Earticle

The QR Code was initially developed to monitor the manufacturing processes of automotive components. However, its application has expanded significantly across various industries over time. QR codes can be created through a range of methods, including online tools, mobile applications, and programming libraries. They are now widely used in several domains such as payment transactions, identity verification, and accessing product information. Despite the convenience offered by QR Codes, they are susceptible to risks, particularly the emergence of counterfeit QR codes. This article presents a novel classification algorithm that leverages the DenseNet architecture to identify fraudulent QR codes. By integrating multiple DenseNet layers (referred to as DenseLayers) atop the standard DenseNet framework, the algorithm enhances the classification model's efficacy. Additionally, we introduce a publicly available QR code dataset that employs the Mish activation function instead of the conventional ReLU activation function. Experimental evaluations reveal that the modified model achieves an average accuracy of 99.8%, representing a 0.5% improvement over the baseline model.

Inferior alveolar nerve (IAN) injury is a severe complication associated with mandibular third molar (MM3) extraction. Consequently, the likelihood of IAN injury must be assessed before performing such an extraction. However, existing deep learning methods for classifying the likelihood of IAN injury that rely on mask images often suffer from limited accuracy and lack of interpretability. In this paper, we propose an automated system based on panoramic radiographs, featuring a novel segmentation model SS-TransUnet and classification algorithm CD-IAN injury class. Our objective was to enhance the precision of segmentation of MM3 and the mandibular canal (MC) and classification accuracy of the likelihood of IAN injury, ultimately reducing the occurrence of IAN injuries and providing a certain degree of interpretable foundation for diagnosis. The proposed classification algorithm achieved an accuracy of 0.846, surpassing deep learningbased models by 3.8 %, confirming the effectiveness of our system.

최근 3D 자세 추정 연구는 BERT 기반 혹은 트랜스포머 기반 접근 방식으로 진행되고 있다. 해당 방식들은 관절의 시공간적 관계성을 인코딩하여 전체적인 혹은 지역적인 관절 맥락을 파악한다. 현재 단안 방식의 3D 자세 추정 모델의 최고는 MotionBERT로 해당 모델의 인코더인 Dual-stream Spatio-temporal Transoformer는 입력 받은 동영상 데이터의 하나의 프레임에서 관절 간의 관계성을 공간적 블록으로 Multi-Head Self Attention을 적용하고 또 전체 프레임에서 하나의 관절의 시간적인 관계성을 시간적 블록으로 Multi-Head Self Attention을 적용하여 두 블록을 융합하여 모션 인코딩을 진행한다. 그러나 이런 인코딩 방식은 전체 프레임에서 모든 관절의 관계성, 즉 글로벌한 특징을 부각 하지 못하는 단점이 있다. 따라서 본 논문에서는 Dual-stream Spatio-temporal Transoformer의 한계점 을 개선한 Global and Spatio-temporal Transformer를 제안한다. 실험은 3D 자세 추정 연구에서 흔히 사용하는 Human3.6M 데이터셋을 사용하여 GSTformer와 DSTformer의 처음부터 학습한 성능과 파인 튜닝한 성능을 비교한다.

전자 건강 기록 데이터에서 구축된 의료 지식 그래프는 의료 코드 간의 관계를 담고 있으며, 이를 통해 환자에 대한 포괄적인 이해를 제공한다. 위와 같은 특성으로 인해 지식 그래프를 진단 예측 작업 에 활용할 수 있으며, 기존의 연구들에서 지식 그래프를 활용하는 것이 진단 예측 작업의 정확성 및 해석성을 효과적으로 향상 시킬 수 있다는 것이 입증되었다. 하지만 지식 그래프는 효과적인 의학적 관계 외에도 잘못된 관계와 같은 잡음을 포함하고 있으며, 모든 의학적인 관계를 포함하지는 못한다는 불완전성 또한 가지고 있다. 이러한 문제를 해결하기 위하여 몇몇 연구들은 의료 지식 그래프에서 진 단과 무관한 노드 및 관계를 마스킹하는 것으로 잡음을 필터링하는 방법을 제안하였다. 하지만 기존의 연구들의 경우 환자 개개인의 지역적인 관점에서의 특성을 중점적으로 다루었으며, 이러한 접근은 환 자 집단의 전역적인 관점에서 공유되는 핵심적인 특성을 고려하지 못할 수 있다. 따라서 본 연구에서 는 프로토타입과 그래프 대조 학습 방법을 활용하여 환자의 지역적인 관점뿐만 아니라 환자 집단의 전역적인 관점에서 의료 지식 그래프를 정제하고, 효과적인 표현을 추출하는 방법을 사용할 것을 제안 한다.

