[go: up one dir, main page]

KR102832815B1 - Defence apparatus for optical signal injection attacks and photoelectric sensor system including the same - Google Patents

Defence apparatus for optical signal injection attacks and photoelectric sensor system including the same Download PDF

Info

Publication number
KR102832815B1
KR102832815B1 KR1020230089935A KR20230089935A KR102832815B1 KR 102832815 B1 KR102832815 B1 KR 102832815B1 KR 1020230089935 A KR1020230089935 A KR 1020230089935A KR 20230089935 A KR20230089935 A KR 20230089935A KR 102832815 B1 KR102832815 B1 KR 102832815B1
Authority
KR
South Korea
Prior art keywords
light source
feature extractor
light
data
sensor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020230089935A
Other languages
Korean (ko)
Other versions
KR20250009818A (en
Inventor
김용대
김도현
조만기
Original Assignee
국방과학연구소
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 국방과학연구소, 한국과학기술원 filed Critical 국방과학연구소
Priority to KR1020230089935A priority Critical patent/KR102832815B1/en
Publication of KR20250009818A publication Critical patent/KR20250009818A/en
Application granted granted Critical
Publication of KR102832815B1 publication Critical patent/KR102832815B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J1/00—Photometry, e.g. photographic exposure meter
    • G01J1/10—Photometry, e.g. photographic exposure meter by comparison with reference light or electric value provisionally void
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0275—Details making use of sensor-related data, e.g. for identification of sensor parts or optical elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/10—Arrangements of light sources specially adapted for spectrometry or colorimetry
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J2003/003—Comparing spectra of two light sources
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/2866—Markers; Calibrating of scan
    • G01J2003/2873—Storing reference spectrum

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

외부 광신호 주입 공격에 대한 방어 장치는 광센서로부터 스펙트럼 데이터를 수신하고, 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하는 특징 추출기, 및 상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기를 포함한다.A defense device against external optical signal injection attacks includes: a feature extractor which receives spectrum data from a light sensor, processes the spectrum data so that differences in features between a reference light source and a light source included in the light sensor are expressed due to manufacturing variability and randomness occurring during the manufacturing process of the light source, and an OC classifier which detects whether the spectrum data processed by the feature extractor is spectrum data of the light source included in the light sensor or spectrum data resulting from an external optical signal injection attack.

Description

외부 광신호 주입 공격에 대한 방어 장치 및 이를 포함하는 광센서 시스템{DEFENCE APPARATUS FOR OPTICAL SIGNAL INJECTION ATTACKS AND PHOTOELECTRIC SENSOR SYSTEM INCLUDING THE SAME}{DEFENCE APPARATUS FOR OPTICAL SIGNAL INJECTION ATTACKS AND PHOTOELECTRIC SENSOR SYSTEM INCLUDING THE SAME}

본 발명은 외부 광신호 주입 공격에 대한 방어 장치 및 이를 포함하는 광센서 시스템에 관한 것이다. The present invention relates to a defense device against external optical signal injection attacks and an optical sensor system including the same.

광센서는 광원이 방출한 광신호를 수신부에서 수신하여 방출한 빛의 양과 수신한 빛의 양의 차이를 계산하는 방식을 통해 대상의 존재 유무 또는 특정 물질의 양의 변화를 감지하는 센서이다. 이러한 광센서는 광신호를 방출하고 감지한다는 간단한 구조 덕분에 활용하기 쉬운 반면, 외부에서의 광신호 주입 공격에 취약하다는 것이 익히 알려진 바 있다. 외부에서 신호를 센서에 주입해 센서의 인식을 속이는 공격에는 크게 두 가지 방식이 있는데, 외부 신호를 강하게 주입해 센서가 변화를 감지할 수 있는 구간을 넘어서 포화 상태로 만들고 정상적인 동작 자체를 막아버리는 재밍 공격과, 광원이 방출한 신호인 것처럼 속여서 오동작을 유발하는 스푸핑 공격이 있다.A light sensor is a sensor that detects the presence or absence of a target or changes in the amount of a specific substance by calculating the difference between the amount of light emitted and the amount of light received by receiving the light signal emitted by a light source. Although such light sensors are easy to utilize due to their simple structure of emitting and detecting light signals, it is well known that they are vulnerable to external light signal injection attacks. There are two main types of attacks that inject signals into a sensor from the outside to deceive its recognition: a jamming attack that injects a strong external signal to saturate the sensor beyond its ability to detect changes and prevent normal operation, and a spoofing attack that causes malfunction by deceiving the sensor into thinking that the signal is emitted by a light source.

광센서는 의료 분야 또는 공공장소에서의 사람들의 안전에 활용되고 있기 때문에 광센서에의 외부 광신호 주입 공격에 의한 취약성과 그로 인해 사람들의 안전이 위협받을 수 있다는 가능성을 제시하는 연구들이 제시되고 있다. Since optical sensors are used in the medical field or for the safety of people in public places, studies are being presented suggesting the vulnerability of optical sensors to external optical signal injection attacks and the possibility that this could threaten people's safety.

예를 들면, 환자에게 수액을 투여할 때 사용되는 드랍 센서는 수액이 투여되면서 광원과 수신부 사이를 가릴 때 감지되는 빛의 양 차이를 인식하여 투여되는 수액의 속도나 양을 조절하는 방식으로 동작한다. 그런데, 광원에서 방출하는 광신호와 같은 종류의 IR 레이저를 사용하여 외부에서 광신호를 수신부에 주입하는 것을 통해 센서의 인식을 속일 수 있다. 이것이 악용된다면 환자들의 생명 위협으로 직결될 수 있다.For example, a drop sensor used when administering an intravenous fluid to a patient operates by recognizing the difference in the amount of light detected when the light source and receiver are covered while the intravenous fluid is administered, thereby controlling the speed or amount of the intravenous fluid administered. However, the sensor's recognition can be deceived by injecting an external light signal into the receiver using an IR laser of the same type as the light signal emitted from the light source. If this is exploited, it can directly threaten the lives of patients.

또 다른 예로는, 연기가 많아지면 빛을 가리게 되어 감지되는 빛의 양에 차이가 생긴다는 점을 활용해 화재 감지기의 역할을 하는 OBSD(Optical Beam Smoke Detector)가 있다. OBSD의 광원에서 방출하는 광신호와 비슷한 파장의 외부 광신호를 주입하는 것을 통해 화재가 발생하지 않았는데도 화재가 발생한 것처럼 또는 화재가 발생했을 때 화재가 발생하지 않은 것처럼 센서의 인식을 속일 수 있다.Another example is the Optical Beam Smoke Detector (OBSD), which acts as a fire detector by taking advantage of the fact that smoke obscures the light, causing a difference in the amount of light detected. By injecting an external light signal with a similar wavelength to the light signal emitted by the light source of the OBSD, the sensor can be fooled into thinking that there is a fire even though there is no fire, or that there is no fire when there is a fire.

광센서의 이러한 취약성에도 불구하고 광센서를 타겟으로 하는 외부 광신호 주입 공격들을 효과적으로 대처할 수 있는 방어 기법이 제시되지 않고 있다.Despite these vulnerabilities of optical sensors, no effective defense techniques have been proposed to deal with external optical signal injection attacks targeting optical sensors.

