공군기지의 C-UAS 센서 배치를 위한 다목적 최적화 모델

Multiobjective Optimization Model for C-UAS Sensor Placement in Air Base

Article information

J. KIMS Technol. 2022;25(2):125-134
Publication date (electronic) : 2022 April 05
doi : https://doi.org/10.9766/KIMST.2022.25.2.125
1) Department of Military Digital Convergence, Ajou University, Korea
2) Department of Artificial Intelligence Convergence Network, Ajou University, Korea
3) Department of Artificial Intelligence, Ajou University, Korea
신민철1), 최선주2), 박종호1), 오상윤3), 정찬기,1)
1) 아주대학교 국방디지털융합학과
2) 아주대학교 AI융합네트워크학과
3) 아주대학교 인공지능학과
Corresponding author, E-mail: ckjeong@ajou.ac.kr
Received 2021 October 07; Revised 2022 January 03; Accepted 2022 March 11.

Trans Abstract

Recently, there are an increased the number of reports on the misuse or malicious use of an UAS. Thus, many researchers are studying on defense schemes for UAS by developing or improving C-UAS sensor technology. However, the wrong placement of sensors may lead to a defense failure since the proper placement of sensors is critical for UAS defense. In this study, a multi-object optimization model for C-UAS sensor placement in an air base is proposed. To address the issue, we define two objective functions: the intersection ratio of interested area and the minimum detection range and try to find the optimized placement of sensors that maximizes the two functions. C-UAS placement model is designed using a NSGA-II algorithm, and through experiments and analyses the possibility of its optimization is verified.

기 호 설 명

AP: Placement Area(설치 영역)

N: The Number of sensors(센서 개수)

AI: Interested Area(관심 영역)

AT: Total Detection Area(전체탐지영역)

AD,x,yi: Detection Area of Sensor at (xi, yi) (xi, yi 위치의 센서 탐지영역)

ANDK: Non-Detection Key Area(미탐지핵심영역)

OT: Outline of AT(전체탐지영역외곽선)

AK: Key Area(핵심 영역)

OK: Outline of AK(핵심탐지영역외곽선)

1. 서 론

최근 UAS(Unmanned Aerial System) 사용이 증가함에 따라 UAS의 악용 또는 오용에 의한 위협도 증가하고 있다. 대표적인 예로 2019년 사우디 국영 석유시설에 대한 테러는 대중들에게 UAS의 위협을 각인시킨 사건이었다. 이 외에도 2018년 베네수엘라 대통령 암살 시도, 2015년 일본 총리 관저 방사성 물질 투하 등의 UAS를 악용한 테러 사건들이 있었다. UAS의 위협은 직접적이고 물리적인 타격뿐만 아니라 영상 촬영이나 해킹 또는 신호 수집 등의 형태를 보일 수도 있다[1]. 또한 조사에 따르면 2020년 한 해 동안 기사화된 크고 작은 UAS 사고는 107건에 이른다[2].

UAS가 테러 또는 군사적 목적으로 주목 받을 수 있는 이유는 작고 가벼우며, 저렴하고 사용이 쉽기 때문이다. 누구나 공격자가 될 수 있고, 모든 방향에서 공격을 시작할 수 있다. 따라서 방어자는 UAS 위협에 대응하기 더욱 어려워진다. 그러나 UAS(특히 소형 UAS)는 탑재중량(Payload)이 작고 비교적 속도가 느리다는 제한을 갖는다[1]. 따라서 공격자는 작은 폭발로 큰 피해를 줄 수 있는 곳까지 은밀하고 정밀하게 접근할 수 있고, 방어자는 UAS가 침투하기 전에 이를 탐지하고 무력화하고자 한다.

공항은 UAS에 의한 위협이 잦고, 치명적일 수 있는 장소이다. 공항에서는 UAS 오용으로 인한 접근이 공항마비나 충돌사고로 발전할 수 있기 때문이다. 이를 해결하기 위해 공항은 일찍부터 C-UAS(Counter- Unmanned Aerial System)를 도입하였다.

C-UAS 관련 연구는 탐지를 위한 센서 유형(RADAR, RF, Video, IR, Audio, LIDAR)별 기술 및 무력화 기술(Jamming, Spoofing, Geo-fencing, Physical 등)에 초점이 맞춰져 있다. 하지만 크게 주목받는 C-UAS 센서 및 무력화 기술에 비해 센서 배치 최적화 연구는 제한적이다. UAS와 C-UAS 기술은 마치 창과 방패처럼 경쟁하며 발전하고 있다. UAS와 C-UAS의 현재 성능을 파악하고 이를 바탕으로 다양한 환경 조건에 따라 센서들의 배치를 최적화하는 일은 C-UAS의 비용 대비 효과를 높일 뿐만 아니라 C-UAS의 성패 여부를 결정할 수도 있다.