본 논문에서는 패혈증의 이질성과 환자의 내재된 건강 상태 변화에 따라 각 시간에서 최적의 치료법을 추천하는 새로운 오프라인 강화학습 프레임워크를 제안한다. MIMIC III 데이터셋에서 패혈증 환자들의 전자건강기록 데이터를 기반으로 한 실험으로 최신 방법과 비교하여 제안된 프레임워크의 효율성을 검증하였다.

자폐 스펙트럼 장애는 사회적 의사소통 및 상호작용의 손상과 제한된 관심사 및 반복적인 행동을 특징으로 하는 전반적인 신경 발달 장애이다. 휴지기 기능적 자기공명영상에서 얻은 동적 기능적 연결성 데이터는 시간에 따라 변화하는 뇌 영역간 의 상호작용을 통해 뇌의 복잡한 기능을 이해하고 자폐 스펙트럼 장애 관련 패턴을 식별하는데 도움을 준다. 하지만 의료 데이터 수집의 제약으로 인해 발생하는 데이터 부족 문제가 동적 기능적 연결성을 활용한 정밀한 자폐 스펙트럼 장애 진단을 어렵게 만든다. 이러한 문제를 해결하기 위해서, 본 연구는 레이블 투영 블록을 적용한 시계열 적대적 생성 신경망을 활용하여 사실적인 합성 동적 기능적 연결성 데이터를 생성하는 방법을 제시한다. 레이블 투영 블록은 생성하고자 하는 데이터의 레이블 정보를 효과적으로 임베딩하여 기존의 시계열 적대적 생성 신경망의 생성 능력을 크게 향상시켰다. 생성된 동적 기능적 연결성은 자폐 스펙트럼 진단 모델의 추가적인 훈련 데이터로 활용되었고, 다양한 진단 모델에서 실험한 결과 본 연구에서 제안하는 레이블 투영 블록을 적용하여 생성된 동적 기능적 연결성이 적용하지 않은 것 보다 자폐 스펙트럼 장애 진단 성능을 향상시키는 효과를 보였다.

수어란 기존의 음성 언어와는 완전히 독립적인 별개의 언어이며, 손동작 및 얼굴 표정으로 전달된 다. 이처럼 수어는 인간의 동작에 기반하므로, 수어 학습은 동작 인식에 대한 탐구와 밀접한 관련이 있다. 그러나 수어는 class 대비 데이터 수가 적고, 확보가 어려우며 움직임이 양손에 제한되어 동작 인식에 비해 학습 난이도가 높다. 본 연구에서는 수어 인식 학습 시 발생하는 어려움을 극복하고 성능 을 향상하고자 PoseConv3D 모델의 사용을 제안한다. PoseConv3D 모델은 인간 골격 데이터를 3D 히 트맵으로 변환하여 3D Convolution 연산을 통해 동작 인식을 학습한다. 인간 골격 기반의 히트맵 동 작 인식은 기존 그래프 기반의 학습에 비하여 시공간 학습에 더 유리하고, 자세 추청 과정에서 발생하 는 노이즈에 더 강하며, 일반화에 강점을 보인다. 최종적으로 한국 수어 데이터를 PoseConv3D모델로 학습한 결과 TRAIN에서 92.50, TEST에서 68.74의 인식 정확도를 보였다.

대장암은 전 세계적으로 인간 건강에 심각한 위협을 가하는 주요 질병 중 하나이며, 이에 대한 조기 진단과 치료는 생존율을 크게 향상할 수 있다. 최근 인공지능(AI) 기술의 발전으로 대장암 진단 및 치 료 접근 방식에 혁신적인 변화가 이루어지고 있으나, 인공지능 모델의 학습을 위해서는 대량의 고품질 의료 데이터가 필수적이다. 그러나 의료 데이터의 획득은 프라이버시, 저작권, 그리고 데이터 공유에 대한 엄격한 정책으로 인해 상당한 도전 과제를 안고 있다. 본 연구는 Semantic Map을 조건으로 하 는 SDM(Semantic Diffusion Model)을 활용하여 실제와 유사한 고품질의 대장 내시경 이미지를 생성 하는 데 성공하였다. 이 과정을 심층적으로 분석하여, 의료 데이터의 접근성 문제에 대한 혁신적인 해 결책을 제시하고자 한다.

