Earticle

DevOps는 소프트웨어나 서비스의 빠른 출시 및 개선 배포, 운영을 위한 개발과 운영을 통합한 프로세스 및 toolchain을 활용하는 자동화된 파이프라인이다. 많은 애플리케이션 개발에서 보안은 개발의 최종 단계에서 주로 적용되고 있어, 해당 애플리케이션에 심각한 보안적 결함이 발생될 수 있는 위험 요소가 존재한다. 소프트웨어의 공급망과도 밀접한 DevOps 파이프라인에서 보안 취약점이 존재할 경우, 관련 소프트웨어나 서비스가 공격자나 범죄 집단의 주요 표적이 될 수 있다. 본 논문에서는 DevOps 파이프라인에서 보안 위협 가능성에 대한 검토를 바탕으로, 전체 프로세스에서 보안 정책과 기술 적용을 자동화할 수 있는 DevOps와 보안의 구성 방안을 제시한다.

안드로이드 플랫폼은 높은 시장 점유율과 동시에 악성 앱의 수와 종류도 많아 기계학습 기반 악성 앱 탐지 및 분류 방법이 꾸준히 연구되어왔다. 기계학습 중에서도 신경망 기법은 입력 특징의 구성에 따라 성능이 좌우될 수 있기에 이 를 결정하는 것은 중요한 문제이다. 이에, 본 논문에서는 안드로이드 퍼미션(permission) 정보와 오토인코더-확장 외적을 이용한 잔차 신경망 기반 으로 안드로이드 악성 앱 패밀리 분류 방법을 제안한다. 실험 결과, 기존 연구 대비 대부분 지표에서 성능 향상을 보였으며 신경망 기반의 기계학습에서 입 력 데이터 구성의 다양화 및 고도화가 효과적임을 볼 수 있었다.

이더리움은 블록체인 상의 데이터를 모든 참가자가 접근할 수 있는 공개형 블록체인이기 때문에 스마트 컨트랙트로 개인정보 등의 민감한 데이터를 처리하기가 근본적으로 어렵다. 이를 해결하기 위해서 데이터에 대한 기밀성 보장 프로토콜을 스마트 컨트랙트로 구현하는 것을 고려할 수 있고, 대표적인 기밀성 보장 프로토콜로 zkSNARKs와 함수암호가 있다. 기밀성 보장 프로토콜들은 대부분 페어링을 기반 암호연산으로 사용하기 때문에 기밀성 보장 프로토콜들을 스마트 컨트랙트로 구현하기 위해서는 페어링의 구현이 선행되어야 한다. 본 논문에서는 페어링 기반 프로토콜들을 스마트 컨트랙트로 구현하기 위해 필요한 페어링 함수를 Solidity 언어로 구현하고 평가한다.

고도화되고 진화하는 사이버 공격에 대응하기 위해, 기존의 IOC(Indicators Of Compromise) 기반 진단 기술의 한계를 인식하고 TTPs(Tactics, Techniques and Procedures) 기반의 진단 기술에 대한 요구가 증가하고 있다. 이러한 TTPs 기반의 정보를 제공하는 보안 프레임워크 중에 MITRE ATT&CK이 대표적이라고 할 수 있으며, 많은 보안 업체들이 MITRE ATT&CK에 정의된 프로시저에 대한 진단 기술 개발에 집중하고 있다. 그러나, 해당 프로시저에 대한 익스플로잇(exploit) 코드와 공격 도구를 찾는데 많은 시간과 비용이 소모될 뿐 아니라, 실제로 동작하는지 여부를 판단하는 작업에도 많은 리소스를 투입해야 하는 매우 비효율적인 상황에 직면해 있다. 이에 본 논문에서는 MITRE ATT&CK 프레임워크에서 정의하는 프로시저에 대한 익스플로잇 코드와 공격에 사용되는 도구들을 찾아내고, 이 코드와 도구들이 실제 동작 가능한지를 검증하고자 한다.

