloc_attack_results/results_Sec5GLoc_full_model_run1_spoofing \
    --spoofing-attack
    # --guiding-attention-checkpoint <path_if_main_model_is_no_attention>

# Example: Noise attack
python test_attack_noise_drop_anchor.py \
    --checkpoint ./sec5gloc_checkpoints/Sec5GLoc_full_model_run1/model_best.pth.tar \
    --test-set score2 \
    --data-dir ./ \
    --output-dir ./sec5gloc_attack_results/results_Sec5GLoc_full_model_run1_noise_s0.3 \
    --noise-attack \
    --noise-sigma 0.2

# Example: Drop influential anchor
python test_attack_noise_drop_anchor.py \
    --checkpoint ./sec5gloc_checkpoints/Sec5GLoc_full_model_run1/model_best.pth.tar \
    --test-set score2 \
    --data-dir ./ \
    --output-dir ./sec5gloc_attack_results/results_Sec5GLoc_full_model_run1_drop_influential \
    --drop-influential-anchor-attack

5. 베이스라인 모델 실행:

• k-NN 핑거프린팅:

  • 학습:
    root@kitploit:~

    python baseline_knn.py --mode train \
        --data-dir ./ \
        --train-file dataset_splits/training_NLOS.csv \
        --model-output-dir ./knn_model_files \
        --seed 42
    

  • 테스트(예: test_NLOS.csv):
    root@kitploit:~

    python baseline_knn.py --mode test \
        --data-dir ./ \
        --test-file dataset_splits/test_NLOS.csv \
        --model-output-dir ./knn_model_files \
        --test-results-dir ./knn_test_results/NLOS
    

  • 테스트(예: test_LOS-NLOS.csv):
    root@kitploit:~

    python baseline_knn.py --mode test \
        --data-dir ./ \
        --test-file dataset/test_LOS-NLOS.csv \
        --model-output-dir ./knn_model_files \
        --test-results-dir ./knn_test_results/LOS-NLOS
    

• 기하 기반 TDoA 다변측량:

  • test_NLOS.csv에서:
    root@kitploit:~

    python baseline_tdoa_multilateration.py \
        --data-dir ./ \
        --file dataset_splits/test_NLOS.csv \
        --output-dir ./tdoa_baseline_results/NLOS \
    

6. 플롯 생성: plot.py를 수정하여 원하는 예측 CSV 파일(예: Sec5GLoc 또는 베이스라인의 결과)과 해당 실제 위치(ground truth) CSV를 지정합니다.

python plot.py

그림은 figures/ 디렉토리에 저장됩니다.

Model Architecture (Sec5GLoc)

Sec5GLoc 모델(model.py)은 다음으로 구성됩니다:

1. CNN 피처 추출기: 공유 1D CNN이 각 앵커 CIR의 실수 및 허수 성분을 처리하여 관련 피처를 추출합니다.
2. 피처 증강:
   • 앵커 위치: 알려진 2D 앵커 좌표를 임베딩하여 융합합니다.
   • TDoA 피처: 상대적 도착 시간 차(TDoA)를 계산하고 임베딩하여 통합합니다.
   • (선택 사항: CIR 피처와 앵커 위치 임베딩 사이의 교차 어텐션(cross-attention)을 사용할 수 있습니다).
3. 집계:
   • 멀티-헤드 어텐션: (기본값) 각 앵커의 피처를 관련성과 일관성에 따라 동적으로 가중합니다.
   • 평균 집계: (어블레이션) 활성 앵커 피처의 단순 평균.
4. 회귀 헤드: 다층 퍼셉트론(MLP)이 2D 사용자 좌표를 예측합니다.

보안 강화의 핵심 측면은 TDoA와 앵커 위치가 가능하게 하는 본질적인 기하학적 일관성 검사와, 어텐션 메커니즘이 비정상적이거나 손상된 앵커 신호의 가중치를 낮출 수 있는 능력입니다.

Results Highlights

정상 조건(LOS/NLOS 혼합 - test_LOS-NLOS.csv):

• Sec5GLoc: 평균 오차 ~0.58m, P75 ~0.75m, P90 ~1.19m.
• k-NN 핑거프린팅: 평균 오차 ~3.31m.
• 기존 TDoA: 평균 오차 ~2.25m.

표 1. 정상 조건에서 Sec5GLoc와 베이스라인의 성능 비교

정상 조건(NLOS - test_NLOS.csv):

• Sec5GLoc: 평균 오차 ~0.34m, P75 ~0.43m.

공격에 대한 견고성(test_LOS-NLOS.csv 서브셋 기준):

• 스푸핑 공격(앵커 1개):
  • Sec5GLoc(어텐션 적용): 평균 오차가 ~0.58m에서 ~0.81m로 증가합니다. 어텐션 가중치가 스푸핑된 앵커의 가중치를 낮추도록 조정됩니다.
  • Sec5GLoc(어텐션 미적용): 평균 오차가 훨씬 더 크게 증가합니다(예: ~1.38m).
• 가우시안 노이즈 버스트(가장 영향력이 큰 앵커의 CIR에 적용):
  • Sigma = 0.2: P75 ~1.14m, P90 ~1.72m.
  • Sigma = 0.5: P75 ~1.27m, P90 ~1.86m.
• 앵커 드롭: 평균 오차가 적당히 증가합니다(예: ~0.93m).

그림 3. 혼합 LOS/NLOS 조건의 테스트 환경에서 가장 영향력이 큰 앵커를 대상으로 한 스푸핑 공격 하에 Sec5GLoc의 평균 측위 오차 히트맵.

Pre-trained Models & Results

논문에 보고된 모든 실험에 대한 사전 학습 모델 체크포인트와 상세 예측/메트릭 파일은 여기에서 찾을 수 있습니다: [모델 및 결과 링크]

링크에는 다음이 포함됩니다:

• Sec5GLoc_checkpoints/: 학습된 Sec5GLoc 모델(전체 모델 및 어블레이션).
• K-NN_baseline/: 저장된 k-NN 모델, 해당 파라미터 및 테스트 결과.
• TDOA_baseline_results/: TDoA 베이스라인의 예측 CSV 및 메트릭.
• Sec5GLoc_predictions/: 정상 조건에서 Sec5GLoc 및 어블레이션의 예측 CSV 및 메트릭.
• Sec5GLoc_attacks_noise_drop_anchor_results/: 다양한 공격 하에서 Sec5GLoc의 예측 CSV 및 메트릭.

Citation

이 코드를 사용하거나 본 연구를 참조할 경우, 아래 논문을 인용해 주시기 바랍니다:

Acknowledgements

• 공개 5G CIR 데이터셋을 제공해 주신 [데이터셋 논문] 저자분들께 감사드립니다.