6.5 MKL 아키텍처 - UAV 위협 탐지를 위한 Mamba-KAN-Liquid 결합 모델

6.5 MKL 아키텍처 - UAV 위협 탐지를 위한 Mamba-KAN-Liquid 결합 모델

1. 서론: UAV 사이버 보안의 패러다임 전환

현대 전장과 산업 현장에서 무인 항공기(UAV, Unmanned Aerial Vehicle)의 역할이 정찰, 감시, 물류, 타격 등 전방위적으로 확대됨에 따라, UAV 시스템을 겨냥한 사이버 위협 또한 그 복잡성과 치명도가 기하급수적으로 증가하고 있다. UAV는 개방된 무선 통신 채널에 의존하고, 제한된 배터리와 연산 자원(SWaP: Size, Weight, and Power)을 가진 엣지(Edge) 디바이스라는 본질적인 특성 때문에, 기존의 서버 기반 보안 솔루션을 그대로 적용하는 데에는 명확한 한계가 존재한다. 특히 GPS 스푸핑(GPS Spoofing), 재밍(Jamming), 중간자 공격(MITM), 그리고 알려지지 않은 제로데이(Zero-day) 공격 등은 고도화된 패턴을 보이며, 단순한 규칙 기반(Rule-based) 탐지나 무거운 트랜스포머(Transformer) 모델로는 실시간 대응이 불가능한 실정이다.

이러한 배경에서 등장한 Mamba-KAN-Liquid (MKL) 아키텍처는 UAV 사이버 보안을 위한 혁신적인 하이브리드 딥러닝 모델로, 현재 인공지능 분야에서 가장 주목받는 세 가지 차세대 패러다임을 유기적으로 결합하였다. 이 모델은 (1) 긴 시계열 데이터의 효율적 처리를 위한 Mamba의 선택적 상태 공간 모델(Selective State Space Models, SSM), (2) 데이터의 비선형적 특징을 정밀하게 학습하기 위한 Kolmogorov-Arnold Networks (KAN), 그리고 (3) 환경 변화와 노이즈에 동적으로 적응하는 **Liquid Neural Networks (LNN)**의 강점을 통합하여 설계되었다.1

본 장에서는 MKL 아키텍처가 어떻게 기존 딥러닝 모델의 연산 비효율성과 적응력 부재 문제를 극복하고, 리소스가 제한된 UAV 온보드(On-board) 환경에서 47.3ms라는 초저지연 추론과 95% 이상의 위협 탐지율을 달성했는지, 그 이론적 배경과 기술적 세부 사항을 심층적으로 분석한다.1

2. MKL 아키텍처의 이론적 기반 및 구성 요소

MKL 모델의 우수성은 각 구성 요소가 가진 수학적 특성과 그 상호보완적 결합에 기인한다. UAV의 텔레메트리 데이터(Telemetry Data)는 고차원의 시계열 정보이며, 물리적 비행 역학(Flight Dynamics)과 사이버 공격에 의한 이상 징후가 혼재되어 있다. 이를 효과적으로 분리하고 분석하기 위해서는 각 신경망 패러다임의 깊은 이해가 선행되어야 한다.

2.1 Mamba: 선택적 상태 공간 모델 (Selective SSM)

전통적인 트랜스포머(Transformer) 모델은 시퀀스 길이 L에 대해 O(L^2)의 2차 복잡도를 가지는 어텐션(Attention) 메커니즘으로 인해, 긴 비행 로그를 실시간으로 처리해야 하는 UAV 환경에서는 연산 비용과 메모리 사용량이 지나치게 높다는 치명적인 단점이 있다. Mamba 아키텍처는 이러한 문제를 해결하기 위해 선형 복잡도 O(L)을 유지하면서도 장기 의존성(Long-range dependency)을 효과적으로 모델링할 수 있는 구조적 상태 공간 모델(Structured State Space Models, SSM)을 채택한다.3

1. 연속 시간 시스템의 모델링 및 이산화 (Discretization)

Mamba는 본질적으로 연속적인 시간 흐름을 다루는 미분 방정식에 기초한다. UAV의 비행 상태는 연속적인 물리 법칙을 따르므로, 이를 모델링하기 위해 1차원 입력 함수 x(t)를 은닉 상태 h(t)를 통해 출력 y(t)로 매핑하는 선형 시불변(LTI) 시스템을 정의한다.
h'(t) = Ah(t) + Bx(t)

y(t) = Ch(t)