기존에 전통적으로 센서 공격에 대처하기 위해 활용되는 기법으로는 물리적인 쉴딩이 있다. 하지만, 광센서의 동작 원리 상 쉴딩을 통해 외부 광신호 주입 공격에 완벽하게 대처하기는 쉽지 않다. 우선, 광센서는 사용되는 분야나 장소에 따라 광원과 수신부 사이의 빛 경로가 넓은 지역을 가로지를 때가 있는데, 쉴딩을 통해 해당 경로에 외부에서 개입할 수 있는 여지를 모두 차단하는 것은 비용적으로도 어려운 일이며, 외부의 환경 변화를 감지한다는 광센서의 사용 목적의 달성 또한 방해할 여지가 크다.Traditionally, physical shielding has been used to deal with sensor attacks. However, it is not easy to completely deal with external optical signal injection attacks through shielding due to the operating principle of optical sensors. First, depending on the field or location in which the optical sensor is used, the light path between the light source and the receiver sometimes crosses a wide area. It is difficult in terms of cost to block all external intervention in the path through shielding, and it is also likely to hinder the achievement of the purpose of using the optical sensor, which is to detect external environmental changes.

광센서의 성질을 이용한 방법은 아니지만, 신호를 방출하고 감지한다는 능동 센서의 특성을 이용하여 신호를 방출할 때 악의적인 공격자가 흉내내기 어려운 랜덤한 변화를 추가하는 방법 또한 많은 분야에서 활용되고 있는 전통적인 방어 기법 중 하나이다. 스푸핑 공격의 경우 공격자는 능동 센서에서 방출하는 신호의 형태와 유사한 가짜 신호원을 사용하여 수신부에 광신호 주입 공격을 하는데, 이때 수신부에서 감지하는 신호들에 발신단계에서 추가했던 랜덤한 변화가 반영되어 있지 않다면 공격인 것을 감지할 수 있다는 원리이다. 하지만, 이러한 방어 기법 또한 강력한 공격자에 의해 파훼될 수 있다는 것이 알려져 있다. 랜덤한 변화가 반영되어 있는 광원에서의 신호가 수신부에서 감지되기까지 걸리는 시간보다 더 빠르게 그러한 변화를 공격 신호에 반영할 수 있다면 이러한 형태의 방어 기법은, 특히나 광센서처럼 비교적 넓은 범위에서 활용되는 경우에는 더, 근본적인 해결책이 될 수 없다는 것이다.Although it is not a method that utilizes the properties of optical sensors, it is also a traditional defense technique that is utilized in many fields by utilizing the characteristics of active sensors that emit and detect signals, and adding random changes that are difficult for malicious attackers to imitate when emitting signals. In the case of a spoofing attack, the attacker uses a fake signal source similar to the form of the signal emitted by the active sensor to inject optical signals into the receiver, and the principle is that if the signals detected by the receiver do not reflect the random changes added at the transmission stage, the attack can be detected. However, it is known that this defense technique can also be destroyed by a powerful attacker. If the signal from the light source reflecting the random changes can reflect such changes in the attack signal faster than the time it takes for the signal to be detected by the receiver, this type of defense technique cannot be a fundamental solution, especially in cases where it is utilized in a relatively wide range like an optical sensor.

본 발명이 해결하고자 하는 기술적 과제는 능동 광센서에 대한 외부 광신호 주입 공격을 물리적인 구조 변경을 최소화하면서 효과적으로 감지할 수 있는 외부 광신호 주입 공격에 대한 방어 장치 및 이를 포함하는 광센서 시스템을 제공함에 있다.The technical problem to be solved by the present invention is to provide a defense device against an external optical signal injection attack capable of effectively detecting an external optical signal injection attack on an active optical sensor while minimizing physical structural changes, and an optical sensor system including the same.

본 발명의 일 실시예에 따른 외부 광신호 주입 공격에 대한 방어 장치는 광센서로부터 스펙트럼 데이터를 수신하고, 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하는 특징 추출기, 및 상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기를 포함한다.A defense device against an external optical signal injection attack according to one embodiment of the present invention includes: a feature extractor which receives spectrum data from a light sensor, processes the spectrum data so that a difference in features between a reference light source and a light source included in the light sensor is expressed due to manufacturing variability and randomness occurring during the manufacturing process of the light source, and an OC classifier which detects whether the spectrum data processed by the feature extractor is spectrum data of the light source included in the light sensor or spectrum data resulting from an external optical signal injection attack.

상기 특징 추출기는 파장별 빛의 강도를 0과 1 사이로 정규화하고 특징 파장 대역 이외의 부분을 잘라내는 방식으로 상기 스펙트럼 데이터를 처리할 수 있다.The above feature extractor can process the spectral data by normalizing the intensity of light at each wavelength to between 0 and 1 and cutting out a portion outside the feature wavelength band.

상기 특징 추출기는 합성곱 신경망을 사용하여 상기 참조 광원과 상기 광센서에 포함된 광원의 특징 차이를 학습할 수 있다.The above feature extractor can learn the feature differences between the reference light source and the light source included in the light sensor using a convolutional neural network.

상기 OC 분류기는 합성곱 신경망을 사용하여 상기 광센서에 포함된 광원의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별하도록 학습할 수 있다.The above OC classifier can learn to distinguish spectral data of a light source included in the light sensor from other spectral data using a convolutional neural network.

상기 OC 분류기는 상기 광센서에 포함된 광원의 스펙트럼 데이터가 탐지되는 경우 제1 탐지 신호를 출력하고, 상기 외부 광신호 주입 공격에 의한 스펙트럼 데이터가 탐지되는 경우 제2 탐지 신호를 출력하고, 상기 제1 탐지 신호에 따라 상기 광센서의 제어신호는 그대로 출력되고, 상기 제2 탐지 신호에 따라 상기 광센서의 제어신호의 출력이 제한될 수 있다.The above OC classifier outputs a first detection signal when spectrum data of a light source included in the optical sensor is detected, and outputs a second detection signal when spectrum data by the external optical signal injection attack is detected, and the control signal of the optical sensor is output as is according to the first detection signal, and the output of the control signal of the optical sensor can be restricted according to the second detection signal.

본 발명의 다른 실시예에 따른 광센서 시스템은 광원에서 전송된 빛의 양과 수신부가 수신한 빛의 양 사이의 차이를 계산하여 제어신호를 출력하고, 분광기를 이용하여 상기 수신한 빛의 스펙트럼을 생성하여 스펙트럼 데이터를 출력하는 광센서, 및 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하고, 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지를 탐지하는 방어 장치를 포함한다.A light sensor system according to another embodiment of the present invention includes: a light sensor which calculates a difference between an amount of light transmitted from a light source and an amount of light received by a receiver and outputs a control signal, generates a spectrum of the received light using a spectrometer and outputs spectrum data, and processes the spectrum data so that a difference in characteristics between a reference light source and the light source included in the light sensor is expressed due to manufacturing variability and randomness occurring in the manufacturing process of the light source, and a defense device which detects whether the processed spectrum data is spectrum data of the light source included in the light sensor.

상기 방어 장치는, 파장별 빛의 강도를 0과 1 사이로 정규화하고 특징 파장 대역 이외의 부분을 잘라내는 방식으로 상기 스펙트럼 데이터를 처리하는 특징 추출기, 및 상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기를 포함할 수 있다. The above defense device may include a feature extractor that processes the spectral data in a manner of normalizing the intensity of light by wavelength to between 0 and 1 and cutting out a portion other than a characteristic wavelength band, and an OC classifier that detects whether the spectral data processed by the feature extractor is spectral data of a light source included in the optical sensor or spectral data resulting from an external optical signal injection attack.

상기 광센서 시스템은 상기 광센서에 포함된 광원의 스펙트럼 데이터를 수집하여 참 광원 데이터 세트를 생성하고, 상기 참조 광원의 스펙트럼 데이터를 수집하여 참조 광원 데이터 세트를 생성하고, 상기 참 광원 데이터 세트 및 상기 참조 광원 데이터 세트를 사용하여 상기 특징 추출기를 훈련하는 특징 추출기 훈련부를 더 포함할 수 있다. The above-described light sensor system may further include a feature extractor training unit that collects spectral data of a light source included in the light sensor to generate a true light source data set, collects spectral data of the reference light source to generate a reference light source data set, and trains the feature extractor using the true light source data set and the reference light source data set.