최근 딥러닝 기반의 모델이 발전하며, 모델은 점점 커지고 데이터획득의 중요성이 높아지고 있다. 또한, 생성형 모델의 발전으로 많은 생성형 데이터들의 성능이 향상되고 SORA, ChatGPT와 같은 어플리케이션이 많은 관심을 받고 있다. 데이터의 수가 비교적 많이 적은 의료 영상의 경우 커지는 모델을 감당하기 힘들어졌다. 본 논문은 데이터의 획득이 어려운 Brain Tumor MRI 데이터셋을 이용해 딥러닝 기반의 Tumor 분류를 수행했고, 데이터의 양이 많이 필요한 큰 모델에서의 성능 향상을 위해 부족한 데이터를 최근 화제가 되고 있는 Latent Diffusion 모델을 사용해 기존 데이터의 수보다 대략 14.2배의 데이터를 생성했다. 기존의 학 습 데이터보다 14.2배의 많은 데이터로 학습을 한 Brain Tumor분류 모델은 대략 4.9%의 성 능향상을 보였고, 99.6%의 정확도를 보였다.

본 논문에서는 웨어러블 청각 기기에 적용되는 음성 향상 심층 신경망을 제안한다. 먼저 청각 기기 요구 사항에 따라 총 알고리즘 처리 지연이 8ms인 32채널 청각 필터뱅크를 구현하였다. 제안 방법의 핵심은 필터뱅크 기반이 되는 균일 다상 이산 푸리에 변환 구조에 디노이징 신경망을 구현하여 대역별 음성 향상을 이루는 것이다. 특히 각 대역의 음성 스펙트럼 위상 정보를 복원하기 위해 복소수 컨볼루션 신경망을 도입하였다. 다음으로, 청각 필터뱅크 음성 디노이징 신경망을 학습시키기 위해 각 대역의 복소수 시간 영역에서 잡음 음성신호와 깨끗한 음성신호 간의 매칭을 통한 손실 함수를 계산하였다. 제안된 청각 필터뱅크 음성 디노이징 신경망의 성능은 음성대 신호 잡음비가 -10 ~ 15dB 범위의 6가지 잡음 조건에서 객관적인 음성 인지도 및 음질 점수 측정을 통해 평가되었으며, 결과적으로, 제안 방법이 기존 방법보다 높은 인지도 와 음질 지수를 보여주었다.

최근 4차 산업혁명 시대에 따라 산업현장의 디지털화가 가속화되고 있다. 본 논문에서는 전기동차 공기스프링을 대상으로 4차 산업혁명의 핵심 기술인 실감형 콘텐츠를 개발하였다. 실감형 콘텐츠는 증 강현실 기반으로 모델 수집부터 현장 의견 조사, 원리 구현 등의 복잡한 제작 과정을 거쳐 제작된다. 제작된 콘텐츠는 정비원들에게 몰입감을 제공하며 다양한 학습 기법을 통해 정비 훈련 효과를 극대화 한다

Our research aims to enhance the modeling of speech signals for more effective extraction of node features and analysis of relationships between nodes. To achieve this, we model speech signals as cyclic or linear graphs. Our model combines layers of Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) to leverage their respective strengths in processing graph data. Specifically, we utilize GCN to aggregate information from neighboring nodes, which helps capture local relationships among nodes. Additionally, we employ GAT mechanisms to assign varying attention weights to different neighboring nodes, facilitating a better capture of complex global relationships between nodes. In our experiments, we validate our approach using the IEMOCAP dataset and demonstrate comparable performance to state-ofthe- art models in emotion recognition tasks. This research outcome provides new insights and methodologies for further exploration in the field of speech signal processing.

본 논문은 MediaPipe Hand Landmarks와 LSTM 기반 신경망을 활용하여 100개의 수어 단어를 정확하게 분 류하는 시스템을 개발하는 것을 목표로 한다. 수어 영상에서 손 관절의 위치를 추출하고, 이를 LSTM 신 경망 모델로 학습하여 수어 인식 정확도를 높이는 방법을 제시한다. 이 연구는 수어 교육의 접근성을 높 이고, 교육적 활용 가능성을 넓히기 위한 목적을 가지고 있다.