본 연구에서는 군사적 특성과 공항의 특성을 모두 가지는 공군기지 환경에서 C-UAS 센서 배치 최적화 모델을 제안한다. UAS 공격은 기지의 주요 시설까지 은밀한 접근을 필요로 한다는 가정하에 방어에 성공하기 위한 최적화 모델을 제시한다. UAS의 공격 방향은 예상할 수 없기 때문에 모든 방향에서의 접근함을 가정한다. 따라서 C-UAS 센서 탐지영역의 최심부에 주요시설이 있도록 센서를 배치해야 한다. 다시 말해, 주요 시설로부터 모든 방향으로의 탐지 가능 거리를 최대화 하여야 한다. 본 논문에서는 주요시설로부터 모든방향의 탐지가능 거리 중 가장 짧은 거리를 최적 배치를 위한 핵심 지표로 활용한다.

본 연구의 2장에서는 C-UAS 센서 배치 관련 기존 연구들과 다목적 최적화를 위한 알고리즘인 비지배 정렬 유전 알고리즘(NSGA-Ⅱ, Nondominated Sorting Genetic Algorithm)을 설명한다. 3장에서는 C-UAS 센서 배치 최적화 모델을 제시한다. 4장에서는 모의 환경에서의 실험 및 분석 결과를 보여주며, 5장에서 끝을 맺는다.

2. 관련 연구

2.1 C-UAS 센서 기술

탐지를 위한 센서 배치 최적화를 다루기 위해 탐지 수단별 기술을 살펴본다. Table 1은 센서 유형별 특징을 나타낸다[3][4].

Feature of C-UAS sensor category

UAS 탐지를 위한 RADAR, RF, Video, IR, Audio, LIDAR 센서를 활용하고 있으며, Table 1과 같이 기술별 특징에 관한 다양한 연구가 이루어졌다. 연구들은 공통적으로 기술 유형별 단점과 사용 환경의 제한 등으로 인한 상호 보완적 사용과 탐지영역의 중첩을 강조한다. 본 연구에서는 탐지 수단별 센서의 특징에 따른 배치 방안과는 별개로, 특정 탐지 수단을 활용할 때 탐지영역의 최적화를 연구 범위로 한다.

2.2 C-UAS 센서 배치 관련 연구

Georgia Lykou(2020)[5]는 그의 연구에서 악용되는 UAS를 방어하고 공항을 보호하기 위한 행동계획을 제시하기 위해 산학계에서 사용 가능한 센서 기술과 대책을 검토하였다. 그리고 공항에 대한 3가지 공격 시나리오를 제시하였다. 또한 공항 내/외부의 출입이 자유롭고, 비교적 엄격하지 않은 보안 조치가 이루어지는 곳을 공격의 시작 지점으로 제시하였다. 공항은 여러 공격 시나리오와 공격 시작점을 활용해서 공격 받을 수 있기 때문에, RADAR, RF, (IR)카메라를 활용한 탐지 시스템과 Geo-fencing 및 Jamming 등을 통한 무력화 시스템은 활주로와 이착륙 공간을 포함하는 나비넥타이 모양을 탐지하여야 함을 강조하였다. 공항에 대한 공격 시나리오를 최초로 제시하였고, 외곽 경계가 아닌 중요 영역을 탐지 범위로 하여야 함을 분명히 하였다. 그러나 세부적인 배치 기법 제시까지는 이루어지지 않았다.

Milan Rollo(2020)[6]는 오용 및 악용되는 UAS를 탐지하기 위한 센서 배치 전략을 제시하였다. 이를 위해 (a)주변 환경과 (b)감지 센서 그리고 (c)UAS를 포함하여 모델링하였다. 이산화되고 가중치가 부여된 3D 메쉬 지도 상에, 감지센서의 탐지영역은 정수선형프로그램(ILP, Integer Linear Program)에 의해 최적화 되었으며, 3가지 시나리오(레크레이션 사용자의 공항 진입, 교도소 물품 밀수, 산업단지로의 충돌 공격)에 의한 모의 침투 결과를 전문가가 평가하여 조정하는 2단계 반복 프로세스 전략을 제시하였다. 센서 특성에 따른 탐지 범위를 모델링하여 C-UAS 센서를 최적 배치하고 평가하였으나, 평가를 위한 과정에 인간 전문가가 포함되어 실시간 운용이 불가하고, 공격 유형 시나리오에 따른 정성적인 요소가 평가에 반영된다는 제한이 있다.

H. Kang(2020)[7]은 관심 영역에 4단계의 우선순위를 부여하고, 우선순위가 높은 영역을 우선하여 센서를 배치하여야 함을 제안하였다. 그러나 자율 알고리즘을 통한 최적 배치 문제는 발전 방향으로 남겨두었다. 또한 기존의 연구들에서 C-UAS에 대한 평가 기준이 부족하다는 점을 지적하고, 8가지 평가기준을 제시하였다. 그 중 무력화 완료시간(MCT, Mitigation Completion Time)은 본 연구에서 제안하는 최적배치 방법과 밀접한 연관이 있다. 무력화 완료 시간은 탐지 이후 무력화에 걸리는 시간이다. 따라서 무력화 완료시간과 본 연구에서 제안하는 최소탐지거리(MDR, Minimum Detection Range)의 상관관계는 C-UAS의 성공 여부를 결정한다.