상기 특징 추출기는 합성곱 신경망을 사용하여 상기 참조 광원과 상기 광센서에 포함된 광원의 특징 차이를 학습할 수 있다.The above feature extractor can learn the feature differences between the reference light source and the light source included in the light sensor using a convolutional neural network.

상기 광센서 시스템은 상기 광센서에 포함된 광원과 동일한 모델의 광원인 상기 참조 광원의 스펙트럼 데이터를 상기 특징 추출기 훈련부에 제공하는 참조 광원 데이터베이스를 더 포함할 수 있다.The above light sensor system may further include a reference light source database that provides spectral data of the reference light source, which is a light source of the same model as the light source included in the light sensor, to the feature extractor training unit.

상기 광센서 시스템은 상기 특징 추출기의 훈련이 완료된 후 상기 특징 추출기로부터 상기 광센서에 포함된 광원의 스펙트럼 데이터를 전달받아 참 클래스 데이터 세트를 생성하고, 상기 참 클래스 데이터 세트를 이용하여 상기 OC 분류기를 훈련하는 OC 분류기 훈련부를 더 포함할 수 있다.The above-described optical sensor system may further include an OC classifier training unit that receives spectrum data of a light source included in the optical sensor from the feature extractor after training of the feature extractor is completed, generates a true class data set, and trains the OC classifier using the true class data set.

상기 OC 분류기는 합성곱 신경망을 사용하여 상기 광센서에 포함된 광원의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별하도록 학습할 수 있다.The above OC classifier can learn to distinguish spectral data of a light source included in the light sensor from other spectral data using a convolutional neural network.

상기 OC 분류기는 상기 광센서에 포함된 광원의 스펙트럼 데이터가 탐지되는 경우 제1 탐지 신호를 출력하고, 상기 외부 광신호 주입 공격에 의한 스펙트럼 데이터가 탐지되는 경우 제2 탐지 신호를 출력하고, 상기 제1 탐지 신호에 따라 상기 광센서의 제어신호를 그대로 출력하고, 상기 제2 탐지 신호에 따라 상기 광센서의 제어신호의 출력을 제한할 수 있다.The above OC classifier can output a first detection signal when spectrum data of a light source included in the light sensor is detected, output a second detection signal when spectrum data by the external light signal injection attack is detected, output a control signal of the light sensor as is according to the first detection signal, and limit the output of the control signal of the light sensor according to the second detection signal.

본 발명의 또 다른 실시예에 따른 광센서 시스템은 광센서로부터 스펙트럼 데이터를 수신하고, 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하는 특징 추출기, 상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기, 및 상기 광센서에 포함된 광원의 스펙트럼 데이터를 수집하여 참 광원 데이터 세트를 생성하고, 상기 참조 광원의 스펙트럼 데이터를 수집하여 참조 광원 데이터 세트를 생성하고, 상기 참 광원 데이터 세트 및 상기 참조 광원 데이터 세트를 사용하여 상기 특징 추출기를 훈련하는 특징 추출기 훈련부를 포함한다.According to another embodiment of the present invention, a light sensor system includes a feature extractor which receives spectrum data from a light sensor, processes the spectrum data so that a difference in features between a reference light source and a light source included in the light sensor is expressed due to manufacturing variability and randomness occurring in a manufacturing process of the light source, an OC classifier which detects whether the spectrum data processed by the feature extractor is spectrum data of the light source included in the light sensor or spectrum data resulting from an external optical signal injection attack, and a feature extractor training unit which collects spectrum data of the light source included in the light sensor to generate a true light source data set, collects spectrum data of the reference light source to generate a reference light source data set, and trains the feature extractor using the true light source data set and the reference light source data set.

상기 광센서 시스템은 상기 광센서에 포함된 광원과 동일한 모델의 광원인 상기 참조 광원의 스펙트럼 데이터를 상기 특징 추출기 훈련부에 제공하는 참조 광원 데이터베이스를 더 포함할 수 있다.The above light sensor system may further include a reference light source database that provides spectral data of the reference light source, which is a light source of the same model as the light source included in the light sensor, to the feature extractor training unit.

상기 광센서 시스템은 상기 특징 추출기의 훈련이 완료된 후 상기 특징 추출기로부터 상기 광센서에 포함된 광원의 스펙트럼 데이터를 전달받아 참 클래스 데이터 세트를 생성하고, 상기 참 클래스 데이터 세트를 이용하여 상기 OC 분류기를 훈련하는 OC 분류기 훈련부를 더 포함할 수 있다. The above-described optical sensor system may further include an OC classifier training unit that receives spectrum data of a light source included in the optical sensor from the feature extractor after training of the feature extractor is completed, generates a true class data set, and trains the OC classifier using the true class data set.

상기 OC 분류기는 상기 광센서에 포함된 광원의 스펙트럼 데이터가 탐지되는 경우 제1 탐지 신호를 출력하고, 상기 외부 광신호 주입 공격에 의한 스펙트럼 데이터가 탐지되는 경우 제2 탐지 신호를 출력하고, 상기 제1 탐지 신호에 따라 상기 광센서의 제어신호를 그대로 출력하고, 상기 제2 탐지 신호에 따라 상기 광센서의 제어신호의 출력을 제한할 수 있다.The above OC classifier can output a first detection signal when spectrum data of a light source included in the light sensor is detected, output a second detection signal when spectrum data by the external light signal injection attack is detected, output a control signal of the light sensor as is according to the first detection signal, and limit the output of the control signal of the light sensor according to the second detection signal.

본 발명의 실시예에 따른 외부 광신호 주입 공격에 대한 방어 장치 및 이를 포함하는 광센서 시스템은 물리적인 구조 변경을 최소화하면서 외부 광신호 주입 공격을 효과적으로 감지할 수 있다. 또한, 광신호의 일반적인 특성아 활용되기 때문에 모든 광센서에 대해 범용적으로 적용되어 외부 광신호 주입 공격에 대해 방어할 수 있다. 또한 본 발명의 실시예에 따른 외부 광신호 주입 공격에 대한 방어 장치 및 이를 포함하는 광센서 시스템은 쉴딩과 같이 하드웨어적인 구조 변경을 많이 요구하는 방어 기법과는 다르게 스펙트로미터와 기계학습 모델의 연산칩만을 요구하기 때문에 방어 기법이 적용될 때 추가적으로 발생하는 공간적인 제약의 부담 없이 활용될 수 있다.A defense device against an external optical signal injection attack according to an embodiment of the present invention and an optical sensor system including the same can effectively detect an external optical signal injection attack while minimizing physical structural changes. In addition, since the general characteristics of an optical signal are utilized, it can be universally applied to all optical sensors to defend against external optical signal injection attacks. In addition, unlike defense techniques that require many hardware structural changes, such as shielding, the defense device against an external optical signal injection attack according to an embodiment of the present invention and an optical sensor system including the same require only a spectrometer and a computational chip of a machine learning model, and thus can be utilized without the burden of spatial constraints that additionally arise when a defense technique is applied.

도 1은 본 발명의 일 실시예에 따른 외부 광신호 주입 공격에 대한 방어 장치 및 이를 포함하는 광센서 시스템을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 특징 추출기 훈련 과정 및 OC 분류기 훈련 과정을 수행하는 합성곱 신경망을 나타내는 블록도이다.FIG. 1 is a block diagram showing a defense device against an external optical signal injection attack and an optical sensor system including the same according to one embodiment of the present invention.
FIG. 2 is a block diagram illustrating a convolutional neural network that performs a feature extractor training process and an OC classifier training process according to one embodiment of the present invention.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예들에 한정되지 않는다.Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings so that those skilled in the art can easily implement the present invention. The present invention may be implemented in various different forms and is not limited to the embodiments described herein.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.In order to clearly explain the present invention, parts irrelevant to the description are omitted, and the same reference numerals are used for identical or similar components throughout the specification.

