무선 기기 바꿔치기 탐지 FreqSpaNet, AUROC 96%

출처: arXiv 2609.17491 Figure 1

무선 기기의 '바꿔치기'는 어떤 위협인가요

스마트 계량기, 산업용 IoT 센서 같은 무선 기기는 통신 역할과 논리적 정체성(식별자·주소)이 그대로면 정상처럼 보여요. 그런데 실제 안의 부품만 몰래 교체되면 어떤 일이 벌어질까요. 신호는 여전히 규약대로 나가고, 네트워크는 같은 장비로 인식하지만, 내부 하드웨어는 완전히 달라져 있어요.

이렇게 하드웨어 부품이 불법 교체되는 상황을 가리켜 하드웨어 무결성(hardware integrity) 위협이라고 해요. 이번에 소개할 논문은 바로 이런 '부품 바꿔치기'를 무선 신호의 물리적 특성만으로 잡아내는 방법을 다뤄요. 제목은 FreqSpaNet: Frequency and Spatial Learning of SFPF for Physical Layer Hardware Integrity Detection이고, 2026년 9월 15일 arXiv에 올라왔어요.

SFPF라는 신호 특징이 핵심이에요

하드웨어가 바뀌면 신호의 '편파(polarization)' 응답이 달라져요. 편파는 무선 전파의 진동 방향을 뜻하는데, 기기마다 미세하게 다른 방사 특성 때문에 서로 직교하는 두 수신 성분 사이의 복잡한 관계로 각 기기를 식별하는 지문(fingerprint)을 만들 수 있어요. 이를 편파 지문(Polarization Fingerprint, PF)이라고 하죠.

이걸 여러 주파수와 여러 방향으로 확장한 것이 spatio-frequency polarization fingerprint, 줄여서 SFPF예요. 하나의 SFPF는 복소 편파 응답을 방향(direction)과 주파수(frequency)로 나눠 정리한 4차원 구조(실수부·허수부 × 방향 × 주파수 × 샘플링 점)로 표현돼요. 이 논문의 실험에서는 301개 방향과 9개 주파수, 각 방향·주파수 조합당 1024개 복소 샘플링 점을 사용했어요.

SFPF를 학습하는 게 쉽지 않은 이유는 두 차원의 구조적 의존성이 서로 다르기 때문이에요. 이웃한 주파수끼리는 응답이 지역적으로 비슷하게 움직이는 반면, 방향 사이의 관계는 물리적인 각도 거리(angular separation)에 따라 정해져요. 그리고 하드웨어 교체의 영향은 주파수·방향에 따라 고르지 않게 나타나요.

기존 CNN이나 비전 트랜스포머는 이 전체 구조를 균일한 연산으로 처리하거나 평평하게 펴 버려서, SFPF 특유의 성질을 잘 살리지 못했어요.

FreqSpaNet은 주파수·공간을 따로 배워요

FreqSpaNet은 이런 문제를 두 개의 병렬 분기(branch)로 풀어요.

• 주파수 분기(frequency branch): 방향·주파수 각 쌍을 공유 인코더가 하나의 토큰으로 매핑한 뒤, 이웃 주파수 사이의 지역적 변화를 포착하도록 1D 깊이별 합성곱(depthwise convolution)을 적용해요.
• 공간 분기(spatial branch, 기하 인지): 방향 사이의 의존성을 모델링할 때 단순히 그리드 위치가 아니라 방향의 좌표(고도·방위각)를 3차원 단위 벡터로 표현해 각도 정보를 활용해요. 두 방향 사이의 각도 거리를 계산해 어텐션(attention) 바이어스로 넣어, 물리적으로 가까운 방향이 더 강하게 연결되도록 하죠.

두 분기를 단순히 더하는 대신, 샘플마다 주파수 변동량과 공간 변동량을 통계치로 뽑아 적응형 융합(fusion) 가중치를 학습해요. 샘플에 따라 주파수·공간 어느 쪽이 더 유용한지가 달라질 수 있기 때문이에요.

사전학습으로 분기 사이 공통·특유 정보를 함께 배워요

FreqSpaNet은 또한 '주파수-공간 상호 보완 사전학습(complementary pretraining)'을 해요. 마스킹된 신호를 복원하는 재구성 손실과 두 분기 표현을 대조학습으로 맞추는 손실에 더해, 두 분기의 공통 정보는 서로 유사해지게, 각 분기만의 고유 정보는 중복을 줄이는 방향으로 학습해요.