Table 2에서 관련 연구들의 특징을 정리하였다. C-UAS 센서 배치 관련 여러 연구들에서 공통적으로 방어를 위한 핵심영역 설정이 필요하다는 것과 탐지 거리가(Range)가 중요하다는 인식이 있었다. 하지만 핵심영역으로부터의 탐지거리를 직접적인 평가 항목으로 제시하고, 자동화 된 최적화 배치모델을 제시한 연구는 없었다. 따라서 본 연구는 정량화 할 수 있는 평가 지표를 제안하고, 자동화된 배치 최적화 모델을 제시한다.

Feature of study in C-UAS sensor placemen

2.3 비지배 정렬 유전 알고리즘(NSGA-Ⅱ)

유전 알고리즘(Genetic Algorithm)이란, NP-hard(Non- deterministic Polynomial-time hard) 문제를 해결하기 위해 자연에서 볼 수 있는 자연선택과 유전, 돌연변이를 모방해 최적해를 탐색하는 알고리즘이다. 유전 알고리즘은 부모 세대(Parent Population)가 자식 세대(Offspring Population)에게 염색체(Chromosome)를 통해 유전 정보를 전달한다. 세대를 이루는 개체(Individual)의 염색체는 목적함수를 통해 각각의 적합도(Fitness)를 가진다. 적합도에 따라 선택(Selection)된 부모 세대의 염색체는 교배와(Crossover) 돌연변이(Mutation)를 통해 변형되며 진화가 이루어진다. 유전 알고리즘 중의 하나인 비지배 정렬 유전 알고리즘(NSGA-Ⅱ: Nondominated Sorting Genetic Algorithm)[8]은 현재까지 전역 다목적 최적화에 널리 사용되어 왔다. 비지배 정렬 유전 알고리즘의 적용을 위해 크게 2가지 개념을 설명한다. 먼저 비지배 해의 집합인 파레토 선(Pareto front)이다. Fig. 1에서 파레토 선의 개념을 확인할 수 있다. 2개의 목적함수를 최대화하고자 할 경우 NSGA-Ⅱ 알고리즘은 A라는 개체의 두 가지 목적함수가 B라는 개체의 두 개의 목적함수 값보다 모두 크다면, A개체는 B 개체보다 우수함이 명확하기에 B개체는 A개체에 지배(Dominated)당한다. 이렇게 지배당한 개체를 제거하여 목적함수 평면에서 비지배 개쳬의 집합을 표현하면 파레토 선(Pareto front)이 되고, 파레토 선을 통해 다음 세대로 유전정보를 제공할 부모 세대를 선택한다.

Fig. 1.

Conceptual diagram of pareto front and crowding distance

두 번째 개념은 밀집 거리(Crowding Distance)다. Fig. 1에서 다음 세대로 유전 정보를 제공하기 위한 부모 세대를 6개 선택하고자 할 때, Rank 2에서 개체 를 선택하기 위한 개념이다. Rank 2를 이루는 개체들의 앞, 뒤의 개체와의 평균 거리를 밀집 거리라 하고 밀집 거리가 큰 개체를 우선하여 선택한다. 밀접 거리를 통해 다양한 유전 정보를 가지는 개체를 우선 선택하게 하여 유전 정보를 전달할 수 있다. 따라서 Rank 1을 이루는 5개의 개체와 Rank 2-3 개체까지 6개의 개체를 선택하게 된다. 선택된 부모 세대의 유전 정보를 활용하여 자식 세대를 생성한다. 이 후, 세대를 반복하여 최종 파레토 최적선(Pareto optimal front)을 통해 사용자가 원하는 최적해를 찾게 된다.

3. C-UAS 센서 배치 다목적 최적화 모델

3.1 문제 정의 및 목적함수

본 연구에서는 2D 환경에서 배치 영역(AP, Placement Area)내에서 센서 N개의 위치를 최적화하여 배치하고자 한다. 관심영역 교차비(IRI, Intersection Ratio of Interested area)와 핵심영역방어기준(CKD, Criteria for Key area Defense)이라는 2개의 목적함수 값을 활용하여, 비지배 해의 집합을 찾아낸다. 최적화 수식으로 표현하면 다음과 같다.

(1)MaximizeF(X)=[IRL,CKD]Subjectto(xi,yi)AP(PlacementArea)1iN

관심영역 교차비(IRI)는 센서 배치 최적화에 있어 관심영역을 얼마나 커버하는가를 나타내는 일반적인 지표이다. 관심영역(AI, Interested Area)중 전체탐지영역(AT, Total Detection Area)과의 교차 영역이 차지하는 비율로 다음과 같이 나타낼 수 있다.

(2)IRI=AIATAI

설치영역 안에서 센서의 위치가 (xi, yi)일때의 탐지영역을 AD,x,yi 라 하면 전체탐지영역은 개별 센서 N 개의 탐지 영역들의 합집합이라 할 수 있다.