또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Additionally, throughout the specification, whenever a part is said to "include" a component, this does not mean that it excludes other components, but rather that it may include other components, unless otherwise specifically stated.

도 1은 본 발명의 일 실시예에 따른 외부 광신호 주입 공격에 대한 방어 장치 및 이를 포함하는 광센서 시스템을 나타내는 블록도이다.FIG. 1 is a block diagram showing a defense device against an external optical signal injection attack and an optical sensor system including the same according to one embodiment of the present invention.

도 1을 참조하면, 본 발명의 실시예에 따른 광센서 시스템(100)은 광센서(110), 방어 장치(120) 및 훈련 장치(130)를 포함할 수 있다.Referring to FIG. 1, an optical sensor system (100) according to an embodiment of the present invention may include an optical sensor (110), a defense device (120), and a training device (130).

광센서(110)는 광원(111) 및 수신부(112)를 포함할 수 있다. 광센서(110)는 광원(111)에서 전송된 빛의 양과 수신부(112)가 수신한 빛의 양 사이의 차이를 계산하여 광센서(110)에 용도에 따른 제어신호를 출력할 수 있다. 이때, 광센서 시스템(100)은 방어 장치(120)에서 악의적 외부 광신호 주입 공격이 탐지되면 광센서(110)의 제어신호의 출력을 제한할 수 있다. The light sensor (110) may include a light source (111) and a receiver (112). The light sensor (110) may calculate the difference between the amount of light transmitted from the light source (111) and the amount of light received by the receiver (112) and output a control signal according to the purpose to the light sensor (110). At this time, the light sensor system (100) may limit the output of the control signal of the light sensor (110) when a malicious external light signal injection attack is detected by the defense device (120).

수신부(112)는 분광기(Spectrometer)를 포함하고, 분광기를 이용하여 수신된 빛의 스펙트럼을 생성하여 스펙트럼 데이터를 방어 장치(120) 및 훈련 장치(130)로 출력할 수 있다. 수신된 빛의 스펙트럼은 각 파장별 세기로 표현될 수 있다.The receiving unit (112) includes a spectrometer and can generate a spectrum of received light using the spectrometer and output the spectrum data to the defense device (120) and the training device (130). The spectrum of received light can be expressed as the intensity of each wavelength.

광센서(110)는 구성 요소의 배열에 기반하여 투과빔(through-beam) 모드, 역반사(retro-reflective) 모드 및 확산반사(diffuse-reflective) 모드로 구분될 수 있다. 즉, 광센서(110)는 투과빔 모드, 역반사 모드 및 확산반사 모드 중 어느 하나의 모드로 구성될 수 있다.The optical sensor (110) can be divided into a through-beam mode, a retro-reflective mode, and a diffuse-reflective mode based on the arrangement of the components. That is, the optical sensor (110) can be configured in any one of the through-beam mode, the retro-reflective mode, and the diffuse-reflective mode.

투과빔 모드는 광원(111)과 수신부(112)가 서로 반대편에 위치하여 그 사이를 통과하는 객체를 측정하는 방식이다. 투과빔 모드의 초과 이득은 감지 거리의 역제곱에 비례한다. 초과 이득은 수신부(112)가 제어신호의 출력에 필요한 임계치를 초과하여 얻는 감지 에너지의 양을 의미한다. 투과빔 모드는 가장 효율적인 감지 모드이고, 장거리 감지, 불결한 환경에서의 감지, 작은 객체 탐지 등의 높은 초과 이득이 필요한 응용 분야에 사용될 수 있다.The transmitted beam mode is a method in which a light source (111) and a receiver (112) are positioned opposite each other to measure an object passing between them. The excess gain of the transmitted beam mode is proportional to the inverse square of the detection distance. The excess gain refers to the amount of detection energy that the receiver (112) obtains by exceeding the threshold required for outputting a control signal. The transmitted beam mode is the most efficient detection mode and can be used in applications requiring high excess gain, such as long-distance detection, detection in an unclean environment, and detection of small objects.

역반사 모드는 광원(111)과 수신부(112)가 같은 쪽에 위치하며, 반대편에 추가적으로 역반사체가 위치하여 광센서(110)와 역반사체 사이를 통과하는 객체를 측정하는 방식이다. 역반사 모드의 초과 이득은 감지 거리가 증가함에 따라 어느 정도 증가하다가 거리가 더욱 증가하면 줄어든다. The retroreflection mode is a method in which a light source (111) and a receiver (112) are located on the same side, and an additional retroreflector is located on the opposite side to measure an object passing between the light sensor (110) and the retroreflector. The excess gain of the retroreflection mode increases to some extent as the detection distance increases, and then decreases as the distance increases further.

확산반사 모드는 광원(111)과 수신부(112)가 같은 쪽에 위치하며, 광원(111)에서 방출된 빛이 객체에 의해 반사된 빛의 일부를 측정하는 방식이다. 투과빔 모드 및 역반사 모드의 광센서(110)의 구성 요소는 고정되어야 하는 반면, 확산반사 모드의 광센서(110)의 구성 요소는 고정될 필요가 없다. 예를 들어, 확산반사 모드의 광센서(110)인 라이다(Lidar)와 확산반사 모드의 광센서(110)는 전파 시간(Time-of-Flight) 카메라는 빛 신호가 방출된 후 객체에 반사되어 감지되는 시간을 측정하여 객체와의 거리를 측정할 수 있다. 확산반사 모드의 감지 거리는 광원과 객체 사이의 거리이고, 감지 거리가 가장 짧다. 확산반사 모드는 초과 이득이 낮아 그 성능은 주변 환경에 크게 의존적이다.The diffuse reflection mode is a method in which the light source (111) and the receiver (112) are located on the same side, and a portion of the light emitted from the light source (111) is reflected by the object. The components of the light sensor (110) of the transmission beam mode and the retroreflection mode must be fixed, whereas the components of the light sensor (110) of the diffuse reflection mode do not need to be fixed. For example, the light sensor (110) of the diffuse reflection mode, Lidar, and the light sensor (110) of the diffuse reflection mode can measure the distance to the object by measuring the time it takes for a light signal to be emitted, reflected by the object, and detected. The detection distance of the diffuse reflection mode is the distance between the light source and the object, and the detection distance is the shortest. The diffuse reflection mode has low excess gain, so its performance is highly dependent on the surrounding environment.

방어 장치(120)(Lightbox라 지칭될 수 있음)는 광센서(110)의 광원(111)과 공격자를 포함한 모든 광원의 특징을 구분하여 외부 광신호 주입 공격을 탐지할 수 있다. 이를 위해, 방어 장치(120)는 특징 추출기(121) 및 OC(One-Class) 분류기(122)를 포함할 수 있다. The defense device (120) (which may be referred to as a lightbox) can detect an external light signal injection attack by distinguishing the characteristics of all light sources including the light source (111) of the light sensor (110) and the attacker. To this end, the defense device (120) may include a feature extractor (121) and an OC (One-Class) classifier (122).