여기서 A \in \mathbb{R}^{N \times N}는 시스템의 진화를 결정하는 상태 행렬(State Matrix)이며, B \in \mathbb{R}^{N \times 1}와 C \in \mathbb{R}^{1 \times N}는 각각 입력 및 출력 투영 행렬이다. UAV의 센서 데이터는 디지털 시스템에서 이산적인(Discrete) 샘플로 수집되므로, Mamba는 학습 가능한 시간 척도 파라미터 \Delta를 도입하여 제로 오더 홀드(Zero-Order Hold, ZOH) 방식을 통해 이 연속 시스템을 이산화한다.1

이산화된 시스템 행렬 \bar{A}와 \bar{B}는 다음과 같이 유도된다:
\bar{A} = \exp(\Delta A)

\bar{B} = (\Delta A)^{-1}(\exp(\Delta A) - I) \cdot \Delta B

이러한 이산화 과정은 Mamba가 불규칙한 샘플링 간격을 가질 수 있는 UAV 데이터나, 센서별로 다른 샘플링 레이트를 가진 이질적인 데이터를 통합 처리하는 데 있어 강력한 수학적 토대를 제공한다. \Delta 자체가 학습 가능한 파라미터이므로, 모델은 데이터의 특성에 따라 시간적 해상도를 스스로 조절할 수 있다.

2. 선택적 스캔 메커니즘 (Selective Scan Mechanism)

기존의 LTI 기반 SSM은 모든 입력에 대해 동일한 동역학을 적용한다는 한계가 있었다. 이는 문맥에 따라 정보의 중요도가 달라지는 복잡한 사이버 공격 탐지에는 부족함이 있다. Mamba는 이를 극복하기 위해 입력 데이터 x_t의 내용에 따라 파라미터 B, C, \Delta가 동적으로 변화하는 **‘선택적 메커니즘(Selection Mechanism)’**을 도입하였다.4
h_t = \bar{A}_t h_{t-1} + \bar{B}_t x_t
이 메커니즘은 UAV가 정상 비행 중 겪는 단순한 진동이나 바람에 의한 흔들림과 같은 정보는 ’망각(Forget)’하고, GPS 좌표의 미세한 드리프트나 통신 패킷의 비정상적인 지연과 같은 공격 징후는 선택적으로 ’기억(Remember)’하여 은닉 상태에 반영하도록 한다. 이 과정은 하드웨어 가속에 최적화된 **병렬 스캔 알고리즘(Parallel Scan Algorithm)**을 통해 수행되므로, GPU 상에서 학습 속도를 극대화할 수 있다.3 결과적으로 Mamba는 수천 스텝 이상의 긴 시퀀스에서도 정보의 손실 없이 O(L)의 속도로 문맥을 파악할 수 있어, 실시간 위협 탐지의 백본(Backbone) 역할을 완벽하게 수행한다.

2.2 Kolmogorov-Arnold Networks (KAN): 적응형 특징 표현

Mamba가 시계열 데이터의 시간적 흐름(Temporal Flow)을 효율적으로 처리한다면, **Kolmogorov-Arnold Networks (KAN)**은 추출된 특징 벡터 내의 비선형적 관계를 정밀하게 해석하는 역할을 담당한다. 기존의 다층 퍼셉트론(MLP)은 고정된 활성화 함수(ReLU, Sigmoid 등)를 사용하는 뉴런과 학습 가능한 가중치(Weight) 행렬로 구성되지만, KAN은 Kolmogorov-Arnold 정리에 기반하여 엣지(Edge) 자체에 학습 가능한 활성화 함수를 배치하는 혁신적인 구조를 가진다.5

1. 스플라인 기반 활성화 함수 (Spline-based Activation)