디지털 헬스케어는 전자의무기록인 EMR과 개인건강기록인 PHR을 활용하여 환자의 질병 기록을 확인하 거나 진료에 활용한다. 최근 개인정보보호법에 의해 의료정보에 대한 가명처리와 비식별화 조치를 하고 있지만, 이는 연구 목적의 의료정보 교류와 활용 분야에 적용되고 있다. 향후, SaMD(Soft as a Medical Device)이 증가와 디지털 치료제(Digital Therapeutics, DTx)가 상용화 보급이 예상되며, 이를 통해 의 료정보 내 개인정보 가명처리와 비식별화 범위가 확산될 것으로 보인다. 본 논문에서는 디지털 헬스케어 의 개인정보 보안연구 동향을 살펴보고 추가적인 연구가 필요한 부분을 논의한다.

VR(Virtual Reality)기기의 최신 추세인 단독 작동형 VR기기는 행동반경이 넓고 공간의 제약이 없기 때문에 고정형 카메라는 한계가 있다. 따라서, 손 동작 인식을 위한 웨어러블 카메라의 연구가 활발히 진행되고 있으며, 그에 맞는 데이터세트가 필요하다. 데이터세트를 위해 손목 및 손가락 관절의 주석을 일일이 지정하는 것은 많은 노동이 필요하기 때문에 현실적으로 불가능하기에, 가상 공간에서 데이터세트를 생성하는 합성데이터 생성기를 제안하고, 기존의 실제 데이터와 학습된 인식 성능을 비교하였다. 또한 추가적인 합성데이터를 활용하여 취득하기 어려운 손 자세에 대한 인식 성능을 향상하고자 한다.

One of the main challenges of advancing medical imaging research is its data's privacy and sensitivity; sharing and distributing medical information is limited due to privacy concerns and the possible exploitation of personal information. Generative adversarial networks have impressive results in synthesizing new datasets from natural images and translating image to image. In the case of CycleGAN construct samples are done by translating the image from one domain to another. We present a study of the application of CycleGAN in medical imaging by converting standard images to images with a disease. Consequently, we test the generated dataset in a classification task and compare it with the original one. Results reveal that the synthesized samples could replace the original dataset

최근 차량관련 기술의 발전은 빅데이터와 인공지능 기술을 기반으로 새로운 성능지표를 달성하고 있다. 본 연구는 License Plate Recognition을 스마트시티의 일부로서 효과적으로 구현하는데 필요한 요소기 술을 제안한다. LPR 기술은 새로운 번호판을 도입하거나 서체나 글자수 등의 포맷 변경 등 환경 변화 및 조건에 매우 민감한 문제점을 가지고 있다. 제안된 알고리즘은 언급된 문제들을 효율적으로 해결 가 능한 딥러닝 기반 LPR 기술을 소개한다. 본 연구는 (1) 차량 이미지에서 번호판을 검출하기 위해 Atte ntion Mechanism Module을 사용하여 효과적으로 인식할 수 있는 License Plate Detection 시스템 (2 ) TPS-ResNet-BiLSTM-Attn 모델을 기반으로 한 번호판 인식 기술을 제안한다. 제안된 프레임워크 는 성능평가 결과 검출율 (mAP) 97.6%, 인식률 (Accuracy) 97.3%의 인식률을 달성한다.

Perceptual encryption (PE) is becoming popular for protecting image data as they are computationally inexpensive and retain certain image properties that are necessary for compression. PE methods not only provide security during transmission of image data but can also enable privacy-preserving computations on them. However, the presence of color information in the cipher image makes the existing PE algorithms vulnerable to jigsaw puzzle attacks. Therefore, this paper presents an extension of block-based PE methods that utilizes different keys for each color component when changing orientation of a block and pixel values in a block. Thus, offers better encryption performance as the color distribution of the original is changed significantly and the keyspace is expanded. The analysis on Tecnick dataset shows that the proposed PE method preserves compression performance of the existing methods while improving their encryption efficiency. In addition, the main advantage of the proposed method is that of being compatible with a widely used JPEG image standard, which makes it suitable for different outsourced multimedia applications such as, privacy-preserving deep learning, cloud-based photo storage, and social networking services.