특징 추출기(121)는 광센서(110)의 수신부(112)로부터 수신된 스펙트럼 데이터를 수신하고, 훈련을 통하여 학습된 참(Authentic) 광원과 참조 광원을 구별하는 능력으로 수신된 빛의 스펙트럼 데이터의 특징을 추출할 수 있다. 참조 광원은 광원(111)(참 광원)과 동일한 모델의 광원일 수 있다. 특징 추출기(121)는 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 광원(111)과 참조 광원의 특징 차이가 크게 표현되도록 스펙트럼 데이터를 처리할 수 있다. 예를 들어, 특징 추출기(121)는 파장별 빛의 강도를 0과 1 사이로 정규화하고 특징 파장 대역 이외의 부분을 잘라내는 방식으로 스펙트럼 데이터를 처리할 수 있다. 처리된 스펙트럼 데이터는 광센서(110)의 광원(111)(참 광원)과 참조 광원에 대해 서로 다른 패턴으로 형성될 수 있다. 특징 추출기(121)는 합성곱 신경망(Convolutional Neural Network, CNN)을 사용하여 광원(111)과 참조 광원의 특징 차이를 학습할 수 있다. The feature extractor (121) receives spectrum data received from the receiver (112) of the light sensor (110), and can extract features of the spectrum data of the received light with the ability to distinguish between an authentic light source and a reference light source learned through training. The reference light source may be a light source of the same model as the light source (111) (authentic light source). The feature extractor (121) can process the spectrum data so that the difference in features between the light source (111) and the reference light source due to manufacturing variability and randomness occurring during the manufacturing process of the light source is greatly expressed. For example, the feature extractor (121) can process the spectrum data by normalizing the intensity of light by wavelength to between 0 and 1 and cutting out a portion other than the characteristic wavelength band. The processed spectrum data can be formed in different patterns for the light source (111) (authentic light source) and the reference light source of the light sensor (110). The feature extractor (121) can learn the feature differences between the light source (111) and the reference light source using a convolutional neural network (CNN).

OC 분류기(122)는 특징 추출기(121)에서 처리된 스펙트럼 데이터를 수신하고, 훈련을 통하여 학습된 진위 파악 능력으로 특징 추출기(121)에서 처리된 스펙트럼 데이터가 광원(111)의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지할 수 있다. OC 분류기(122)는 합성곱 신경망(CNN)을 사용하여 광원(111)의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별하도록 학습할 수 있다. The OC classifier (122) receives the spectrum data processed by the feature extractor (121), and can detect whether the spectrum data processed by the feature extractor (121) is spectrum data of the light source (111) or spectrum data resulting from an external optical signal injection attack by using the truth-detection ability learned through training. The OC classifier (122) can learn to distinguish the spectrum data of the light source (111) from other spectrum data by using a convolutional neural network (CNN).

OC 분류기(122)는 광원(111)의 스펙트럼 데이터가 탐지되는 경우 제1 탐지 신호를 출력하고, 외부 광신호 주입 공격에 의한 스펙트럼 데이터가 탐지되는 경우 제2 탐지 신호를 출력할 수 있다. 광센서 시스템(100)은 제1 탐지 신호에 따라 광센서(110)의 제어신호를 그대로 출력하고, 제2 탐지 신호에 따라 광센서(110)의 제어신호의 출력을 제한할 수 있다.The OC classifier (122) can output a first detection signal when spectrum data of a light source (111) is detected, and can output a second detection signal when spectrum data due to an external optical signal injection attack is detected. The optical sensor system (100) can output a control signal of the optical sensor (110) as it is according to the first detection signal, and can limit the output of the control signal of the optical sensor (110) according to the second detection signal.

학습 장치(130)는 방어 장치(120)의 특징 추출기(121) 및 OC 분류기(122)를 훈련할 수 있다. 이를 위하여, 학습 장치(130)는 특징 추출기 훈련부(131), OC 분류기 훈련부(132) 및 참조 광원 데이터베이스(133)를 포함할 수 있다.The learning device (130) can train the feature extractor (121) and the OC classifier (122) of the defense device (120). To this end, the learning device (130) can include a feature extractor training unit (131), an OC classifier training unit (132), and a reference light source database (133).

특징 추출기 훈련부(131)는 특징 추출기(121)의 훈련을 위하여 광원(111)(참 광원)의 스펙트럼 데이터를 수집하여 참 광원 데이터 세트를 생성하고, 참조 광원의 스펙트럼 데이터를 수집하여 참조 광원 데이터 세트를 생성할 수 있다. 특징 추출기 훈련부(131)는 광원(111)(참 광원)의 스펙트럼 데이터와 참조 광원 데이터 세트는 수신부(112)의 분광기를 통해 수집할 수 있다. 이때, 특징 추출기 훈련부(131)는 수신부(112)를 통해 수집되는 스펙트럼의 파장별 세기에서 값이 낮아서 노이즈와 혼동될 여지가 있는 구간을 잘라내고 나머지 데이터들을 정규화하여 각각의 스케일에 맞추어 참 광원 데이터 세트 및 참조 광원 데이터 세트를 생성할 수 있다. 특징 추출기 훈련부(131)는 참 광원 데이터 세트 및 참조 광원 데이터 세트를 사용하여 특징 추출기(121)를 훈련할 수 있다.The feature extractor training unit (131) can collect spectrum data of the light source (111) (true light source) to train the feature extractor (121) to generate a true light source data set, and can collect spectrum data of the reference light source to generate a reference light source data set. The feature extractor training unit (131) can collect the spectrum data of the light source (111) (true light source) and the reference light source data set through a spectrometer of the receiving unit (112). At this time, the feature extractor training unit (131) can cut out a section in which the value is low in the wavelength-specific intensity of the spectrum collected through the receiving unit (112) and thus can be confused with noise, and normalize the remaining data to generate a true light source data set and a reference light source data set according to each scale. The feature extractor training unit (131) can train the feature extractor (121) using the true light source data set and the reference light source data set.

참조 광원 데이터베이스(133)는 광원(111)과 동일한 모델의 광원인 참조 광원들의 스펙트럼 데이터를 저장하고 있으며, 저장된 참조 광원들의 스펙트럼 데이터를 특징 추출기 훈련부(131)에 제공할 수 있다. 특징 추출기 훈련부(131)는 참조 광원 데이터베이스(133)에서 제공되는 참조 광원들의 스펙트럼 데이터를 이용하여 참조 광원 데이터 세트를 생성하고, 이를 이용하여 특징 추출기(121)를 훈련할 수 있다. The reference light source database (133) stores spectral data of reference light sources that are light sources of the same model as the light source (111), and can provide the stored spectral data of the reference light sources to the feature extractor training unit (131). The feature extractor training unit (131) can generate a reference light source data set using the spectral data of the reference light sources provided from the reference light source database (133), and train the feature extractor (121) using the same.

OC 분류기 훈련부(132)는 특징 추출기(121)의 훈련이 완료된 후 특징 추출기(121)로부터 광원(111)(참 광원)의 스펙트럼 데이터를 전달받아 참 클래스 데이터 세트를 생성하고, 참 클래스 데이터 세트를 이용하여 OC 분류기(122)를 훈련할 수 있다. OC 분류기(122)는 참 클래스 데이터 세트로 훈련됨으로써 광원(111)의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별할 수 있다. After the training of the feature extractor (121) is completed, the OC classifier training unit (132) receives the spectrum data of the light source (111) (true light source) from the feature extractor (121) to generate a true class data set, and can train the OC classifier (122) using the true class data set. The OC classifier (122) can distinguish the spectrum data of the light source (111) from other spectrum data by being trained with the true class data set.

특징 추출기(121)와 OC 분류기(122)를 훈련하는 과정을 수행하는 합성곱 신경망(CNN)의 일 예에 대하여 도 2를 참조하여 설명한다.An example of a convolutional neural network (CNN) that performs the process of training a feature extractor (121) and an OC classifier (122) is described with reference to FIG. 2.

도 2는 본 발명의 일 실시예에 따른 특징 추출기 훈련 과정 및 OC 분류기 훈련 과정을 수행하는 합성곱 신경망을 나타내는 블록도이다.FIG. 2 is a block diagram illustrating a convolutional neural network that performs a feature extractor training process and an OC classifier training process according to one embodiment of the present invention.

