Earticle

수중 IoT 네트워크에서 센서 노드는 지속적인 전력 공급이 어렵기 때문에 제한된 상황에서 소비 전력과 네트워크 처리량의 효율성이 매우 중요하다. 이를 위해 기존의 무선 네트워크에서는 SNR(Signal Noise Rate)과 BER(Bit Error Rate)의 높은 연관성을 기반으로 적응적으로 통신 파라미터를 선택하는 AMC(Adaptive Modulation and Coding) 기술을 적용한다. 하지만 본 논문의 실험 결과, 수중에서 SNR과 BER 사이의 상관 관계가 상대적으로 감소함을 확인하였다. 따라서 본 논문에서는 SNR과 함께 다중 파라미터를 동시에 사용하는 딥러닝 기반 BER 예측 모델(MLP, Multi-Layer Perceptron)을 적용한다. 제안하는 BER 예측 모델은 처리량이 가장 높은 통신 방법을 찾아낼 수 있고, 시뮬레이션 결과 85.2%의 높은 정확도와 네트워크 처리량은 기존 처리량 보다 4.4배 높은 성능을 보여주는 우수한 성능을 확인하였다.

The sensor nodes in underwater IoT networks have practical limitations in power supply. Thus, the reduction of power consumption is one of the most important issues in underwater environments. In this regard, AMC(Adaptive Modulation and Coding) techniques are used by using the relation between SNR and BER. However, according to our hands-on experience, we observed that the relation between SNR and BER is not that tight in underwater environments. Therefore, we propose a deep learning based MLP classification model to reflect multiple underwater channel parameters at the same time. It correctly predicts BER with a high accuracy of 85.2%. The proposed model can choose the best parameters to have the highest throughput. Simulation results show that the throughput can be enhanced by 4.4 times higher than the conventionally measured results.

최근 딥러닝 모델은 산업 현장에서 널리 활용되고 있으나 클럭 글리치와 같은 물리적 오류 주입공격에 취약할수 있다. 특히, 루프 스킵(loop-skip) 공격과 같은 공격은 소프트웨어 시뮬레이션에서 정의한 오류 모델과 실제 하드웨어에서 관찰되는 정량적 상관관계의 검증이 부족하여 실질적인 대응책을 수립하는 데 어려움을 겪고 있다. 본 연구에서는 MNIST 데이터셋을 활용한 숫자 분류 MLP 모델에서 Sign-flip, Random, Zeroizing의 오류 형태를 정의하고 오류 주입에 따른 오분류 영향도를 분석하였고, ChipWhisperer-Husky를 이용한 클럭 글리치 오류 주입 실험으로 루프 스킵 공격이 물리적으로 충분히 가능함을 검증하였다. 실험 결과, Zeroizing 및 Random이 주입된 출력층에서 상대적 정확도 하락(Relative Accuracy Drop, RAD)이 약 0.90에 근접하여 오분류 가능성이 높은 것을 확인하였다. 또한, ReLU+𝜖 기반 검증 및 Softmax 합 검사 등 탐지·복구 기법을 제안하여 적용한 결과, 대부분의 치명적 오류 주입을 효과적으로 무력화하고 높은 복구율을 달성하여 MLP 모델에 대한 오류 주입 공격 내성을 확인하였다.

Recently, deep learning models have been widely adopted in industrial environments but remain vulnerable to physical fault injection attacks such as clock glitch. In particular, loop-skip attacks lack quantitative validation betweensoftware-defined fault models and real hardware behavior, making practical countermeasures difficult to design. In this paper, we define three fault types Sign-flip, Random, and Zeroizing in an MNIST based MLP classifier and analyze their impact on misclassification. We further demonstrate the physical feasibility of loop-skip attacks through clock glitch experiments using the ChipWhisperer-Husky. Experimental results show that Zeroizing and Random faults in the output layer cause a severe relative accuracy drop (RAD ≈ 0.90). To mitigate these effects, ReLU+𝜖 verification and Softmax-sum checking are proposed, which effectively neutralize most critical faults and achieve a high recovery rate, enhancing the fault tolerance of the MLP model.