KAN의 핵심은 각 연결 강도가 단순한 스칼라 값이 아니라, 파라미터화된 스플라인(Spline) 함수 \phi(x)로 구성된다는 점이다.
\Phi(x) = \sum_{q=1}^{2n+1} \Phi_q \left( \sum_{p=1}^{n} \phi_{q,p}(x_p) \right)
이 수식에서 \phi_{q,p}는 B-스플라인(B-spline)과 같은 기저 함수들의 선형 결합으로 표현되며, 학습 과정에서 그 형태(Shape)가 데이터에 맞게 유연하게 변형된다. 이는 네트워크가 UAV 텔레메트리 데이터 내에 존재하는 고차원의 복잡한 상관관계—예를 들어, 고도 상승 명령과 실제 기압계 센서 값 사이의 비선형적 불일치—를 훨씬 더 적은 수의 파라미터로 모델링할 수 있게 한다.1

2. 파라미터 효율성 및 해석 가능성

UAV의 임베디드 시스템은 메모리 제약이 심하다. KAN은 기존 MLP 대비 더 얕은 깊이와 좁은 폭으로도 동등 이상의 정확도를 달성할 수 있어 ’파라미터 효율성’이 매우 높다. 또한, 학습된 스플라인 함수의 형태를 시각화함으로써, 모델이 특정 공격(예: 센서 조작)을 탐지할 때 어떤 입력 변수의 변화에 민감하게 반응했는지를 역추적할 수 있다. 이는 블랙박스로 여겨지던 딥러닝 모델에 **설명 가능성(Explainability)**을 부여하며, 보안 분석가가 공격 원인을 규명하는 데 중요한 단서를 제공한다.

2.3 Liquid Neural Networks (LNN): 동적 시간 적응성

**Liquid Neural Networks (LNN)**는 ’유동적(Liquid)’이라는 명칭처럼, 추론 단계에서도 입력 데이터 스트림의 변화에 따라 시스템의 내부 역학(Dynamics)이 실시간으로 적응하는 시간 연속적 순환 신경망(Time-continuous RNN)이다. 이는 정적인 가중치에 의존하는 기존 모델들이 학습 데이터 분포를 벗어난(Out-of-Distribution, OOD) 환경에서 급격히 성능이 저하되는 문제를 해결한다.7

1. 신경 상미분 방정식 (Neural ODE) 기반 모델링

LNN의 뉴런 상태 x(t)는 비선형 미분 방정식에 의해 지배된다.
\frac{dx(t)}{dt} = -\frac{x(t)}{\tau} + f(x(t), I(t))
여기서 \tau는 시간 상수(Time Constant), f는 비선형 함수, I(t)는 입력이다. LNN의 결정적인 특징은 \tau와 같은 시스템 파라미터가 고정된 상수가 아니라, 입력 I(t)에 종속되어 변화하는 함수라는 점이다. 즉, 입력되는 데이터의 패턴이 급격하게 변하거나(예: 재밍 공격으로 인한 노이즈 급증), 환경이 변화하면(예: 강풍으로 인한 기체 불안정), 네트워크는 시간 상수를 조절하여 자신의 반응 속도와 안정성을 스스로 튜닝한다.9

2. 인과적 구조 학습 및 강건성

LNN은 데이터의 단순한 통계적 상관관계가 아니라, 입력과 출력 사이의 인과적 구조(Causal Structure)를 학습하는 데 탁월하다. 이는 제로데이 공격과 같이 이전에 학습하지 못한 새로운 형태의 위협이 발생했을 때, 비정상적인 인과 관계(예: 조종 입력 없는 급격한 자세 변화)를 감지하여 이를 위협으로 식별할 수 있게 한다. 또한, 미분 방정식 기반의 연속적인 처리는 누락된 데이터나 불규칙한 샘플링, 그리고 심한 노이즈가 섞인 환경에서도 안정적인 추론을 가능하게 하여 UAV 보안 시스템의 **강건성(Robustness)**을 보장한다.7

3. MKL 하이브리드 아키텍처 상세 설계

MKL 아키텍처는 앞서 논의한 세 가지 패러다임을 **“Mamba의 속도와 문맥 파악 능력 \rightarrow KAN의 정밀한 특징 표현력 \rightarrow Liquid의 적응형 의사결정”**이라는 파이프라인으로 통합한다. 이 계층적 구조는 각 구성 요소의 약점을 상호 보완하고 강점을 극대화하도록 설계되었다.