도 2를 참조하면, 합성곱 신경망(CNN)은 5개의 컨볼루션 레이어(Conv Layer)와 2개의 완전 연결 레이어(Fully Connected Layer, FC Layer)를 갖는다.Referring to Figure 2, the convolutional neural network (CNN) has five convolutional layers (Conv Layer) and two fully connected layers (FC Layer).

특징 추출기(121)의 훈련 과정에서, 스펙트럼 데이터가 첫 번째 컨볼루션 레이어에 입력되면 5개의 컨볼루션 레이어와 2개의 완전 연결 레이어를 통해 처리될 수 있다. 참 광원 데이터 세트에 포함되는 광원(111)(참 광원)의 스펙트럼 데이터 각각과 참조 광원 데이터 세트에 포함되는 참조 광원의 스펙트럼 데이터 각각이 합성곱 신경망(CNN)에 입력되어 특징 추출기(121)가 훈련될 수 있다. 이에 따라, 특징 추출기(121)는 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 광원(111)과 참조 광원의 특징 차이가 크게 표현되도록 스펙트럼 데이터를 처리할 수 있다. In the training process of the feature extractor (121), when spectral data is input to the first convolutional layer, it can be processed through five convolutional layers and two fully connected layers. Each spectral data of the light source (111) (true light source) included in the true light source data set and each spectral data of the reference light source included in the reference light source data set can be input to a convolutional neural network (CNN) to train the feature extractor (121). Accordingly, the feature extractor (121) can process the spectral data so that the feature difference between the light source (111) and the reference light source due to the manufacturing variability and randomness occurring in the manufacturing process of the light source is greatly expressed.

OC 분류기(122)의 훈련 과정에서, OC 분류기 훈련부(132)로부터 참 클래스 데이터 세트에 포함되는 광원(111)(참 광원)의 스펙트럼 데이터가 첫 번째 컨볼루션 레이어에 입력되면 5개의 컨볼루션 레이어와 1개의 완전 연결 레이어를 통해 처리되어 합성곱 신경망(CNN)이 훈련될 수 있다. 이에 따라, OC 분류기(122)는 광원(111)의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별할 수 있다. OC 분류기(122)는 서포트 벡터 머신(Support Vector Machine, SVM)을 사용할 수 있다.In the training process of the OC classifier (122), when the spectral data of the light source (111) (true light source) included in the true class data set from the OC classifier training unit (132) is input to the first convolutional layer, the convolutional neural network (CNN) can be trained by processing through five convolutional layers and one fully connected layer. Accordingly, the OC classifier (122) can distinguish the spectral data of the light source (111) from other spectral data. The OC classifier (122) can use a support vector machine (SVM).

지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. The drawings and detailed description of the invention described so far are merely exemplary of the present invention, and are used only for the purpose of explaining the present invention, and are not used to limit the meaning or the scope of the present invention described in the claims. Therefore, those skilled in the art will understand that various modifications and equivalent other embodiments are possible from this. Therefore, the true technical protection scope of the present invention should be determined by the technical idea of the appended claims.

100: 광센서 시스템 110: 광센서
111: 광원 112: 수신부
120: 방어 장치 121: 특징 추출기
122: OC 분류기 130: 학습 장치
131: 특징 추출기 훈련부 132: OC 분류기 훈련부
133: 참조 광원 데이터베이스100: Light sensor system 110: Light sensor
111: Light source 112: Receiver
120: Defense Device 121: Feature Extractor
122: OC classifier 130: Learning device
131: Feature Extractor Training Section 132: OC Classifier Training Section
133: Reference light source database

Claims (17)