추론 때는 등록된 기기 분류기의 출력에서 네 가지 이상 점수(에너지, 최대 확률 불확실성, 정규화 엔트로피, 확률 마진)를 뽑아 표준화한 뒤 로지스틱 융합으로 하나의 이상 점수로 합쳐요. 낮은 신호 대 잡음비(SNR)에서도 동작하도록 0~20dB 구간을 테스트해요.

실험 결과: 평균 AUROC 96.31%로 일반 모델 9.05포인트 이상

데이터는 USRP X310 수신기와 직교 이중편파 안테나를 기기에서 3m 떨어뜨려 913~917MHz 구간을 0.5MHz 간격으로 측정한 값이에요. 열 대의 무선 기기를 등록하고, 그중 다섯 대를 공격 대상으로 삼아 안테나(A), 디지털/베이스밴드(D), RF 전단(R) 교체와 이들의 조합(A+D, A+R, D+R, A+D+R) 총 일곱 가지 시나리오로 하드웨어 이상 샘플을 만들어 검증했어요.

주요 성능 지표는 이상 탐지의 표준 척도인 AUROC(Anomaly Under ROC)인데, FreqSpaNet은 0~20dB 전 구간에서 평균 96.31%를 기록했어요. 이는 SFPF에서 가장 좋은 일반 오픈셋 모델(ResNet-18 + MSP)의 87.26%보다 9.05포인트 높아요. 모든 SNR에서 최고 AUROC를 유지하며, 알 수 없는 클래스(새 친구)의 F1 점수도 평균 89.93%를 보여줬어요.

일곱 가지 교체 시나리오에서 안테나 교체가 가장 까다로웠어요(05dB에서 AUROC 85.30%, FPR95 24.87%). 그 외 시나리오의 FPR95는 12.4716.95% 수준이었고, 신호가 좋은 15~20dB 구간에서는 일곱 시나리오 평균 AUROC 99.33%, 알 수 없는 클래스 F1 95.45%, FPR95 2.32%까지 올라갔어요.

소거 실험(ablation)을 보면 두 분기가 모두 필요한 걸 알 수 있어요. 분기를 하나만 쓰면 균형 정확도가 7포인트 이상 떨어지고, 각도 바이어스나 적응형 융합을 없애도 전반적으로 성능이 낮아져요. 특히 대조학습을 뺐을 때 AUROC가 87.59%로 크게 떨어져, 사전학습 손실 구성이 이상 점수 품질에 큰 영향을 준다는 점이 드러나요.

어떤 의미가 있고, 어디까지 가능할까요

이 연구의 핵심은 '일반 영상 모델로 신호 지문을 우격다짐으로 처리하지 말고, 신호만의 구조를 반영한 전용 표현 학습을 하자'는 데 있어요. 주파수 의존성과 방향 의존성이 다르다는 점, 방향 간 관계가 각도 거리로 결정된다는 점을 모델 구조에 그대로 녹여낸 게 성능 개선의 이유예요.

다만 몇 가지 한계도 있어요. 실험 환경이 무선 기기를 고정하고 회전 플랫폼으로 방향을 제어하는 통제된 실험실 조건이고, 학습에는 등록 기기에서 정상 동작 시 수집한 신호만 사용하되 테스트 하드웨어는 완전히 다른 브랜드·모델을 쓴다는 점을 감안해야 해요. 실제 배포 환경처럼 신호가 여러 경로로 반사되는 다중 경로 페이딩이나 이동 통신 대역 변화까지 일반화된다고 단정하기는 아직 이르다는 뜻이에요.

다만 913~917MHz 같은 좁은 대역과 5도 간격의 방향 그리드에서 얻은 SFPF에 '구조를 존중하는 표현 학습'이 실제로 더 잘 맞는다는 점은 확인됐으니, 물리 계층 보안을 연구하는 팀이라면 같은 접근을 대역·안테나 설정이 다른 시나리오로 확장해 보는 것도 의미가 있어요.

참고 링크

• arXiv 원문: FreqSpaNet (2609.17491)
• FreqSpaNet 논문 HTML 전문