3.1 전체 파이프라인 구조

MKL 모델은 크게 입력 전처리 및 임베딩, Mamba 시간 인코더, KAN 특징 변환기, Liquid 적응 레이어, 그리고 예측 헤드로 구성된다.1

1. 입력 임베딩 레이어 (Input Embedding Layer)

UAV의 비행 제어 컴퓨터(FCC)와 센서로부터 수집되는 원시 데이터 X_{raw} \in \mathbb{R}^{T \times d_{raw}}는 가속도, 자이로, GPS 좌표, 배터리 전압, 통신 신호 강도(RSSI) 등 다양한 이질적 정보를 포함한다.

  • 차원 변환: 학습 가능한 선형 변환 W_{emb}와 편향 b_{emb}를 통해 원시 데이터를 모델의 은닉 차원 d_{model}로 투영한다: X = W_{emb}X_{raw} + b_{emb}.
  • 위치 인코딩: 시계열 데이터의 순서 정보를 명시적으로 주입하기 위해 위치 인코딩(Positional Encoding)이 추가될 수 있으나, Mamba는 SSM의 특성상 순차적 정보를 내재적으로 처리하므로 선택적으로 적용된다.10

2. Mamba 시간 인코더 스택 (Mamba Temporal Encoder Stack)

임베딩된 데이터는 L개의 Mamba 블록이 적층된 인코더를 통과한다. 이 단계는 시계열 데이터 내의 시간적 이상 징후를 포착하는 핵심 백본(Backbone)이다.

  • 장기 의존성 포착: GPS 스푸핑 공격의 경우, 단일 시점의 좌표는 정상처럼 보일지라도, 수십 초에 걸친 경로 데이터를 분석하면 물리적으로 불가능한 가속도나 경로 이탈이 발견된다. Mamba는 이러한 긴 문맥을 O(T) 복잡도로 끊김 없이 추적한다.
  • 선택적 정보 필터링: 비행 중 발생하는 자연스러운 진동이나 통신 노이즈는 무시하고, 공격과 관련된 미세한 신호 패턴만을 선별하여 다음 레이어로 전달한다.
  • 출력: 시간적 특징이 추출된 시퀀스 H_{mamba} \in \mathbb{R}^{T \times d_{model}}.

3. 시간적 집계 및 압축 (Temporal Aggregation)

탐지 모델은 시퀀스 전체에 대한 하나의 판단(정상/공격)을 내려야 하므로, 긴 시퀀스 출력을 고정된 크기의 특징 벡터로 압축한다.

  • 마지막 타임스텝의 상태를 추출하거나 평균 풀링(Mean Pooling)을 사용하여 요약된 특징 벡터 Z \in \mathbb{R}^{d_{model}}를 생성한다.

4. KAN 특징 변환 네트워크 (KAN Feature Transformation Network)

압축된 특징 벡터 Z는 KAN 레이어를 통과하며 고차원 특징 공간으로 매핑된다.

  • 비선형 매핑: Mamba가 “시간적 흐름의 이상“을 감지했다면, KAN은 그 이상이 구체적으로 어떤 공격 패턴(예: 재밍 대 스푸핑)에 해당하는지를 분류하기 위한 결정 경계(Decision Boundary)를 형성한다.
  • 적응형 활성화: 스플라인 함수들이 데이터 분포에 맞게 변형되면서, 공격 유형 간의 미묘한 차이를 증폭시켜 구분해낸다.

5. Liquid 적응 레이어 (Liquid Adaptation Layer)

최종 분류 직전, KAN의 출력은 LNN 레이어를 거친다.

  • 동적 안정화: 만약 UAV가 급격한 기동을 하거나 통신 환경이 불안정하여 입력 데이터의 변동성이 커지면, LNN은 시간 상수를 조절하여 모델의 출력이 요동치지 않도록 안정화한다.
  • 노이즈 강건성 확보: 적대적 공격(Adversarial Attack)이나 환경 잡음이 섞인 입력에 대해, 미분 방정식의 감쇠(Damping) 특성을 이용해 노이즈 성분을 제거하고 핵심 신호만을 보존하여 예측 헤드로 전달한다.

6. 태스크별 출력 헤드 (Task-Specific Output Heads)

  • 최종적으로 완전 연결 레이어(Fully Connected Layer)와 소프트맥스(Softmax) 함수를 통해 각 공격 유형(정상, GPS 스푸핑, 재밍 등)에 대한 확률값을 출력한다.

3.2 구성 요소 간의 시너지 효과

MKL 아키텍처는 각 구성 요소가 독립적으로 동작할 때보다 결합되었을 때 훨씬 강력한 성능을 발휘한다.