(3)AT=i=1nAD,x,yi=AD,x1y1AD,x2y2AD,x3y3AD,xnyn

핵심영역방어기준(CKD)은 미탐지핵심영역(ANDK, Non-Detection Key Area)이 존재할 경우와 존재하지 않는 경우로 구분한다. 미탐지핵심영역이 존재할 경우, 핵심영역 전체면적과 미탐지 핵심영역의 면적비를 음수화하여 핵심영역방어기준 값으로 활용한다. 반대로 미탐지핵심영역이 없을 경우, 최소탐지거리(MDR)에 적절한 환산 계수(Scale factor) α를 곱하여 핵심영역방어기준 값으로 활용한다. CKD를 이루는 미탐지핵심영역비와 최소탐지거리는 단위가 다르기 때문에, 적절한 비교를 위해 환산계수를 사용한다. 미탐지핵심 영역 비율이 백분율이기 때문에 최소탐지거리와 환산계수의 곱이 0~100과 유사한 범위를 가지도록 환산계수를 지정한다. 하지만 환산계수의 선정에 따라 센서의 배치가 변경되거나 MDR의 값이 변경되진 않는다.

(4)CKD={(ANDKAK)100,ANDKαMDR,ANDK=

전체탐지영역외곽선을 OT(Outline of AT)라 할 때, (xT, yT)를 전체탐지영역외곽선 상의 한 점이라 정의한다. 그리고 핵심영역을 AK(Key Area), 핵심영역외곽선을 OK(Outline of AK)라 할 때, (xK, yK)는 핵심영역외곽선 상의 한 점이라 정의하면, 최소탐지거리(MDR)는 다음과 같이 표현할 수 있다.

(5)MDR=min(xTxK)2+(yTyK)2,(xT,yT)OT(OutlineofAT)(xK,yK)OK(OutlineofAK)

미탐지핵심영역비(RNDK, Ratio of Non-Detection Key Area)는 핵심영역 중 미탐지 영역의 비율이다.

(6)RNDK=AKATAK=ANDKAK

제시하는 최적화 모델에서 사용하는 2개의 목적함수는 관심영역교차비와 핵심영역방어기준이다. 새로운 목적함수를 제시하고 활용한 이유는 다음과 같다.

관심영역이란 여러 센서 배치 연구에서 사용자가 탐지를 원하는 구역이며, 최소비용으로 최대한 넓은 관심영역을 탐지하기 위한 배치 최적화 연구가 많이 있었다. 관심영역교차비라는 목적함수를 통해 사용자가 관심을 가지고 탐지하고자 하는 영역을 얼마나 탐지할 수 있는가 알 수 있고, 이를 증가시킬 수 있다.

핵심영역방어기준은 2가지 경우로 나누어 정의한다. 첫 번째, 전체탐지영역이 핵심영역을 모두 포함할 경우에는 핵심영역과 전체탐지영역 외곽선과의 가장 짧은 거리인 최소탐지거리로 정의한다. 두 번째, 전체탐지영역이 핵심영역을 포함하지 못할 경우 미탐지핵심영역의 제곱근 중 음수 해를 핵심영역방어기준으로 정의한다. UAS가 모든 방향에서 핵심영역으로 접근함을 가정할때, 최소탐지거리는 식별 및 무력화를 위해 필요한 대응 시간이 가장 짧아지는 거리이며 가장 취약한 공격 지점과 방향을 나타낸다. 미탐지핵심영역의 제곱근의 음수해는 양수 값을 가지는 최소탐지거리와 연속된 영역을 가지며, 최대화 과정을 거치면 미탐지핵심영역의 면적은 점차 작아진다. 따라서 핵심영역 방어기준이라는 목적함수는 우선적으로 미탐지핵심영역을 감소시키고 이후 최소탐지거리를 증가시키는 역할을 한다.

Fig. 2에서 바깥쪽부터 검은색 테두리의 다각형은 관심영역(AI), 녹색 다각형들은 설치영역(AP), 적색 다각형은 핵심영역(AK)이다. 센서의 탐지영역이 반지름이 600 m인 센서를 배치한다. 8대를 배치한 전체탐지영역외곽선(OT)은 노란색 점선으로, 4대를 배치한 전체탐지영역외곽선은 하늘색 점선으로 표현하였다. 탐지영역이 핵심영역을 포함할 경우의 최소탐지거리(MDR)는 흑색선이다. 그리고 탐지영역이 핵심영역을 포함하지 못할 경우 미탐지핵심영역의 면적은 청색 면적으로 확인할 수 있다.

Fig. 2.

Example of C-UAS sensors placement

3.2 최적화 알고리즘

본 연구에서 제안하는 모델의 절차는 Fig. 3과 같다. 먼저 설치 영역을 그리드화 하여 직교 좌표계를 생성한다. 이후, 환경 매개 변수들을 설정하고, 초기 인구를 생성한다. 인구는 목적함수를 통해 적합도를 평가하여 비지배해들의 순위를 정하고 파레토 선을 생성한다. 원하는 세대 수에 도달할때까지 교배와 돌연변이를 거치고 다시 평가를 반복함으로써 파레토 최적선을 구한다.

Fig. 3.