탄성체를 다루는 시뮬레이션은 근 20년간 다양한 방향으로 발전해왔다. 입자기반 동역학(Position Based Dynamics) 시뮬레이션은 옷감 또는 피부를 구현하기 위해 입자 간 유지시켜야 할 결합 거리를 지닌다. 사물에 외력이 가해져 입자 간 결합이 깨어졌을 때 물체의 탄성이 끊어지는 순간의 입자가 지녔던 힘에 대한 반작용을 정확히 계산하여 현실감 있는 물리의 표현이 가능하다. 하지만 끊어진 입자가 이루었던 메시가 소실되며 실제 물질들은 한계점 이상의 힘을 받아 끊어져도 소실되지 않고 남아있는 부분이 존재한다. 본 논문은 입자기반 동역학에서 임계점 이상의 탄성을 받아 끊어지게 되는 탄성체의 잔해를 모사하기 위해 주응력의 최대값과 최소값의 차를 이용해 쉽게 근사 할 수 있는 Tresca의 항복조건을 활용하였다. 외력을 받은 물체가 잔해를 남길 지점을 항복조건으로 예상하고, 해당 지점에 새로운 입자를 형성한다. 이후 근처 입자들과 리메싱 하여 찢긴 탄성체의 잔해를 모사한다.

Time series forecasting is relevant in many real-world applications. However, most real-world time series data are non-stationary, which means their statistical properties like mean, and variance varies with time. This property of time series is not considered by most modern deep learning forecasting models, causing the distribution of the training and test sets to be different. Eventually, the accuracy of the forecasting model is significantly affected by the distribution shift. To tackle this problem, we suggest a simple solution called 'Pseudo-Stationarizer.’ This block can be used seamlessly alongside pre-existing forecasting models to obtain better forecasts. ‘Pseudo-Stationarizer’ performs differencing on the original time series to make the data weakly stationary and helps in minimizing the distribution shift. Via thorough experimentation, we prove that the usage of the proposed block aids the forecasting models in getting significant improvements in their performance by diminishing the distribution shift and making the time series weakly stationary.

Deep learning models achieved a lot of success due to the availability of labeled training data. In contrast, labeling a huge amount of data by a human is a time-consuming and expensive solution. Active Learning (AL) efficiently addresses the issue of labeled data collection at a low cost by picking the most useful samples from a large number of unlabeled datasets However, current AL techniques largely depend on regular human involvement to annotate the most uncertain/informative samples in the collection. Therefore, a novel AL-based framework is proposed comprised of proxy and active models to reduce the manual labeling costs. In the proxy model, VGG-16 is trained on chunks of labeled data that later act as an annotator decision. On the other hand, in the active model, unlabeled is passed to Inception-V3 using the sampling strategy. The uncorrected predicted samples are then forwarded to the proxy model for annotation and considered those data have a high confidence score. The empirical results verify that our proposed model is the best in terms of annotation and accuracy.

인간의 주 의사 소통 방법인 목소리를 통한 음성 언어는 단순한 언어 정보의 전달만이 아니라 음성의 억양과 높낮이 그리고 주변 환경 등 여러가지 특징을 통해 감정 정보를 함께 전달하게 된다. 현재 많은 연구들이 인간과 컴퓨터의 상호작용을 위해 음성언어기반의 감정을 시스템이 파악하는데 초점을 맞추고 있으며, 음성의 다양한 주파수 특성을 추출하여 신경망모델을 개발하고 있다. 본 논문은 시간에 따른 감정 변화를 정확하게 인식하기 위해, 시간 영역에서 시계열 데이터 전처리와 3 가지 음성 신호 기반의 자연어 특징 추출을 진행한다. 제안하는 데이터 전처리, 특징 추출 방법은 주파수 영역의 특징으로만 비교하는 학습 방식보다 시간에 따라 변화하는 자연어 및 복잡한 감정인식에 유리하다. 2개의 공개 데이터 셋을 이용하여 시계열 특징을 입력으로 하는 순환 신경망 모델 알고리즘들을 개발하고 이들의 성능을 비교하였다.

