커넥티드·자율주행차량(CAV)은 가명 전환 메커니즘을 악용해 정체성을 위조하는 시빌 공격에 취약하지만, 기존 단일 시점 또는 시퀀스 기반 딥러닝 기법은 시간적으로 분절된 시빌 신원을 추적하지 못한다. 이 논문은 라벨이 극히 부족한 상황에서도 분절된 가짜 신원을 원래 공격자에게 역추적하는 동적 준지도 시공간 그래프신경망 프레임워크 Sybil-TraceGuard를 제안한다. 스트림 공격 사전 탐지, 동적 위상 그래프 구성, 다중 헤드 어텐션 기반 공간 인코더, 다중 스케일 시공간 감사 등 네 모듈을 Mean-Teacher 프레임워크로 결합해 최소한의 라벨만으로 잠재 특징 공간을 정규화한다. 라벨링되지 않은 비율이 70~95%에 달하는 네 가지 공격 시나리오 실험에서 기존 최신 기법을 능가하며 높은 안정성을 보였다.

• •시간적으로 분절된 시빌 신원을 원 공격자로 역추적하는 준지도 시공간 GNN 프레임워크 제안
• •스트림 사전 탐지·동적 그래프 구성·공간 인코더·시공간 감사 4개 모듈로 구성
• •Mean-Teacher 기반 준지도 학습으로 극소 라벨 환경에서도 작동
• •라벨 비율 5~30%인 네 가지 공격 시나리오에서 기존 최신 기법 대비 우수한 안정성 입증