Process of Multiobjective optimization model for C-UAS sensor placement

3.2.1 개체(Individual)와 인구(Population)

실제 환경에서 C-UAS 센서 설치는 도로나 건물 혹은 시계 제한이나 주파수 간섭 따위의 제약들로 인해 제한되는 곳이 많다. 또한 후손 개체를 만들고, 돌연변이를 만들어 새로운 인구를 만들 때마다, 제약조건을 어기지 않는지 확인하고, 제약조건을 어긴다면 새로운 개체를 생성하는 일은 추가적 계산을 요구한다.

따라서 제안 모델에서는 제약조건에 따른 설치불가지점목록(Black list)을 사용하지 않고, 설치영역내에 설치가능지점목록(White list)을 만들어 사용하였다. 2차원 평면에서 임의의 다각형인 설치 영역을 지정하고, 내부의 이산화된 격자점을 생성하여 순차적인 키값을 지정한다.

개체의 염색체 코딩(Chromosome coding)에서, 센서의 위치는 이산화된 키 값으로 표현되고, 염색체의 길이는 사용되는 센서의 개수이다. 이산화된 설치 위치 키 값 범위내에서 센서의 개수만큼 랜덤 샘플을 추출하는 방식으로 개체를 생성한다. 이를 초기 인구 수(Initial population)만큼 반복하면 첫 번째 세대가 생성된다.

예를 들어, 센서 6대를 배치하는 경우, 설치 영역을 나타내는 집합에서 6개의 원소를 조합하여 선택하는 경우의 수로 나타낼 수 있다.

3.2.2 평가(Evaluation)와 선택(Selection)

3.1장에서 정의한 목적함수를 통해 생성한 개체에 대해 평가하여 적합도(Fitness value)를 평가한다. 이 때, 각 개체에 대해 2개의 적합도가 생성되는데 이를 각각 가로 세로축으로 2차원 목적함수 평면상에 점으로 표현할수 있다. 이 점들 중 비지배 해를 파레토 선으로 표현하고, 파레토 선을 순위별로 정렬된다. 파레토 선의 순위와 밀집거리(Crowding Distance)를 활용하여 지정한 인구 수(MU)만큼 개체를 우선 선택하여 선택된 개체들의 유전 정보를 다음세대를 생성하는데 활용한다.

3.2.3 교배(Crossover)와 돌연변이(Mutation)

선택된 개체들 중 교배 확률만큼, 부모를 선택한다. 선택된 2개의 부모개체의 유전자(센서의 위치 정보)의 합집합에서 랜덤하게 지정된 센서의 개수만큼 샘플을 뽑아 자식 개체가 생성된다.

이후 돌연변이 확률만큼, 개체를 선정하고 선정된 개체들의 유전자 중 돌연변이 확률만큼의 유전자를 랜덤으로 선택하고, 유전자의 정보(센서위치의 키값)를 지정한 범위 안에서 변형시킨다. 변형의 범위가 커지면 다양한 개체가 만들어져 다양성이 증가한다. 반대로 돌연변이 변형의 범위가 작아지면 선택받은 개체와 유사한 해를 더 많이 탐색하여 수렴성이 높아진다. 본 모델에서는 설치가능지점목록 순차에서 ±10의 돌연변이 범위를 지정하였다. 한 세대의 인구는 교배와 돌연변이 과정을 거쳐 새로운 세대를 생성하고 이를 다시 평가하는 과정을 반복한다.

4. 실험 및 분석

4.1 시뮬레이션 환경 설계

본 연구에서 제시한 C-UAS 센서 배치 모델의 효용성을 입증하기 위해 제주공항을 준용하여 시뮬레이션을 구성하였다. 가장 넓은 영역인 관심영역은 공항 외곽선 약 300 m 바깥으로, 핵심영역은 활주로 외곽선을 따라 1개 구역, 설치 영역은 임의로 5개 구역을 지정하였다. 센서의 탐지영역은 전 방향 FMCW(Frequency Modulated Continuous Wave) RADAR를 가정하여 400 m 부터 1 km까지 반지름을 갖는 원형 탐지영역을 가정하였다[9]. 이 때, RADAR는 시간동기가 획득되어 상호간의 간섭은 발생하지 않는다고 가정한다. Fig. 2는 시뮬레이션에서 활용한 모의 환경을 보여준다. 알고리즘은 NSGA-Ⅱ를 활용하였으며 사용한 파라미터는 Table 3과 같다. 파라미터에 따라 알고리즘의 수렴성과 다양성이 달라진다. 본 연구는 고정식 센서 배치에 관한 연구이고, 다양한 조건에서 제안 실험을 진행한다. 따라서 최적 파라미터 선정은 연구 범위에서 제외하며, 대체적으로 빠른 수렴보다 다양한 비지배 해를 확보하기 위한 파라미터를 사용하였다.