인공지능은 이미지 분류, 자연어 처리, 이상치 탐지와 같이 다양한 분야에서 활용된다. 하지만, 인공지능은 데이터에 왜곡이 추가되는 공격에 취약점을 가진다. 이러한 공격은 적대적 예제(adversarial example)라 불리는데, 사람은 일반적으로 이러한 왜곡이 추가되어도 큰 차이를 인식하지 못하지만, 인공지능 모델은 이를 다른 데이터로 오분류할 수 있다. 인공지능이 다양한 분야에 적용되는 것과 같이 적대적 예제도 이미지, 자연어, 시계열 데이터에 적용이 되어 모델을 오동작하게 만들 수 있다. 본 논문은 적대적 예제가 다양한 데이터에 적용될 수 있음을 보이기 위해 시계열 데이터인 Industrial Control System (ICS) dataset을 사용하였다. ICS는 네트워크를 통한 다양한 공격을 받을 수 있지만, 적대적 예제가 ICS dataset에 더해질 경우에도 시스템에 큰 피해를 줄 수 있다. 본 논문은 인공지능 모델 중 Sequence-to-Sequence Neural Network에 적대적 예제를 적용하는 실험을 수행하였다. 실험에서 두 종류의 ICS dataset이 사용되었고 적대적 예제 방법 중 하나인 Fast Gradient Sign Method (FGSM)가 사용되었다. 실험 결과는 FGSM이 적용되는 정도에 따라 달라지는 F1 score로 확인하였다. 실험 결과, 공격이 적용되는 정도가 커짐에 따라 기존 데이터와의 성능 차이가 커지고 dataset에 따라 결과의 변화율이 커지는 지점이 다름을 확인하였다.

농아인들이 일반인들과 수어 통역사 없이 의사소통을 하기 위한 인공지능 수어 처리 시스템은 수어를 인식하여 자연어로 변환하는 모델과 자연어를 수어로 변환하는 모델로 구성된다. 본 논문에서는 한국어를 번역하여 한국 수어를 생성하는 트랜스포머 기반의 End To End 심층 신경망 모델을 구현한다. 자연어 텍스트 입력으로부터 한국 수어 동작 자세에 대한 좌표에 대한 시계열 데이터를 생성하는 트랜스포머 모델을 구현하였고, 시계열 좌표 데이터를 실제 아바타 동작으로 변환하는 Unity 기반의 아바타 모델을 개발하였다. 수어 생성 트랜스포머 모델을 학습시키기 위해 AI Hub 수어 데이터를 활용하였으며, 생성모델의 정확도를 기존 연구들과 비교하였다. 또한 생성된 아바타의 동작이 농아인이 이해할 수 있는 동작인지 수어 통역사를 통해 검증하였다. 학습 데이터에 따른 정확도 차이는 추가적인 연구를 통해 확인해야할 부분이지만 기존 연구대비 더 나은 성능을 보였다.

최근 드론 관련 기술의 발달로 다양한 분야에 드론이 활용되고 있다. 드론에 탑재된 카메라를 통해 지상의 타깃을 모니터링하는 응용이 연구되고 있으며 보정 기술을 통한 카메라 자체 오류 감소, 수집된 데이터에 대한 후처리를 통해 정확도를 향상시키는 연구들이 활발하게 진행되고 있다. 본 논문에서는 드론에 탑재된 카메라의 화각과 비행 고도를 고려하여 탐지가능영역을 설정하고 해당 영역에서 구조물로 인해 발생하는 탐지불가능영역을 비행 고도에 따라 분석하였다. 또한 실험을 통해 비행 고도가 높아질수록 탐지 가능 영역이 증가하는 것을 확인하였다.

