Earticle

초록

영어

This study proposes an advanced approach to enhance the efficiency and accuracy of recovering deleted or damaged data in iPhone (iOS) digital forensics by integrating artificial intelligence techniques, specifically machine learning (ML) and deep learning (DL). The robust security architecture of iOS has increasingly amplified the limitations of conventional manual and simple recovery methods, creating the need for more precise and reliable forensic solutions. To address these challenges, this research presents an AI-integrated recovery pipeline that combines ML triage-based automatic classification and prioritization with DL inpainting-based visual restoration. In addition, to mitigate the shortcomings of conventional ML triage—such as insufficient explainability, data bias, and instability in Top-k candidate selection—this study incorporates Explainable AI (XAI), ensures data diversity through periodic retraining, and introduces an enhanced hybrid Top-k prioritization algorithm. Furthermore, by analyzing the technical constraints and recovery potential of the Apple File System (APFS), the study proposes standardized AI-driven recovery procedures and evaluation metrics. The proposed framework aims to reduce processing time, improve recovery accuracy, and reinforce the legal reliability and transparency of digital evidence in iOS forensic analysis.

한국어

본 연구는 인공지능(머신러닝·딥러닝) 기법을 아이폰(iOS) 디지털 포렌식 절차에 적용하여 삭제·손상 데이터의 복구 효율성과 정확도를 향상시키는 방안을 제안한다. iOS의 강력한 보안 구조는 전통적인 수동 분석 및 단순 복구 방식의 한계를 점점 확대시키고 있으며, 이에 따라 보다 정밀하고 신뢰성 있는 복구 기법이 요구되고 있다. 이를 해결하기 위해 본 연구는 ML 트리아지 기반의 자동 분류 · 우선순위화와 DL 인페인팅 기반의 시각적 복원을 결합한 AI 융합 복구 파이프라인을 제시하고, 그 파이프라인에서 ML 트리아지 기법이 가지는 설명 가능성 부족, 데이터 편향, 후보 선정 불안정성 등의 한계를 개선하기 위해 XAI(Explainable AI) 적용, 데이터 다양성 확보 및 정기적 재학습, Top-k 우선순위화 알고리즘 고도화 방안을 포함하였다. 또한 APFS의 기술적 제약과 복구 가능성을 분석하고, 표준화된 AI 복구 절차 및 평가지표를 제시함으로써 처리 시간을 단축하고, 복구 정확도 및 법적 증거 확보의 신뢰성을 강화하고자 한다. 본 연구의 결과는 향후 아이폰 디지털 포렌식 자동화 및 고도화에 기여할 것으로 기대된다.

목차

요약
ABSTRACT
1. 서론
2. 관련 연구
2.1 iOS 보안 구조 및 APFS 파일 시스템
2.2 APFS 파일시스템 및 메타데이터 구조
2.3 디지털포렌식에서의 인공지능 활용
3. 인공지능 기반 아이폰 데이터 복구프로세싱 과정
3.1 전체과정
3.2 데이터 손상 유형별 복구 전략
3.3 ML 트리아지 단계의 한계와 주의점
4. ML 트리아지의 문제점
4.1 설명가능성 부족
4.2 학습데이터의 편향
4.3 Top-k 후보 선정의 불안정성
5. ML 트리아지의 개선 방안
5.1 XAI 적용을 통한 설명가능성 확보
5.2 데이터 다양성 확보 및 정기 재학습
5.3 Top-k 우선순위화 알고리즘 고도화
5.4 통합적인 개선 방안
5.5 제안 모델의 논리적 타당성 및 기대효과
6. 결론
참고문헌

키워드

저자

• 채윤호 [ Yun-ho Chae | 인제대학교 AI소프트웨어학부 학사과정 ] 주저자
• 최윤성 [ Youn-sung Choi | 부산교육대학교 컴퓨터교육과 조교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  융합보안논문지 [Jouranl of Information and Security]

• 간기

  연5회

• pISSN

  1598-7329

• 수록기간

  2001~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 005 DDC 005