광센서로부터 스펙트럼 데이터를 수신하고, 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하는 특징 추출기; 및
상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기를 포함하고,
상기 OC 분류기는 합성곱 신경망을 사용하여 상기 광센서에 포함된 광원의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별하도록 학습하고,
상기 OC 분류기는 상기 광센서에 포함된 광원의 스펙트럼 데이터가 탐지되는 경우 제1 탐지 신호를 출력하고, 상기 외부 광신호 주입 공격에 의한 스펙트럼 데이터가 탐지되는 경우 제2 탐지 신호를 출력하고,
상기 제1 탐지 신호에 따라 상기 광센서의 제어신호는 그대로 출력되고, 상기 제2 탐지 신호에 따라 상기 광센서의 제어신호의 출력이 제한되는 외부 광신호 주입 공격에 대한 방어 장치. A feature extractor that receives spectrum data from a light sensor and processes the spectrum data so that differences in features between a reference light source and the light source included in the light sensor are expressed due to manufacturing variability and randomness occurring during the manufacturing process of the light source; and
Including an OC classifier that detects whether the spectral data processed by the above feature extractor is spectral data of a light source included in the above light sensor or spectral data resulting from an external optical signal injection attack;
The above OC classifier learns to distinguish the spectral data of the light source included in the light sensor from other spectral data using a convolutional neural network,
The above OC classifier outputs a first detection signal when spectrum data of a light source included in the above optical sensor is detected, and outputs a second detection signal when spectrum data by an external optical signal injection attack is detected.
A defense device against an external optical signal injection attack, wherein the control signal of the optical sensor is output as is according to the first detection signal, and the output of the control signal of the optical sensor is limited according to the second detection signal. 제1 항에 있어서,
상기 특징 추출기는 파장별 빛의 강도를 0과 1 사이로 정규화하고 특징 파장 대역 이외의 부분을 잘라내는 방식으로 상기 스펙트럼 데이터를 처리하는 외부 광신호 주입 공격에 대한 방어 장치. In the first paragraph,
The above feature extractor is a defense device against external optical signal injection attacks that processes the spectral data by normalizing the intensity of light by wavelength to between 0 and 1 and cutting out a portion outside the feature wavelength band. 제1 항에 있어서,
상기 특징 추출기는 합성곱 신경망을 사용하여 상기 참조 광원과 상기 광센서에 포함된 광원의 특징 차이를 학습하는 외부 광신호 주입 공격에 대한 방어 장치. In the first paragraph,
The above feature extractor is a defense device against external light signal injection attacks that learns the feature differences between the reference light source and the light source included in the light sensor using a convolutional neural network. 삭제delete 삭제delete 광원에서 전송된 빛의 양과 수신부가 수신한 빛의 양 사이의 차이를 계산하여 제어신호를 출력하고, 분광기를 이용하여 상기 수신한 빛의 스펙트럼을 생성하여 스펙트럼 데이터를 출력하는 광센서; 및
광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하고, 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지를 탐지하는 방어 장치를 포함하고,
상기 방어 장치는,
파장별 빛의 강도를 0과 1 사이로 정규화하고 특징 파장 대역 이외의 부분을 잘라내는 방식으로 상기 스펙트럼 데이터를 처리하는 특징 추출기; 및
상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기를 포함하고,
상기 광센서에 포함된 광원의 스펙트럼 데이터를 수집하여 참 광원 데이터 세트를 생성하고, 상기 참조 광원의 스펙트럼 데이터를 수집하여 참조 광원 데이터 세트를 생성하고, 상기 참 광원 데이터 세트 및 상기 참조 광원 데이터 세트를 사용하여 상기 특징 추출기를 훈련하는 특징 추출기 훈련부; 및
상기 광센서에 포함된 광원과 동일한 모델의 광원인 상기 참조 광원의 스펙트럼 데이터를 상기 특징 추출기 훈련부에 제공하는 참조 광원 데이터베이스를 더 포함하는 광센서 시스템.A light sensor that calculates the difference between the amount of light transmitted from a light source and the amount of light received by a receiver and outputs a control signal, and generates a spectrum of the received light using a spectrometer and outputs spectrum data; and
Processing the spectrum data so that the difference in characteristics between the reference light source and the light source included in the light sensor due to manufacturing variability and randomness occurring in the manufacturing process of the light source is expressed, and including a defense device that detects whether the processed spectrum data is the spectrum data of the light source included in the light sensor.
The above defense device is,
A feature extractor that processes the spectral data by normalizing the intensity of light at each wavelength to between 0 and 1 and cutting out parts outside the characteristic wavelength band; and
Including an OC classifier that detects whether the spectral data processed by the above feature extractor is spectral data of a light source included in the above light sensor or spectral data resulting from an external optical signal injection attack;
A feature extractor training unit that collects spectral data of a light source included in the light sensor to generate a true light source data set, collects spectral data of the reference light source to generate a reference light source data set, and trains the feature extractor using the true light source data set and the reference light source data set; and
A light sensor system further comprising a reference light source database that provides spectrum data of the reference light source, which is a light source of the same model as the light source included in the light sensor, to the feature extractor training unit. 삭제delete 삭제delete 제6 항에 있어서,
상기 특징 추출기는 합성곱 신경망을 사용하여 상기 참조 광원과 상기 광센서에 포함된 광원의 특징 차이를 학습하는 광센서 시스템.In Article 6,
The above feature extractor is a light sensor system that learns the feature differences between the reference light source and the light source included in the light sensor using a convolutional neural network. 삭제delete 제9 항에 있어서,
상기 특징 추출기의 훈련이 완료된 후 상기 특징 추출기로부터 상기 광센서에 포함된 광원의 스펙트럼 데이터를 전달받아 참 클래스 데이터 세트를 생성하고, 상기 참 클래스 데이터 세트를 이용하여 상기 OC 분류기를 훈련하는 OC 분류기 훈련부를 더 포함하는 광센서 시스템.In Article 9,
An optical sensor system further comprising an OC classifier training unit which receives spectrum data of a light source included in the optical sensor from the feature extractor after training of the feature extractor is completed, generates a true class data set, and trains the OC classifier using the true class data set. 제11 항에 있어서,
상기 OC 분류기는 합성곱 신경망을 사용하여 상기 광센서에 포함된 광원의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별하도록 학습하는 광센서 시스템.In Article 11,
The above OC classifier is a light sensor system that learns to distinguish spectral data of a light source included in the light sensor from other spectral data using a convolutional neural network. 광원에서 전송된 빛의 양과 수신부가 수신한 빛의 양 사이의 차이를 계산하여 제어신호를 출력하고, 분광기를 이용하여 상기 수신한 빛의 스펙트럼을 생성하여 스펙트럼 데이터를 출력하는 광센서; 및
광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하고, 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지를 탐지하는 방어 장치를 포함하고,
상기 방어 장치는,
파장별 빛의 강도를 0과 1 사이로 정규화하고 특징 파장 대역 이외의 부분을 잘라내는 방식으로 상기 스펙트럼 데이터를 처리하는 특징 추출기; 및
상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기를 포함하고,
상기 광센서에 포함된 광원의 스펙트럼 데이터를 수집하여 참 광원 데이터 세트를 생성하고, 상기 참조 광원의 스펙트럼 데이터를 수집하여 참조 광원 데이터 세트를 생성하고, 상기 참 광원 데이터 세트 및 상기 참조 광원 데이터 세트를 사용하여 상기 특징 추출기를 훈련하는 특징 추출기 훈련부; 및
상기 특징 추출기의 훈련이 완료된 후 상기 특징 추출기로부터 상기 광센서에 포함된 광원의 스펙트럼 데이터를 전달받아 참 클래스 데이터 세트를 생성하고, 상기 참 클래스 데이터 세트를 이용하여 상기 OC 분류기를 훈련하는 OC 분류기 훈련부를 더 포함하고,
상기 OC 분류기는 합성곱 신경망을 사용하여 상기 광센서에 포함된 광원의 스펙트럼 데이터를 다른 스펙트럼 데이터와 구별하도록 학습하고,
상기 OC 분류기는 상기 광센서에 포함된 광원의 스펙트럼 데이터가 탐지되는 경우 제1 탐지 신호를 출력하고, 상기 외부 광신호 주입 공격에 의한 스펙트럼 데이터가 탐지되는 경우 제2 탐지 신호를 출력하고,
상기 제1 탐지 신호에 따라 상기 광센서의 제어신호를 그대로 출력하고, 상기 제2 탐지 신호에 따라 상기 광센서의 제어신호의 출력을 제한하는 광센서 시스템.A light sensor that calculates the difference between the amount of light transmitted from a light source and the amount of light received by a receiver and outputs a control signal, and generates a spectrum of the received light using a spectrometer and outputs spectrum data; and
Processing the spectrum data so that the difference in characteristics between the reference light source and the light source included in the light sensor due to manufacturing variability and randomness occurring in the manufacturing process of the light source is expressed, and including a defense device that detects whether the processed spectrum data is the spectrum data of the light source included in the light sensor.
The above defense device is,
A feature extractor that processes the spectral data by normalizing the intensity of light at each wavelength to between 0 and 1 and cutting out parts outside the characteristic wavelength band; and
Including an OC classifier that detects whether the spectral data processed by the above feature extractor is spectral data of a light source included in the above light sensor or spectral data resulting from an external optical signal injection attack;
A feature extractor training unit that collects spectral data of a light source included in the light sensor to generate a true light source data set, collects spectral data of the reference light source to generate a reference light source data set, and trains the feature extractor using the true light source data set and the reference light source data set; and
After the training of the above feature extractor is completed, the system further includes an OC classifier training unit that receives the spectrum data of the light source included in the light sensor from the feature extractor to generate a true class data set, and trains the OC classifier using the true class data set.
The above OC classifier learns to distinguish the spectral data of the light source included in the light sensor from other spectral data using a convolutional neural network,
The above OC classifier outputs a first detection signal when spectrum data of a light source included in the above optical sensor is detected, and outputs a second detection signal when spectrum data by an external optical signal injection attack is detected.
An optical sensor system that outputs a control signal of the optical sensor as is according to the first detection signal and limits the output of the control signal of the optical sensor according to the second detection signal. 광센서로부터 스펙트럼 데이터를 수신하고, 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하는 특징 추출기;
상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기;
상기 광센서에 포함된 광원의 스펙트럼 데이터를 수집하여 참 광원 데이터 세트를 생성하고, 상기 참조 광원의 스펙트럼 데이터를 수집하여 참조 광원 데이터 세트를 생성하고, 상기 참 광원 데이터 세트 및 상기 참조 광원 데이터 세트를 사용하여 상기 특징 추출기를 훈련하는 특징 추출기 훈련부; 및
상기 광센서에 포함된 광원과 동일한 모델의 광원인 상기 참조 광원의 스펙트럼 데이터를 상기 특징 추출기 훈련부에 제공하는 참조 광원 데이터베이스를 포함하는 광센서 시스템.A feature extractor which receives spectrum data from a light sensor and processes the spectrum data so that differences in features between a reference light source and the light source included in the light sensor are expressed due to manufacturing variability and randomness occurring during the manufacturing process of the light source;
An OC classifier that detects whether the spectral data processed by the above feature extractor is spectral data of a light source included in the above light sensor or spectral data resulting from an external optical signal injection attack;
A feature extractor training unit that collects spectral data of a light source included in the light sensor to generate a true light source data set, collects spectral data of the reference light source to generate a reference light source data set, and trains the feature extractor using the true light source data set and the reference light source data set; and
A light sensor system including a reference light source database that provides spectral data of the reference light source, which is a light source of the same model as the light source included in the light sensor, to the feature extractor training unit. 삭제delete 제14 항에 있어서,
상기 특징 추출기의 훈련이 완료된 후 상기 특징 추출기로부터 상기 광센서에 포함된 광원의 스펙트럼 데이터를 전달받아 참 클래스 데이터 세트를 생성하고, 상기 참 클래스 데이터 세트를 이용하여 상기 OC 분류기를 훈련하는 OC 분류기 훈련부를 더 포함하는 광센서 시스템.In Article 14,
An optical sensor system further comprising an OC classifier training unit which receives spectrum data of a light source included in the optical sensor from the feature extractor after training of the feature extractor is completed, generates a true class data set, and trains the OC classifier using the true class data set. 광센서로부터 스펙트럼 데이터를 수신하고, 광원의 제조 과정에서 발생하는 제조 변동성과 무작위성에 따른 참조 광원과 상기 광센서에 포함된 광원의 특징 차이가 표현되도록 상기 스펙트럼 데이터를 처리하는 특징 추출기;
상기 특징 추출기에서 처리된 스펙트럼 데이터가 상기 광센서에 포함된 광원의 스펙트럼 데이터인지 또는 외부 광신호 주입 공격에 의한 스펙트럼 데이터인지를 탐지하는 OC 분류기;
상기 광센서에 포함된 광원의 스펙트럼 데이터를 수집하여 참 광원 데이터 세트를 생성하고, 상기 참조 광원의 스펙트럼 데이터를 수집하여 참조 광원 데이터 세트를 생성하고, 상기 참 광원 데이터 세트 및 상기 참조 광원 데이터 세트를 사용하여 상기 특징 추출기를 훈련하는 특징 추출기 훈련부; 및
상기 특징 추출기의 훈련이 완료된 후 상기 특징 추출기로부터 상기 광센서에 포함된 광원의 스펙트럼 데이터를 전달받아 참 클래스 데이터 세트를 생성하고, 상기 참 클래스 데이터 세트를 이용하여 상기 OC 분류기를 훈련하는 OC 분류기 훈련부를 포함하고,
상기 OC 분류기는 상기 광센서에 포함된 광원의 스펙트럼 데이터가 탐지되는 경우 제1 탐지 신호를 출력하고, 상기 외부 광신호 주입 공격에 의한 스펙트럼 데이터가 탐지되는 경우 제2 탐지 신호를 출력하고,
상기 제1 탐지 신호에 따라 상기 광센서의 제어신호를 그대로 출력하고, 상기 제2 탐지 신호에 따라 상기 광센서의 제어신호의 출력을 제한하는 광센서 시스템.A feature extractor which receives spectrum data from a light sensor and processes the spectrum data so that differences in features between a reference light source and the light source included in the light sensor are expressed due to manufacturing variability and randomness occurring during the manufacturing process of the light source;
An OC classifier that detects whether the spectral data processed by the above feature extractor is spectral data of a light source included in the above light sensor or spectral data resulting from an external optical signal injection attack;
A feature extractor training unit that collects spectral data of a light source included in the light sensor to generate a true light source data set, collects spectral data of the reference light source to generate a reference light source data set, and trains the feature extractor using the true light source data set and the reference light source data set; and
After the training of the above feature extractor is completed, the OC classifier training unit receives the spectrum data of the light source included in the light sensor from the feature extractor to generate a true class data set, and trains the OC classifier using the true class data set.
The above OC classifier outputs a first detection signal when spectrum data of a light source included in the above optical sensor is detected, and outputs a second detection signal when spectrum data by an external optical signal injection attack is detected.
An optical sensor system that outputs a control signal of the optical sensor as is according to the first detection signal and limits the output of the control signal of the optical sensor according to the second detection signal.
KR1020230089935A 2023-07-11 2023-07-11 Defence apparatus for optical signal injection attacks and photoelectric sensor system including the same Active KR102832815B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230089935A KR102832815B1 (en) 2023-07-11 2023-07-11 Defence apparatus for optical signal injection attacks and photoelectric sensor system including the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230089935A KR102832815B1 (en) 2023-07-11 2023-07-11 Defence apparatus for optical signal injection attacks and photoelectric sensor system including the same