인공위성은 현대 사회에서 대부분의 IT 기술과 생활 전반의 바탕이 되며, 많은 연구가 진행되고 있다. 그러나 인공위성 기술의 발전과 함께 인공위성 통신망에 대한 사이버 공격도 다양화되어가고 있어 이를 대비하기 위해 인공위성 통신망의 가상 환경을 구축하는 연구의 필요성이 대두되고 있다. 본 논문에서는 가상 인공위성 통신망 구축을 통한 사이버훈련 환경을 개발하기 위한 연구의 선행 과정으로서. NASA에 서 개발한 공개 소프트웨어인 NOS3 (Operational Simulator for Small Satellites)의 구조를 분석한다. 또한, 분석 결과를 바탕으로 가상 인공위성 통신망 환경의 활용방안을 제시한다.

일반적으로 데이터 저장방안은 로드 저장 엔진을 사용해 저장한다. 로드 저장 엔진의 단점을 비교함으로써 로드 저장 엔진이 더 좋은 장점이 있다. 열 압축장치를 통해 행 저장보다 압축 비율이 높고, 지정된 열 데이터를 획득 함으로써 더 많은 I/O 동작을 줄일 수 있으며, 이러한 장점은 많은 양의 데이터를 저장하는데 더 큰 매력을 가진 다. 열 저장을 사용하면 더 큰 장점이 있다. 이를 기반으로 ORC 와 Parquet 열 저장 파일이 많이 사용된다.

본 논문에서는 FPGA 하드웨어를 고려하여 최적의 스파이킹 뉴럴 네트워크 모델 생성 기법을 제안한다. 제안 기법을 이용하여 다양한 FPGA 하드웨어의 프로파일링 정보를 기반으로 하여 사용자의 요구조건을 만족하는 SNN 모델을 생성한다. 사용자가 요구하는 정확도와 수행 시간이 주어졌을 때 해당 조건을 만족하는 SNN 모델을 구성할 수 있도록 뉴런 수 및 데이터 크기를 찾는다. 최적의 SNN 모델을 생성하기 위해 Random Forest Regressor 모델을 이용하여 학습하였다.

그 중에서도 많이 사용되던 정형 데이터가 아닌 비정형 데이터의 비율이 급격하게 증가하고 있다. 따라서 이를 관리하기 위한 데이터베이스가 개발되었다. 하지만, 개발된 데이터베이스들은 사용자 QoS를 제대로 보장하지 못하고 있다. 본 논문은 데이터베이스 중 RocksDB의 메모리 영역을 관리하는 Skiplist 자료 구조를 분석하였다. 실험 결과 검색 시 다양한 키 패턴에서 응답 시간 폭증이 발생하였다. 응답 시간의 최소 시간과 최대 시간은 약 70배 정도의 차이를 보였다. Skiplist 검색 응답 시간 폭증이 발생할 때, RocksDB 사용자 응답 시간에도 영향을 주어 사용자 QoS(Quality of Service)를 보장하지 못하는 것을 확인하였다.

실내 위치 인식에 대한 수요가 높아짐에 따라 실내 공간에 대한 상태를 정확히 파악할 필요가 있다. 실내 공간 중 하나인 엘리베이터는 보행자가 다른 층으로 이동하기 위해 이용된다. 본 연구에서는 보행자의 탑승을 판별하기 위한 수단으로, 엘리베이터 문의 개방 여부를 판단하기 위해 초음파를 이용하여 실험을 진행하였다. 우리는 엘리베이터 문을 개방했을 때와 폐쇄했을 때의 초음파 반사 시간을 비교하여 초음파를 통해 개방 여부를 판단할 수 있음을 확인하였다.