  • Mamba + KAN: Mamba가 처리한 방대한 시계열 정보를 KAN이 효율적으로 압축하고 해석함으로써, ‘빠르면서도 정밀한’ 분석이 가능해진다.
  • Mamba + Liquid: Mamba의 빠른 문맥 파악 능력과 Liquid의 실시간 적응성이 결합되어, 고속 비행 중인 UAV가 겪는 급격한 환경 변화 속에서도 오탐(False Positive)을 최소화할 수 있다.

4. 계산 복잡도 및 성능 분석의 수학적 고찰

UAV 보안 시스템에서 가장 중요한 요구사항은 ’실시간성’과 ’경량성’이다. MKL 모델이 이 두 가지 조건을 어떻게 수학적으로 충족시키는지 분석한다.

4.1 계산 복잡도 (Computational Complexity)

입력 시퀀스 길이를 T, 모델 차원을 d라고 할 때, 각 아키텍처의 복잡도 비교는 다음과 같다.1

모델 아키텍처시간 복잡도 (Time Complexity)공간 복잡도 (Space Complexity)특징 및 한계
TransformerO(T^2 \cdot d)O(T^2 + Td)시퀀스 길이가 길어지면 연산량과 메모리가 제곱으로 증가 (UAV 부적합)
RNN / LSTMO(T \cdot d^2)O(Td)순차적 처리로 인해 병렬화가 불가능하여 학습 및 추론 속도 저하
MKL (제안)O(T \cdot d^2) (선형)O(Td)병렬 스캔을 통한 고속 학습, 선형 복잡도로 긴 시퀀스 실시간 처리

MKL 아키텍처에서 가장 연산 비중이 큰 Mamba 백본은 선택적 스캔 알고리즘을 통해 T에 대해 선형적인 복잡도를 유지한다. KAN과 Liquid 레이어는 시퀀스가 압축된 후의 특징 벡터에 대해 연산하므로 전체 복잡도에 미치는 영향은 상수(O(1))에 가깝다. 결과적으로 MKL은 트랜스포머 대비 계산 비용을 획기적으로 절감하며, T > 1000 이상의 긴 시퀀스에서도 성능 저하가 없다.

4.2 추론 지연 시간 및 메모리 효율성

실제 하드웨어 상에서의 성능 측정 결과는 MKL의 효율성을 증명한다.

  • 추론 지연 시간 (Latency): 배치 크기 32에서 평균 47.3ms의 추론 시간을 기록하였다.1 이는 트랜스포머 기반 베이스라인 모델 대비 4~5배 빠른 속도이며, 재밍 탐지와 같이 즉각적인 대응이 필요한 시나리오에서는 42.1ms까지 단축된다.1 이는 100ms 이내의 제어 루프를 가진 UAV 시스템에 통합되기에 충분히 빠른 속도이다.
  • 파라미터 수 및 메모리: 전체 파라미터 수는 약 2.5백만(2.5M) 개로, 수천만 파라미터를 가진 ViT(Vision Transformer)나 대형 CNN에 비해 매우 컴팩트하다. 런타임 메모리 점유율은 96MB 수준으로, Raspberry Pi 4나 NVIDIA Jetson Nano와 같은 저전력 엣지 디바이스에서도 원활하게 구동된다.11

5. 위협 탐지 성능 및 강건성 평가

MKL 모델은 CIC-IDS2017, CSE-CIC-IDS2018 및 실제 UAV 비행 시뮬레이션을 통해 생성된 합성 데이터셋을 포함한 광범위한 환경에서 평가되었다. 실험 결과는 6가지 주요 사이버 공격 유형에 대해 탁월한 탐지 성능을 입증한다.1

5.1 공격 유형별 세부 탐지율

MKL 모델은 전체적으로 95%를 상회하는 탐지율을 달성하였으며, 각 공격 유형의 특성에 맞는 탐지 메커니즘이 효과적으로 작동함을 보여주었다.