This paper addresses the critical need for sign language recognition to improve communication for individuals with hearing impairments. Our approach involves leveraging the capabilities of computer vision and deep learning to develop an efficient sign language recognition system. By utilizing the Mediapipe library, we extract detailed hand landmarks from video input, thereby effectively capturing the nuanced movements and configurations inherent in sign language gestures. At the core of our model is the GRU network, a type of recurrent neural network (RNN) specifically designed for analyzing sequential data. The GRU architecture excels at capturing temporal dependencies, making it a well-suited choice for recognizing the dynamic nature of sign language expressions. To train our GRU network, we leverage the LSA64 dataset, which comprises comprehensive videos featuring expert sign language users. We extract hand landmarks from these videos using the Mediapipe module, enabling our model to effectively learn and recognize the intricate patterns of sign language gestures.

다가올 지능형 교통 시스템에서의 차량 궤적 예측은 자율 주행 및 차량 간 통신에 있어 중요한 도 전 과제 중 하나이다. 본 연구에서는 차량 궤적 예측을 위한 시계열 딥러닝 모델의 성능을 평가한다. 도심 도로의 복잡성과 차량 이동 패턴의 불확실성을 고려하여, 시계열 예측에 특화된 다양한 딥러닝 기법을 적용하고 이들의 예측 정확도를 비교 분석한다. 특히, LSTM과 같은 전통적인 RNN 계열의 순 환 신경망 모델을 비롯하여 ConvLSTM, 1D-CNN, Transformer 등 다양한 모델을 중심으로 차량 궤 적 예측 모델을 구현하였다. 궤적 예측 정확도 평가의 경우 학습 데이터의 Lookback Window Size를 4와 8로 나누어 모든 모델에 적용해 예측하였다. 실험 결과, Transformer 모델의 예측 정확도가 Lookback Window Size에 관계없이 실험에 사용된 모델 중 가장 우수한 것으로 도출되었다.

본 연구에서는 스마트 파이프 센싱 데이터 분석 운영 환경 구축을 위하여 쿠버네티스 아키텍처를 제안한다. 이 아키텍처는 MSA 기반의 서비스 운영환경에 적합하며, 그를 위하여 멀티 클라우드 환경, 여러 쿠버네티스 클러스터링을 돕는 멀티페더레이션 솔루션, MSA간 통신 및 네트워크 관리를 돕는 서비스 메시 솔루션, 대시보드 솔루션으로 구성되었다. 제안한 아키텍처는 스마트 파이프 센싱 데이터 분석 운영 환경 뿐 아니라 다른 기업 운영환경에도 적용되어 멀티 클라우드 쿠버네티스 환경을 더 명 확하고 관리하기 쉬운 환경으로 만들고, 더 많은 기업들의 클라우드 전환을 용이하게 할 것으로 판단 된다.

최근 자율주행, 로봇 등에 장착된 카메라 관련 이미지 처리 모델이 각광받고 있다. 카메라에서 얻을 수 있는 연속된 이미지의 다음 장면을 예측하기 위해 생성 모델과 RNN 계열 모델을 결합한 모델 연구가 활발하다. 그 중 이미지 픽셀 학습 모델이 우수한 성능을 보이나, 복잡한 구조로 인해 개선 부분을 명확 히 설명하기 어렵고 계산 비용이 증가한다. 본 논문은 얽힘 없는 잠재 변수의 학습을 통해 모델의 해석 가능성을 향상시키며, 동시에 단순화된 구조를 채택하는 예측 기법을 제시한다

5G 이동통신 인프라중 집중국과 기지국을 연결하는 전송망 네트워크 최종단인 프런트홀 전달망 장 비는 필수적이다. OTDR은 광선로 장애 유무의 원격 감시에서 현재 개발된 유일한 방법이기도 하다. 본 연구에서는 5G통신 광 전송 다중화 시스템의 OTDR 기능을 구현하고 총 40km구간에 대해 감지하 는 것을 실험을 통해 확인하였다.

