| 1 |
1
GPS 스푸핑 방지를 위한 UAV 관제 시스템에 있어서,지상에 위치하여 설정 주기 간격으로 센싱한 감시 정보와 GPS 정보가 포함된 데이터를 설정 시간 간격으로 전송하는 복수의 IoT 기기;복수로 구비되어 비행경로에 따라 각자 비행하고, 상기 복수의 IoT 기기로부터 전송되는 상기 데이터를 이용하여 해당 IoT 기기와의 거리 차를 계산하고, 계산된 거리 차와 해당 데이터의 송신 신호의 세기를 데이터 세트에 저장하며, 상기 데이터 세트를 이용하여 GPS 스푸핑(spoofing) 공격 여부를 판단하고, 상기 데이터 세트를 학습하여 목적지를 예측하는 학습 모델을 생성하는 UAV; 및각 UAV에서 생성된 학습 모델들의 파라미터 집합을 이용하여 통합 생성된 연합학습 모델을 상기 복수의 UAV에 각각 전달하는 관제서버 포함하고,상기 UAV는,GPS 스푸핑 공격을 당한 것으로 판단되면, 상기 연합학습 모델에 의해 예측된 목적지 위치로 이동하는 UAV 관제 시스템
|
| 2 |
2
제1항에 있어서,상기 UAV는,데이터를 전송한 IoT 기기와의 거리와 해당 데이터의 송신 신호의 세기를 이용하여 상기 GPS 스푸핑 공격 여부를 판단하되,현재 GPS 위치 값과 상기 데이터의 GPS 정보에 포함된 위치 값을 이용하여 해당 IoT 기기와의 거리 차를 계산하고, 상기 데이터의 송신 신호의 세기가 상기 계산된 거리 차에 대응하는 정상 신호의 세기에 대한 오차 범위를 벗어나는 것으로 판단되는 IoT 기기의 수를 카운트하여,상기 오차 범위를 벗어나는 IoT 기기 수가 해당 UAV에 데이터를 전송한 IoT 기기 수의 과반수 이상인 경우 해당 UAV가 GPS 스푸핑 공격을 당한 것으로 판단하는 UAV 관제 시스템
|
| 3 |
3
제1항에 있어서,상기 UAV는,상기 IoT 기기로부터 전송된 데이터의 수신이 완료되면, 상기 IoT 기기가 통신을 시작할 때 송신했던 데이터의 크기와 실제 수신된 데이터의 크기를 이용하여 계산된 임무 수행률을 상기 데이터 세트에 더 저장하는 UAV 관제 시스템
|
| 4 |
4
제3항에 있어서,상기 학습 모델은,상기 데이터 세트에 저장된 임무 수행률을 이용하여 손실 함수를 최소화할 수 있는 지역 가중치 집합을 반복 계산하여 데이터 수집률이 최대가 되는 목적지를 예측하도록 학습하는 UAV 관제 시스템
|
| 5 |
5
제1항에 있어서,상기 관제서버는,UAV 각각의 학습 모델 파라미터 집합인 지역 가중치 집합을 이용하여 다음의 수학식에 의해 전역 가중치를 계산하여 상기 연합학습 모델을 생성하는 UAV 관제 시스템:여기서, GW는 전역 가중치, u는 UAV, n, N은 UAV의 개수, LWu는 지역 가중치 집합이다
|
| 6 |
6
제1항에 있어서,상기 UAV는,상기 목적지 위치로 이동한 후, 현재 위치를 상기 연합학습 모델에 의해 예측된 목적지 위치로 재설정하여 정상 비행경로를 따라 비행하는 UAV 관제 시스템
|
| 7 |
7
GPS 스푸핑 방지를 위한 UAV 관제 시스템에 의해 수행되는 UAV 관제 방법에 있어서,지상에 위치하는 복수의 IoT 기기가 설정 주기 간격으로 센싱한 감시 정보와 GPS 정보가 포함된 데이터를 설정 시간 간격으로 UAV에 각각 전송하는 단계;복수로 구비되어 비행경로에 따라 각자 비행하는 UAV가 상기 복수의 IoT 기기로부터 전송되는 상기 데이터를 이용하여 해당 IoT 기기와의 거리 차를 계산하고, 계산된 거리 차와 해당 데이터의 송신 신호의 세기를 데이터 세트에 저장하는 단계;상기 UAV가 상기 데이터 세트를 학습하여 목적지를 예측하는 학습 모델을 생성하는 단계;관제서버가 각 UAV에서 생성된 학습 모델들의 파라미터 집합을 이용하여 통합 생성된 연합학습 모델을 상기 복수의 UAV에 각각 전달하는 단계;상기 UAV가 상기 데이터 세트를 이용하여 GPS 스푸핑 공격 여부를 판단하는 단계; 및상기 판단 결과 상기 UAV가 GPS 스푸핑 공격을 당한 것으로 판단되면, 상기 연합학습 모델에 의해 예측된 목적지 위치로 이동하는 단계를 포함하는 UAV 관제 방법
|
| 8 |
8
제7항에 있어서,상기 GPS 스푸핑 공격 여부를 판단하는 단계는,데이터를 전송한 IoT 기기와의 거리와 해당 데이터의 송신 신호의 세기를 이용하여 상기 GPS 스푸핑 공격 여부를 판단하되,현재 GPS 위치 값과 상기 데이터의 GPS 정보에 포함된 위치 값을 이용하여 해당 IoT 기기와의 거리 차를 계산하고, 상기 데이터의 송신 신호의 세기가 상기 계산된 거리 차에 대응하는 정상 신호의 세기에 대한 오차 범위를 벗어나는 것으로 판단되는 IoT 기기의 수를 카운트하여,상기 오차 범위를 벗어나는 IoT 기기 수가 해당 UAV에 데이터를 전송한 IoT 기기 수의 과반수 이상인 경우 해당 UAV가 GPS 스푸핑 공격을 당한 것으로 판단하는 UAV 관제 방법
|
| 9 |
9
제7항에 있어서,상기 데이터 세트에 저장하는 단계는,상기 IoT 기기로부터 전송된 데이터의 수신이 완료되면, 상기 IoT 기기가 통신을 시작할 때 송신했던 데이터의 크기와 실제 수신된 데이터의 크기를 이용하여 계산된 임무 수행률을 상기 데이터 세트에 더 저장하는 UAV 관제 방법
|
| 10 |
10
제9항에 있어서,상기 학습 모델을 생성하는 단계는,상기 데이터 세트에 저장된 임무 수행률을 이용하여 손실 함수를 최소화할 수 있는 지역 가중치 집합을 반복 계산하여 데이터 수집률이 최대가 되는 목적지를 예측하도록 학습하여 생성하는 UAV 관제 방법
|
| 11 |
11
제7항에 있어서,상기 관제서버는,UAV 각각의 학습 모델 파라미터 집합인 지역 가중치 집합을 이용하여 다음의 수학식에 의해 전역 가중치를 계산하여 상기 연합학습 모델을 생성하는 UAV 관제 방법:여기서, GW는 전역 가중치, u는 UAV, n, N은 UAV의 개수, LWu는 지역 가중치 집합이다
|
| 12 |
12
제7항에 있어서,상기 UAV가 상기 목적지 위치로 이동한 후 현재 위치를 상기 연합학습 모델에 의해 예측된 목적지 위치로 재설정하여 정상 비행경로를 따라 비행하는 단계를 더 포함하는 UAV 관제 방법
|