NSGA-Ⅱ algorithm parameter

4.2 실험 결과 및 분석

Fig. 4는 시뮬레이션 환경에서 탐지 반경이 500 m 센서 7대를 Basic 모델과 제안 모델을 활용하여 배치한 파레토 최적선 그래프(Pareto optimal front)이다. Basic 모델의 경우, 기존의 센서 배치 최적화 연구들[1012]에서 주요 평가 기준으로 활용된 설정 영역에 대한 커버리지를 관심영역과 핵심영역에 적용시킨 모델이다. 첫 번째 목적함수로써 가로축은 관심영역교차비(IRI)로 관심영역 중 탐지할 수 있는 영역의 면적비를 백분율(%)로 나타낸다. Basic 모델의 세로축은 핵심영역 내부의 탐지영역을 최대화하기 위해 음수화한 미탐지영역비(NBRK, Negatize Blind Ratio of Key Area)를 나타내며, 두 번째 목적함수로 활용한다. 탐지영역비가 아닌 미탐지영역비를 음수화하여 활용한 이유는 제안모델 목적함수(4)와 직접적 비교를 위해서이다.

Fig. 4.

Comparing basic model pareto optimal front with proposed model pareto optimal front (N = 7, r = 500 m)

(7)NBRK=(ANDKAK)100

제안 모델의 세로축은 핵심영역방어기준(CKD)이고, 음수일 때는 미탐지영역 면적 비(%)이고, 양수일 때는 최소탐지거리(MDR)와 환산 계수(α)의 곱이다. 파레토 최적선의 개개의 점들은 비지배(Nondominated) 해이며, 목적함수 값을 표현한다. 따라서 파레토 최적선 상에서 사용자가 핵심영역방어 기준 또는 관심영역교차비 중 한 목적함수의 최소 값을 정한다면, 그 때 나머지 목적함수의 최대값을 찾고, 그 배치를 구할 수 있다.

Table 4Fig. 4의 파레토 최적선을 이루는 개체의 개수, 관심영역 교차비가 최대인 개체의 2가지 적합도(Fitness), 핵심영역방어기준이 최대인 개체의 2가지 적합도를 나타낸다.

Numerical result of comparing simulation

세로축의 핵심영역 방어기준이 음수일 때(CKD < 0) Basic 모델과 제안모델은 유사한 결과그래프를 보여준다. 하지만 제안 모델은 핵심영역 방어기준이 양수 인(CKD > 0) 개체, 다시 말해 최소탐지거리가 상이한 11개 개체인 MDR group을 생성하였다. 이는 사용자가 생각하는 최소탐지거리와 관심영역 교차비의 중요도에 따라 다양한 선택을 할 수 있음을 의미한다. 핵심영역 최소탐지거리(MDR)가 최대인 개체 A의 경우 핵심영역방어기준에 환산계수(α)의 역수를 곱하면 약 137 m의 최소탐지거리와 78.48 %의 관심영역 교차비를 갖는다. 만약 Basic 모델의 목적함수를 사용하였다면 최소탐지거리가 0 이상인 경우 핵심영역 내에 미탐지영역이 존재하지 않기 때문에 동일한 적합도를 가진다. 따라서 MDR group 중 가장 높은 관심영역 교차비를 가지는 개체만 파레토 최적선에 남을 것이다. 해당 개체 B는 81.21 %의 관심영역 교차비와 약 32 m 의 최소탐지거리를 갖는다. 이는 핵심영역 방어를 우선한다면, 2.73 %의 관심영역 교차비를 포기하고 약 105 m의 최소탐지거리를 확보하는 배치를 선택할 수 있다는 것이다. 또한 만약 관심영역 교차비를 최우선 하는 경우 관심영역은 84.85 %를 커버하고, 핵심영역은 5.11 %를 탐지 못하는, 다시 말해 94.89 %를 탐지하는 개체 C를 선택할 수도 있다.

Fig. 5 ~ Fig. 8은 센서 탐지영역의 반지름과 개수의 증감에 따른 제안 모델의 배치 결과를 비교하는 파레토 최적선(Pareto optimal front) 그래프이다. 그리고 Table 5Table 6은 각 조건별 파레토 최적선을 이루는 개체 수, 관심영역 교차비가 최대인 개체와 핵심영역 방어기준이 최대인 개체의 2가지 목적함수 적합도를 나타낸다. 예를 들어, Fig. 2의 센서 4대 배치 샘플은 반지름의 600 m인 센서 4대 배치 파레토 최적선 중 관심영역교차비를 최대화 하여 선택한 경우이고, Fig. 2의 센서 8대 배치 샘플은 반지름 600 m 센서 8대의 배치 파레토 최적선 중 핵심영역방어기준을 최대로 선택한 경우이다.

Fig. 5.

Sensor placement pareto optimal front according to The number of sensors(r = 500 m)

Fig. 8.

Sensors placement pareto front according to radius of sensors(N = 7)

Numerical result of simulation according to The number of sensors

Numerical result of simulation according to radius of sensors

Fig. 5 ~ Fig. 8을 보면 파레토 최적선 상에서 2가지 목적함수는 상충 관계 임을 알 수 있다. 또한 센서 개수나 센서의 탐지영역 반지름이 증가함에 따라 파레토 최적선은 우상향으로 이동한다. 따라서 사용자가 UAS 방어를 위해 목표하는 최소탐지거리와 관심영역교차비가 있다면 필요한 최소의 센서 개수와 그 배치를 찾을 수 있다.