본 연구는 자율주행 환경에서 발생할 수 있는 돌발상황을 예방하기 위해 사물인터넷 (Internet-of-Things) 기술을 활용한 상충예측모형을 제안한다. 제안된 모델은 적용 전후의 사고 가능 성을 안전대체평가모형(Surrogate Safety Assessment Model)분석을 통해 평가하였다. 이를 통해 평균 43.34%의 잠재적 사고 발생률이 감소된 것을 확인하였다. 본 연구에서 개발된 모형에 대해 대형 네트 워크 환경에서의 검증과 자율주행 차량을 포함한 다양한 이동 수단에 대한 현장 적용성 평가에 대한 추가 연구를 제언한다.

사물인터넷(Internet of Things, IoT)이 활용되는 분야가 많이 확장되고 있다. 수집된 데이터를 통계 처리하고 시각화하는 방법에 따라 분석 결과의 가치가 달라질 수 있다. 본 논문에서는 오픈소스 IoT 플 랫폼에 시각화 오픈 소스를 연동하여 센서/장치/시스템 들로 부터의 데이터 수집, 분석 그리고 분석 결과 의 시각화와 상황에 따른 센서/장치/시스템 제어를 효과적으로 수행하는 구조를 제시하고, 구현 결과를 보인다. 시각화는 웹 기반으로 구현되어, 모든 장치들에서 동시에 시각화 정보를 확인할 수 있다.

DTx의 발전으로 소프트웨어를 사용한 질병 진단에 많은 연구가 진행되고 있다. 하지만 진단 알고리즘 은 대체로 개인의 성향과 체질 등을 고려하지 않아 진단 정확도가 낮을 수 있다. 이에 본 논문은 사용자 의 SNS 텍스트 데이터를 크롤링, AI를 활용한 사회공학적 방법으로 사용자의 활동성 판단 시스템을 제 안한다. 이를 통해 개인마다 가중치 부여 기준 문제를 해결해 보다 높은 진단 정확도를 높일 것으로 기대된다.

빅데이터 기술의 발전으로, 차량은 단순 운송 도구에서 벗어나. 외부 데이터를 활용하여 안전성과 교통 흐름 개선을 제공하는 커넥티드 카로 진화하고 있다 이에 맞춰 차량용 실시간 통신 기술 연구도 활발히 이루어지고 있다. 웹 기반 양방향 통신을 지원하는 웹소켓은 커넥티드 카의 실시간 스트림을 전송하기에 적합하지만 고속 주행으로 인한 불안정한 네트워크에서 패킷 손실이 발생 할 수 있다. 본 논문에서는 웹소켓 기반 패킷 복구 메커니즘을 제안 한다. 제안된 기법은 커넥티드 카 Digital Twin모델에 적용하였고 차량 충돌 이벤트에 대해 패킷 복구가 가능한 실시간 통신에 효과를 검증하였다.

차세대 컴퓨팅의 발전으로 자율주행뿐만 아니라 IoT, 스마트 시티 기술, 산업 자동화 및 로봇처럼 다양한 분야에서 연산 시간을 단축하고 실시간 성능을 향상시키며 더욱 효율적이고 실용적인 솔루션 을 개발하기 위한 연구가 크게 주목받고 있다. 엣지 컴퓨팅은 자율주행 기술의 주요 문제인 실시간 의 사 결정에 대한 해결책으로 개발되었다. 본 논문에서는 이러한 문제를 해결하기 위해 엣지 컴퓨팅 기 술을 활용하여 Jetson Xavier NX에 Unet을 구현하여, TensorRT를 이용한 Inference time을 향상시키 는 AI 모델 최적화 방법론을 제안하고자 한다.

미션 크리티컬 서비스 고도의 신뢰성을 요구하는 분야로, 특히 재난 안전 환경 과 철도 통신 등 그룹 통신을 지원한다. 미션 크리티컬 서비스는 인프라와 사용자의 개인정보 보호에 있어 보안성을 요구한다. 본 논문에서는 미션 크리티컬 서비스의 사용자 서비스 인증 및 인가 절차를 정형화 검증 도구인 BANLogic을 통하여 인증 프로토콜인 OpenID Connect와 TLS의 보안 정형화 검증을 실시한다.

In this paper, we propose deep learning-based cryptanalysis on lightweight block ciphers, SIMON and SPECK. The block-sized bit arrays are encrypted with the block ciphers applying different number of round functions. The deep learning models are trained to generate the ciphertexts from the plaintexts and recover the plaintexts from the ciphertexts, which are attacks called Encryption Emulation (EE) and Plaintext Recovery (PR), respectively. The results are compared by using Bit Accuracy Probability (BAP) for each bit. It is shown that the round-reduced SIMON is higher BAP than round-reduced SPECK32/64. These results indicate that the round-reduced SIMON32/64 is more vulnerable than the round-reduced SPECK32/64.