공격 유형 (Cyberattack Type)탐지 정확도 (Detection Rate)탐지 메커니즘 분석
GPS Spoofing97.3%Mamba가 과거 비행 경로와 현재 GPS 좌표 간의 물리적 모순(Inconsistency)을 장기적 문맥에서 포착
Jamming (DoS)95.8%신호 대 잡음비(SNR)의 급격한 저하와 통신 패킷 유실 패턴을 Liquid 레이어가 노이즈 속에서 식별
MITM (Man-in-the-Middle)96.2%명령 패킷의 미세한 지연(Latency)이나 시퀀스 번호의 비정상적 조작을 시간적 흐름 분석으로 감지
Sensor Manipulation94.7%KAN이 다중 센서(IMU, Barometer, GPS) 데이터 간의 비선형적 상관관계를 학습하여, 특정 센서 값의 이상 이탈을 감지
DDoS98.1%네트워크 트래픽의 비정상적인 폭증 패턴을 Mamba의 대용량 시퀀스 처리 능력으로 즉각 식별
Zero-day Attack89.4%학습되지 않은 새로운 패턴에 대해 Liquid 신경망이 인과적 추론을 통해 이상 징후로 판단 (높은 일반화 성능)

특히 주목할 점은 **제로데이 공격(Zero-day Attack)**에 대한 89.4%의 탐지율이다. 이는 기존 딥러닝 모델들이 겪는 가장 큰 난제인 ’미지(Unknown)의 위협’에 대해, MKL 모델이 단순 패턴 매칭이 아닌 시스템의 정상 동역학(Dynamics)을 학습함으로써 대응할 수 있음을 시사한다. LNN의 적응형 미분 방정식이 정상 상태의 범위를 동적으로 정의하고, 이를 벗어나는 모든 동작을 잠재적 위협으로 간주하는 방식이 유효했던 것으로 분석된다.

5.2 노이즈 및 적대적 환경에서의 강건성 (Robustness)

전장이나 도심 환경에서의 UAV 운용은 전자기 간섭, 통신 장애 등 다양한 노이즈를 수반한다. MKL 모델은 심각한 가우시안 노이즈(표준편차 \sigma = 0.20)가 주입된 환경에서도 **76.5%**의 정확도를 유지하였다.1 이는 동일 조건에서 성능이 50-60%대로 추락하는 트랜스포머나 CNN 모델 대비 16~22% 포인트 더 높은 수치이다.

이러한 강건성은 Liquid Neural Networks의 연속 시간 처리 특성 덕분이다. 이산적인(Discrete) 단계로 연산하는 기존 RNN과 달리, LNN은 미분 방정식의 해를 구하는 과정에서 고주파 노이즈를 자연스럽게 평활화(Smoothing)하고, 신호의 본질적인 추세(Trend)만을 추출하여 판단의 근거로 삼는다. 또한, Mamba의 선택적 스캔 역시 정보 가치가 낮은 노이즈 입력을 게이팅(Gating) 메커니즘을 통해 차단하는 역할을 수행한다.

6. 엣지 구현 및 확장성

MKL 아키텍처는 이론적 우수성뿐만 아니라 실제 UAV 시스템에의 탑재 및 운용을 고려하여 설계되었다.

6.1 온보드 실시간 탐지 시스템

기존의 UAV 보안 시스템은 데이터를 지상 관제소(GCS)로 전송하여 분석하는 방식을 주로 사용하였으나, 이는 통신 링크가 재밍되거나 대역폭이 부족할 경우 무용지물이 된다. MKL 모델은 96MB의 낮은 메모리 요구사항과 가벼운 연산 부하 덕분에 UAV 내부의 비행 제어 컴퓨터나 보조 프로세서(Companion Computer)에 직접 탑재될 수 있다. 이를 통해 통신 상태와 무관하게 독립적으로 위협을 탐지하고, 공격 인지 즉시 ’Return-to-Home’이나 ’Hovering’과 같은 비상 프로토콜을 자율적으로 수행할 수 있다.

6.2 군집 비행(Swarm) 보안으로의 확장

최근 드론 기술의 트렌드인 군집 비행(Swarm) 환경에서도 MKL은 뛰어난 확장성을 보여준다. 연구에 따르면, 최대 50대의 UAV로 구성된 군집 네트워크의 텔레메트리를 중앙 집중식으로 모니터링할 때도 100ms 미만의 지연 시간을 유지할 수 있음이 확인되었다.1 이는 Mamba의 선형 복잡도가 데이터 양(UAV 대수 \times 시퀀스 길이)의 증가에 대해 연산 부하를 선형적으로만 증가시키기 때문이다. 따라서 MKL은 단일 기체의 보안뿐만 아니라, 군집 드론 네트워크 전체의 건전성(Health)을 실시간으로 감시하는 관제 시스템의 코어 알고리즘으로도 활용 가능하다.