Publications (2)

Publication Number Publication Date
KR20250009818A KR20250009818A (en) 2025-01-20
KR102832815B1 true KR102832815B1 (en) 2025-07-09

Family

ID=94389279

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230089935A Active KR102832815B1 (en) 2023-07-11 2023-07-11 Defence apparatus for optical signal injection attacks and photoelectric sensor system including the same

Country Status (1)

Country Link
KR (1) KR102832815B1 (en)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5196840B2 (en) * 2007-04-26 2013-05-15 キヤノン株式会社 Information processing apparatus and method
KR101811688B1 (en) * 2011-12-06 2017-12-26 삼성전자주식회사 Classification apparatus and method for light source
KR102875849B1 (en) * 2019-07-17 2025-10-24 트리나미엑스 게엠베하 spectrometer device
EP3933666B1 (en) * 2020-07-01 2025-08-27 Smart Eye AB Anti-spoofing system

Also Published As

Publication number Publication date
KR20250009818A (en) 2025-01-20

Similar Documents

Publication Publication Date Title
Shin et al. Illusion and dazzle: Adversarial optical channel exploits against lidars for automotive applications
CN102005097B (en) Infrared laser perimeter protection method
US5274379A (en) Optical identification friend-or-foe
US20120242974A1 (en) Method and Apparatus for Controlling Laser Transmissions for Enhanced Safety
AU730591B2 (en) Eyesafe transmission of hazardous laser beams
US6933845B2 (en) Photon intrusion detector
Shin et al. Sampling Race: Bypassing {Timing-Based} Analog Active Sensor Spoofing Detection on {Analog-Digital} Systems
CN108072596A (en) Detection based on high sensitivity optical fiber
CN108072505A (en) Detection based on high sensitivity optical fiber
Shangguan et al. Dynamic watermarking for cybersecurity of autonomous vehicles
KR102832815B1 (en) Defence apparatus for optical signal injection attacks and photoelectric sensor system including the same
Jin et al. Laser-based lidar spoofing: Effects validation, capability quantification, and countermeasures
PT2661642T (en) Laser threat warning system and method
US9103723B2 (en) Optical surveillance systems and methods
US7954411B2 (en) Method and apparatus for protecting vehicles and personnel against incoming projectiles
Baksi et al. A comprehensive model for elucidating advanced persistent threats (APT)
US7391007B2 (en) Optoelectronic apparatus and method of operating the optoelectronic apparatus in order to detect an object
Sato et al. WIP: practical removal attacks on LiDAR-based object detection in autonomous driving
CN108828607A (en) Wavelength jumps anti-interference laser radar system
WO2016005737A1 (en) Imaging system
Kim et al. Lightbox: Sensor attack detection for photoelectric sensors via spectrum fingerprinting
CN116027302A (en) Motion Detector with Mask Detection
Felix et al. Driverless vehicles and lidar: Evaluation of possible security threats on the open road
Neethu et al. Perception system of autonomous vehicles: Sophisticated attacks, defense strategies, and future directions
Steinvall Potential of preemptive DIRCM systems

Legal Events

Date Code Title Description
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

F11 Ip right granted following substantive examination

Free format text: ST27 STATUS EVENT CODE: A-2-4-F10-F11-EXM-PR0701 (AS PROVIDED BY THE NATIONAL OFFICE)

PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

U11 Full renewal or maintenance fee paid

Free format text: ST27 STATUS EVENT CODE: A-2-2-U10-U11-OTH-PR1002 (AS PROVIDED BY THE NATIONAL OFFICE)

Year of fee payment: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

Q13 Ip right document published

Free format text: ST27 STATUS EVENT CODE: A-4-4-Q10-Q13-NAP-PG1601 (AS PROVIDED BY THE NATIONAL OFFICE)