이 연구는 소형언어모델(SLM)을 이용해 자율주행차의 GNSS 스푸핑 공격을 탐지·분류하는 프레임워크를 제안했다. GNSS와 다른 센서에서 독립적으로 도출한 주행 상태를 구조화된 의미 서사로 변환해 SLM에 제공하는 방식이며, 동일 데이터로 파인튜닝한 대형언어모델(LLM)과 성능을 비교했다. 공격 없음·오버슈트·정지·좌우회전·오방향 등 5개 클래스를 평가한 결과 SLM은 평균 정확도 96.99%, 정밀도 99.05%, 재현율 95.59%, F1 97.18%로 LLM과 비슷한 성능을 냈으며, 추론 지연 시간과 GPU 메모리 사용량에서는 LLM보다 우수했다. 사우스캐롤라이나주 클렘슨에서 수집한 지리적으로 새로운 실제 데이터로도 효과가 검증돼, 자원 제약이 있는 차량용 컴퓨팅 플랫폼에 실시간 배치가 가능함을 보였다.

• •GNSS·타 센서 주행 상태를 의미 서사로 변환해 SLM 기반 스푸핑 탐지·분류
• •5개 공격 클래스서 평균 정확도 96.99%, F1 97.18%로 LLM과 대등한 성능
• •SLM은 추론 지연과 GPU 메모리 사용에서 LLM보다 효율적
• •지리적으로 다른 실제 데이터(클럜슨)로도 검증, 차량 플랫폼 배치 가능