Fig. 5에서 센서의 탐지영역 반지름은 500 m이다. 이 때, 센서가 4대 혹은 5대인 경우와 Fig. 6에서 센서의 탐지영역 반지름이 600 m이고, 센서 개수가 4인 경우는 파레토 최적선의 핵심영역방어기준 값은 모두 0보다 작다. 이는 해당 조건에서 핵심영역을 전부 감시하는 센서 배치를 찾을 수 없음을 의미한다.

Fig. 6.

Sensor placement pareto optimal front according to The number of sensors(r = 600 m)

또한 센서의 개수가 증가함에 따라 파레토 최적선의 우상향 추세는 감소되며, 결국 개수가 증가해도 파레토 최적선의 변화는 없어지게 된다. 이는 관심영역과 설치 위치에 따른 제한으로 센서의 추가 설치에 따른 이익이 점차 감소하여 0으로 수렴함을 의미한다.

Fig. 7Fig. 8은 각각 센서의 개수가 6대와 7대일 때, 센서반경이 증가함에 따른 파레토 최적선이다. Fig. 5, Fig. 6과 비교하여 보면, 핵심영역방어기준과 관심영역교차비는 상충관계이며 센서반경이 증가함에 따라 파레토 최적선이 우상향 하는 점은 유사하다. 반면 센서반경이 증가함에 따라 관심영역 교차비는 100 %에 수렴하나, 핵심영역방어기준 값은 지속적으로 증가한다. 센서의 개수가 늘어나는 경우의 결과와 다른 점이다. 이는 센서의 센서반경이 증가하면 배치영역 제한에 따른 한계가 사라지기 때문이다.

Fig. 7.

Sensors placement pareto front according to radius of sensors(N = 6)

5. 결 론

본 연구는 C-UAS 센서 배치최적화를 위해 핵심영역방어기준을 새로운 평가 지표로 제시하였다. 이를 관심영역교차비와 함께 NSGA-Ⅱ 다목적 최적화 알고리즘의 목적함수로 활용하여 자동화된 C-UAS 센서 배치 최적화 모델을 설계하였다. 시뮬레이션 환경에서 센서의 탐지영역과 개수의 증감에 따른 최적화 결과를 비교하였다.

다만 본 연구에서는 2D 환경에서 시뮬레이션을 단순화 하였고, 전방향(OMNI) 센서 단일종류만 활용하며, 장애물에 의한 차단이나 상호 간섭을 고려하지 않았다. 향후 지향성(Directional) 센서의 방향이나 장애물에 의한 차단을 고려한 연구로 발전시킬 예정이다.

References

[1]. . Dominicus J.. New Generation of Counter UAS Systems to Defeat of Low Slow and Small(LSS) Air Threats. NATO Science and Technology Organization-MP-MSG-SET-183 Specialists’ meeting on drone detectability KN–2-1–KN-2-20. 2021.
[2]. . Dedron.com. Worldwide Drone Incidents Accessed Sep 28, 2021, Available online: https://www.dedrone.com/resources/incidents/all?bd17d27c_page=1.
[3]. . Shi X., et al. Anti-Drone System with Multiple Surveillance Technologies: Architecture, Implementation, and Challenges. IEEE Communications Magazine 56(4):68–74. 2018;
[4]. . Park S., et al. Survey on Anti-Drone Systems: Components, Designs, and Challenges. IEEE Access 9:42635–42659. 2021;
[5]. . Lykou G., Moustakas D., Gritzalis D.. Defending Airports from UAS: A Survey on Cyber-Attacks and Counter-Drone Sensing Technologies. Sensors 20(12):3537-1–3537-40. 2020;
[6]. . Rollo M., Kaiser V., Volf P.. Modeling and Simulation of Sensor Placement Strategies to Detect Malicious UAS Operations. 2020 Integrated Communications Navigation and Surveillance Conference(ICNS) 2G2–1–2G2-12. 2020.
[7]. . Kang H., et al. Protect Your Sky: A Survey of Counter Unmanned Aerial Vehicle Systems. IEEE Access 8:168671–168710. 2020;
[8]. . Deb K., Pratap A., Agarwal S., Meyarivan T.. A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation 6:182–197. 2002;
[9]. . Coluccia A., Parisi G., Fascista A.. Detection and Classification of Multirotor Drones in Radar Sensor Networks: A Review. Sensors 20:4172–1–4172-22. 2020;
[10]. . JIA Jie, et al. Coverage Optimization based on Improved NSGA-II in Wireless Sensor Network. In2007 IEEE International Conference on Integration Technology 614–618. 2007.
[11]. . Benatia , Amin Mohamed, et al. Multiobjective WSN Deployment Using Genetic Algorithms under Cost, Coverage, and Connectivity Constraints. Wireless Personal Communications 94.4:2739–2768. 2017;
[12]. . Harizan Subash, Kuila Pratyay. A Novel NSGA-II for Coverage and Connectivity Aware Sensor Node Scheduling in Industrial Wireless Sensor Networks. Digital Signal Processing 105:102753–1–102753-14. 2020;

Article information Continued

Table 1.