농작물의 병해충 피해는 농가에 위협을 주는 요인 중 하나로 발병 초기에 신속한 조치를 취하지 않으면 빠르게 확산해 막대한 피해를 초래할 수 있다. 스마트폰 보급률 증가와 딥러닝을 이용한 컴퓨터 비전의 발전으로 스마트폰 기반의 병증 진단 방법은 병해충 조기 진단 및 이를 통한 피해 최소화에 도움을 주고 있다. 본 연구에서는 이미지 분할 모델인 Mask R-CNN과 Detection Transformer의 병해충 병증 부위 분할 성능을 비교했다. 모델의 성능을 비교하기 위해 배의 과수화상병, 검은별무늬병, 잎검은점병 이미지 1,257장을 이용해 데이터 셋을 구축했다. 실험 결과 Mask R-CNN의 병증 분할 성능이 75.33%로 Detection Transformer보다 약 5.04% 높은 성능을 기록했다.

IoT 환경에서 지속 가능한 전력 공급의 문제는 꾸준하게 확대되었다. 이러한 문제를 해결하기 위해 무선 전력 전송 기술이 빠른 속도로 발전하고 있다. 무선 전력 전송기술의 발달에 따라 무선 전력 전송 기술 플랫폼에서 발생할 수 있는 취약점에 관한 연구들이 수행되고 있다. 본 논문에서는 무선 전력 전송 기술 플랫폼을 대상으로 하는 취약점에 대한 연구들을 분석하고, 관련된 취약점으로 인한 보안 위협을 해소할 수 있는 솔루션에 대한 연구 분석 내용을 제시한다. 본 연구를 통해 차세대 무선 전력 전송 보안 위협 및 솔루션에 대한 기반 개념을 수립할 수 있을 것으로 예상한다.

농작물 병해충은 심각한 농업재해 중 하나로 농작물의 생산량과 품질에 큰 영향을 미치고 있다. 이는 병해충의 예방과 방제를 통해 농장에 대한 손해와 경제적 손실을 최소화할 수 있다. 병해충의 예방과 방제를 위해 최근 딥러닝 기반 병해충 인식 연구들이 많이 진행되고 있다. 그 중 대부분 연구에서는 분류(Classification) 기법을 주로 사용하고 있다. 분류 기법에서는 가장 확률이 높은 값을 가지는 하나의 클래스를 출력한다. 하지만 분류 모델의 성능이 100%가 아니기 때문에 충분히 잘못된 결과를 출력할 수 있다. 이러한 문제점을 해결하기 위해 Yin et al. [1]에서 여러 장의 병해충 이미지를 출력하는 유사도 기반 병해충 이미지 검색 모델을 제안했다. 본 연구에서는 Yin et al. [1]에서 제안한 병해충 이미지 검색 모델을 사과, 배추, 감귤 등 10종 작물, 50종 병해충 데이터 셋에 적용해 모델의 성능을 검증했다. 실험 측정 결과 병해충 이미지 검색 모델은 약 83.20%~99.71%의 유사 정확도를 보였다.

CycleGAN은 쌍이 없는 사진 기반의 학습을 통해서 서로 다른 도메인 간의 변환이 가능한 딥러닝 네트워크로써 다양한 어플리케이션에 적용할 수 있지만, 아티팩트가 남아있는 경우가 많고, 고화질의 이미지를 생성하기가 어렵다. 본 연구에서는 CycleGAN 기반의 몽타주 생성 기법을 제안하며, 아티팩트 제거와 업샘플링의 역할을 하기 위해 DFDNET을 적용함으로써 기존 연구에서의 단점을 개선하였다. 제안한 방법은 몽타주 생성 모델에서 기존 CycleGAN만 사용했을 때보다 더 좋은 품질을 얻을 수 있었고, 몽타주 생성 연구에 있어 DFDNET을 통한 화질 개선 및 고해상도 생성 네트워크가 몽타주를 생성하는데 도움을 줄 수 있음을 확인하였다.