7. 결론 및 향후 전망

Mamba-KAN-Liquid (MKL) 아키텍처는 UAV 사이버 보안 분야에서 오랫동안 양립하기 어려웠던 ’고성능 탐지’와 ’경량화/실시간성’이라는 두 마리 토끼를 동시에 잡은 혁신적인 모델이다.

  • Mamba는 긴 시계열 데이터 처리의 효율성을 보장하고,
  • KAN은 적은 자원으로도 복잡한 공격 패턴을 정밀하게 학습하며,
  • Liquid는 예측 불가능한 환경 변화 속에서도 시스템의 안정성과 강건성을 확보한다.

실험을 통해 입증된 97% 이상의 GPS 스푸핑 탐지율과 47.3ms의 초저지연 속도는 이 모델이 연구실 수준을 넘어 실제 전술 환경에 즉시 투입 가능한 성숙도에 도달했음을 보여준다. 향후 연구에서는 FPGA나 뉴로모픽 칩(Neuromorphic Chip)과 같은 하드웨어 가속기 상에 MKL 모델을 최적화하여 구현하거나, 다수의 UAV가 연합 학습(Federated Learning)을 통해 새로운 위협 정보를 실시간으로 공유하고 모델을 스스로 진화시키는 방향으로 발전할 것으로 전망된다. MKL 아키텍처는 차세대 UAV 보안의 표준을 제시하며, 더욱 안전하고 신뢰할 수 있는 무인 항공 시스템 구축에 기여할 것이다.

8. 참고 자료

  1. UAV Cybersecurity with Mamba-KAN-Liquid Hybrid Model: Deep Learning-Based Real-Time Anomaly Detection - MDPI, https://www.mdpi.com/2504-446X/9/11/806
  2. The architecture of RL-DBN | Download Scientific Diagram - ResearchGate, https://www.researchgate.net/figure/The-architecture-of-RL-DBN_fig2_354860111
  3. Mamba: The Linear-Time Architecture That Could Challenge Transformers - Medium, https://medium.com/@danieljsmit/mamba-the-linear-time-architecture-that-could-challenge-transformers-b27cf1b0dac1
  4. Mamba: Linear-Time Sequence Modeling with Selective State Spaces - arXiv, https://arxiv.org/pdf/2312.00752
  5. [2408.07314] Kolmogorov-Arnold Networks (KAN) for Time Series Classification and Robust Analysis - arXiv, https://arxiv.org/abs/2408.07314
  6. How Resilient Are Kolmogorov–Arnold Networks in Classification Tasks? A Robustness Investigation - MDPI, https://www.mdpi.com/2076-3417/14/22/10173
  7. Drones navigate unseen environments with liquid neural networks - MIT CSAIL, https://www.csail.mit.edu/news/drones-navigate-unseen-environments-liquid-neural-networks
  8. Dynamic Information Flow with Liquid Neural Networks: Explanation and Implementation, https://sandar-ali.medium.com/dynamic-information-flow-with-liquid-neural-networks-explanation-and-implementation-14c101cb2fef
  9. Liquid Neural Networks: Unlocking the Potential of Dynamic AI | by Shiam Beeharry, https://medium.com/@siamsoftlab/liquid-neural-networks-unlocking-the-potential-of-dynamic-ai-9600efc3d4fb
  10. MKAIS: A Hybrid Mamba–KAN Neural Network for Vessel Trajectory Prediction - MDPI, https://www.mdpi.com/2077-1312/13/11/2119
  11. Detection Performance of Proposed Model With Other ML Classifiers. In… - ResearchGate, https://www.researchgate.net/figure/Detection-Performance-of-Proposed-Model-With-Other-ML-Classifiers-In-addition-the_fig3_364732431
  12. Detecting Signal Spoofing and Jamming Attacks in UAV Networks using a Lightweight IDS, https://www.researchgate.net/publication/336414756_Detecting_Signal_Spoofing_and_Jamming_Attacks_in_UAV_Networks_using_a_Lightweight_IDS