Feature of C-UAS sensor category

분류 장점 단점
RADAR ∙ 기상영향 적음
∙ 넓은 탐지 범위
∙ 고비용
∙ 주파수 규제
RF ∙ 장애물 제한 없음
∙ 운용자 위치 탐지
∙ 자동 항법
Video ∙ 저비용 ∙ 소형화
∙ 식별 능력
∙ 기상 영향
∙ 장애물 취약
IR ∙ 기상영향 적음
∙ 넓은 탐지 범위
∙ 낮은 정확도
Audio ∙ RF 센서 호환
∙ 소형화
∙ 좁은 범위 ∙ 낮은 정확도
∙ 높은 신호 복잡성
LIDAR ∙ 소형화
∙ (제한적인)식별 능력
∙ 기상 영향
∙ 고비용

Table 2.

Feature of study in C-UAS sensor placemen

Georgia Lykou (2020) ∙ 공항 공격 시나리오 제시
∙ 중요 영역 우선 탐지 필요
Milan Rollo (2020) ∙ 3D 시뮬레이션
∙ ILP 최적화 및 전문가 평가
H. Kang (2020) ∙ 4단계 우선순위 제시
∙ 8가지 평가 기준 제시

Fig. 1.

Conceptual diagram of pareto front and crowding distance

Fig. 2.

Example of C-UAS sensors placement

Fig. 3.

Process of Multiobjective optimization model for C-UAS sensor placement

Table 3.

NSGA-Ⅱ algorithm parameter

초기 인구 10,000,000(최초 생성 개체의 수)
MU 2,000(세대별 선택 받는 개체의 수)
세대 수 200(유전 알고리즘 진행 세대 수)
교배율 0.7(선택 받은 개체 중 교배 확률)
돌연변이율 0.8(선택 받은 개체 중 돌연변이 확률)

Fig. 4.

Comparing basic model pareto optimal front with proposed model pareto optimal front (N = 7, r = 500 m)

Table 4.

Numerical result of comparing simulation

The number of Pareto front Max IRI (NBRK/CKD) Max NBRK/CKD (IRI)
Basic 83 85.10(−5.98) 0(80.73)
Proposed 88 84.85(−5.11) 13.66(78.48)

Fig. 5.

Sensor placement pareto optimal front according to The number of sensors(r = 500 m)

Fig. 6.

Sensor placement pareto optimal front according to The number of sensors(r = 600 m)

Fig. 7.

Sensors placement pareto front according to radius of sensors(N = 6)

Fig. 8.

Sensors placement pareto front according to radius of sensors(N = 7)

Table 5.

Numerical result of simulation according to The number of sensors

The number of Sensors (r = 500 m)4 The number of Pareto front 51 Max IRI (CKD) Max CKD (IRI)53.39(−24.01))-5.21(51.30)
5 67 65.98(−13.31)-0.75(60.22)
6 93 78.18(−6.45)7.55(67.97))
7 90 85.11(−6.02)13.66(79.87)
8 93 88.67(−4.08)19.69(82.56)
9 50 91.07(−2.63))20.96(84.80)
10 45 93.25(−2.79)20.49(89.14)
11 13 94.28(0.18)25.98(92.01)
12 1 94.48(26.53)26.53(94.48)
The number of Sensors (r = 600 m) The number of Pareto front Max IRI (CKD) Max CKD (IRI)
4 64 72.00(−10.44)-0.10(68.88)
5 118 82.97(−2.26)9.79(75.70)
6 34 94.92(−0.55)23.44(90.50)
7 20 98.09(−0.07)33.45(95.74)
8 17 98.47(30.59)36.00(97.64)
9 3 98.76(35.86)36.52(98.66)
10 1 98.92(36.51)36.52(98.92)
11 4 98.99(−0.00)36.52(98.99)
12 19 98.98(36.51)36.51(98.98)

Table 6.

Numerical result of simulation according to radius of sensors

The radius of Sensors ∗ N = 6 The number of Pareto front Max IRI (CKD) Max CKD (IRI)
400 m 117 52.45(−20.52)-4.75(48.46)
500 m 83 78.18(−9.59)4.64(68.65)
600 m 31 94.76(−0.14)23.44(89.98)
700 m 18 99.75(31.27)37.86(96.41)
800 m 427 100(47.59)49.78(98.74)
900 m 511 100(61.33)61.33(100)
1 km 179 100(72.53)72.53(100)
The radius of Sensors ∗ N = 7 The number of Pareto front Max IRI (CKD) Max CKD (IRI)
400 m 90 60.64(−18.33)-1.92(54.65)
500 m 95 85.10(−4.24)13.89(79.79)
600 m 20 98.05(−0.00)32.97(96.22)
700 m 29 100.00(46.51)46.51(100.00)
800 m 946 100(56.49)56.49(100)
900 m 928 100(66.48)66.48(100)
1 km 942 100(76.47)76.47(100)