소프트웨어 개발 시 구축 비용 절감을 위한 오픈소스 활용이 증가하고 있다. 하지만, 오픈소스에는 많은 취약점이 존재하며, 이를 이용하여 개발된 소프트웨어 또한 잠재적인 취약점이 존재한다. 이에 본 논 문에서는 소스코드의 안전성 강화를 위해 사용되는 정적 분석 도구를 활용하여 오픈소스를 분석하고, 분 석 결과를 통해 취약점 분석 도구에 대한 성능을 비교한다.

메타버스 산업 시장의 활성화와 함께 가상 공간에서의 경제활동에 대한 관심이 급증하고 있다. 이에 따라 메타 버스 내에서 안전하고 효율적인 디지털 자산 거래의 필요성이 부각되고 있으며, 이에 대한 다수의 연구/개발이 이루어지고 있다. 이 중 Non-Fungible Token은 디지털 콘텐츠의 소유권을 명확히 할 수 있는 중요한 수단으로 부각되고 있다. 하지만, 해당 기술은 블록체인 기술을 기반으로 하고 있어 내부 메타데이터 정보의 투명한 공개로 인해 사용자의 프라이버시 및 저작권을 침해하는 이슈가 발생할 수 있다. 또한, 중앙 집중화된 플랫폼을 통한 Non-Fungible Token 거래는 거래 비용 및 거래 과정의 복잡성을 증가시키며, 중앙 집중식 형식으로 인해 보안 사고가 발생하였을 시 데이터 유출로 인한 사용자 프라이버시 침해 이슈가 발생 가능하다. 이에 본 논문에서는 메타버스 환경 내에서 안전하고 이해관계자의 권리가 보장된 Non-Fungible Token 거래가 가능하도록 동형암호 기반 프라이버시 보존 Non-Fungible Token 거래 시스템을 제안한다. 제안된 시스템은 Non-Fungible Token 거래 시 발생하는 민감 정보에 대해 동형암호 기술을 적용하여 사용자의 프라이버시를 보호하고, 디지털 콘텐츠 에 대한 유사도 검사를 통해 저작권자의 권리를 보장받을 수 있도록 한다. 이와 더불어 메타버스 환경 내에서 사 용자 경제 활동의 특성상 1대1 거래가 발생할 수 있음에 따라 Peer-to-Peer 거래 방식을 기반으로 시스템이 동작하도록 하여 불필요한 거래 과정 및 거래 수수료를 제거하고, 양 당사자 모두의 동의 하에만 거래가 이루어 지도록 함으로써 거래의 신뢰성과 프라이버시 보호가 강화된 Non-Fungible Token 거래 시스템을 제안한다.

4차산업혁명의 도래와 함께 사물인터넷 기술의 발전은 다양한 분야의 연결성과 효율성을 증대시키 며, 우리의 삶을 윤택하게 하고 있다. 하지만, 사물인터넷의 발전에 따라 악의적인 공격자는 제한된 환 경에서 낮은 컴퓨팅 파워로 동작하는 임베디드 장비에 대한 지능화되고 고도화된 공격을 수행하여 국 가핵심기반시설을 파괴하거나 동작 불능의 상태에 빠지게 하는 공격 사례가 지속적으로 등장하고 있 다. 이에 임베디드 장비를 대상으로 한 주요 공격이 코드 재사용 공격과 같은 실행 흐름 하이재킹 공격 이 사용되고 있음으로 분석된 바 이를 보안하기 위한 제어 흐름 무결성과 관련된 연구가 이루어지고 있는 실정이다. 특히 최근에는 포인터 인증 코드를 기반으로 하여 낮은 오버헤드와 높은 보안성을 가 지는 제어 흐름 무결성 기법들이 연구 및 적용되고 있는 추세임에 따라 본 논문에서는 임베디드 시스 템의 안전성을 제고하기 위한 포인터 인증 코드 기반 제어 흐름 무결성 기술 연구/개발 동향을 분석하 여 임베디드 장비 보안을 위한 경량화되고 최적화된 제어 흐름 무결성 기술의 초석을 다지고자 한다.