Earticle

최근에 컴퓨터 비젼 연구자들은 비디오 클립에서 인간의 행동 인식에 초점을 맞추었고, 감시 및 스포츠와 같은 다양한 영역의 응용 프로그램에 사용했습니다. 이 논문에서는 키 프레임의 딥특징을 사용하여 영화 클립에서 인간의 행동을 인식했습니다. 첫째, k-mean 클러스터링은 액션 비디오로부터 대표적인 프레임(키프레임)을 획득하는데 사용됩니다. 클러스터링은 액션 비디오로부터 중복된 프레임을 제거함으로써 알고리즘의 복잡성을 줄여줍니다. 둘째, 12편의 영화를 위해 Alexnet이라 불리는 컨볼루션 신경네트워크(CNN)모델을 미세 조정했습니다. 마지막으로 우리는 대표적인 액션 프레임을 CNN분류기에 제공했습니다. 이렇게 제안된 알고리즘은 Holywood2 데이터 세트에대해 실험적으로 테스트 되었으며, 획득된 결과는 최첨단 기술로 만들어진 특징 추출 기반의 동작 인식방법과 비교하여 정확성 측면에서 더 우수하였습니다.

Recently, researchers of computer vision have focused on human action recognition in video clips and have used it for applications in various domains such as surveillance and sports. In this paper, we have recognized human action in movies clips using deep features of keyframes. Firstly, k-mean clustering is used to achieve representative frames (keyframes) from action videos. Clustering removes redundant frames from action videos, thereby reducing the computational complexity of the algorithm. Secondly, we fine-tuned convolutional neural network (CNN) model called Alexnet for 12 movies actions. Finally, we feed those representative frames of action video clips to the fine-tuned CNN classifier. The proposed algorithm is experimentally tested on Holywood2 dataset and the obtained results are better in terms of accuracy compared to state-of-the-art hand crafted features extraction based action recognition methods.

소프트웨어 가치와 중요성이 커짐에 따라 소프트웨어의 도용이 증가하고 있어 이에 대한 대책으로 소프트웨어 도용 을 정확히 탐지하는 방안이 필요하다. 특히 안드로이드 앱의 경우, 소프트웨어 도용이 상대적으로 용이한 반면 안드 로이드 마켓 상에서는 불법 앱에 대한 적절한 검수를 수행하지 않고 있다. 이에 본 논문에서는 소프트웨어 도용을 탐지하기 위해 실행파일 수준에서 안드로이드 앱 간의 유사도를 효과적으로 측정하는 기법을 제안한다. 제안 기법은 유사도 측정을 위한 주요 특징정보로, 안드로이드 앱의 실행파일을 정적으로 분석하여 메소드 참조 빈도와 매니페스 트 정보를 추출한다. 각 앱을 이 두 가지 특징정보들의 n-차원 벡터로 표시하고, 코사인 유사도를 사용하여 두 앱의 유사도를 측정한다. 제안 기법을 검증하기 위해 대표적인 소스코드 기반의 유사도 측정 기법과 본 논문에서 제안한 기법을 비교 평가한다. 소스파일과 실행파일이 함께 주어진 안드로이드 앱을 대상으로 진행한 실험에서, 본 논문에 서 제안한 실행파일 수준의 유사도 측정 결과와 기존의 잘 알려진 소스파일 수준의 유사도 측정 결과가 동등한 수준으로 나왔다.

As the value and importance of softwares are growing up, software theft and piracy become a much larger problem. To tackle this problem, it is highly required to provide an accurate method for detecting software theft and piracy. Especially, while software theft is relatively easy in the case of Android applications (apps), screening illegal apps has not been properly performed in Android markets. In this paper, we propose a method to effectively measure the similarity between Android apps for detecting software theft at the executable file level. Our proposed method extracts method reference frequency and manifest information through static analysis of executable Android apps as the main features for similarity measurement. Each app is represented as an n-dimensional vectors with the features, and then cosine similarity is utilized as the similarity measure. We demonstrate the effectiveness of our proposed method by evaluating its accuracy in comparison with typical source code-based similarity measurement methods. As a result of the experiments for the Android apps whose source file and executable file are available side by side, we found that our similarity degree measured at the executable file level is almost equivalent to the existing well-known similarity degree measured at the source file level.

최근 클라우드 플랫폼을 효율적으로 사용하기 위한 컨테이너 기술들이 주목을 받고 있다. 컨테이너 가상화 기술은 기존 하이퍼바이저와 비교하였을 때 이식성이 뛰어나고 집적도가 높다는 장점을 가지고 있다. 하지만 컨테이너 가상 화 기술은 하나의 커널을 공유하여 복수개의 인스턴스를 구동하는 운영체제 레벨의 가상화 기술을 사용하기 때문에 인스턴스 간 공유 자원 요소가 많아져 취약성 또한 증가하는 보안 문제를 가지고 있다. 컨테이너는 컴퓨팅 자원의 효율적 운용을 위해 호스트 운영체제의 라이브러리를 공유하는 특성으로 인해 공격자는 커널의 취약점을 이용하여 호스트 운영체제의 루트 권한 획득 공격이 가능하다. 본 논문에서는 컨테이너가 사용하는 특정 메모리 영역의 변화 를 감지하고, 감지 시에는 해당 컨테이너의 동작을 중지시키는 메모리 트랩 기법을 사용하여 컨테이너 내부에서 발 생되는 호스트 운영체제의 루트 권한 탈취 공격을 효율적으로 탐지 및 대응하기 위한 프레임워크를 제안한다.

Recently container technologies have been receiving attention for efficient use of the cloud platform. Container virtualization technology has the advantage of a highly portable, high density when compared with the existing hypervisor. Container virtualization technology, however, uses a virtualization technology at the operating system level, which is shared by a single kernel to run multiple instances. For this reason, the feature of container is that the attacker can obtain the root privilege of the host operating system internal the container. Due to the characteristics of the container, the attacker can attack the root privilege of the host operating system in the container utilizing the vulnerability of the kernel. In this paper, we propose a framework for efficiently detecting and responding to root privilege attacks of a host operating system in a container. This framework uses a memory trap technique to detect changes in a specific memory area of a container and to suspend the operation of the container when it is detected.

본 논문에서는 앙상블 학습 기법을 이용하여 전자파 신호를 발산하는 RF(Radio Frequency) 위협체를 역추정하 는 방법에 관하여 논한다. 기존 연구에서 레이더 위협을 생성하고 실제 전자전 상황을 모델링 할 수 있는 시뮬레이 터에 대하여 연구 및 구현하였다. 개발 중인 전자전 시뮬레이터는 다양한 기계학습 알고리즘을 통하여 생성한 모델 을 사용하여 RF 위협체에 대한 역추정 정확도를 실시간으로 제시한다. 본 논문은 구현한 시뮬레이터를 활용하여 RF 위협체의 수집신호변수를 생성 및 수신하며, 앙상블 학습 기법을 이용하여 생성한 역추정 모델에 의하여 위협체 를 역으로 식별하는 방법을 제안한다. 실험에서 다양한 기계학습 알고리즘으로 생성한 모델과 메타 학습 방법론인 앙상블 학습 기법을 적용한 모델을 이용하여 RF 위협체에 대한 역추정 정확도를 측정하고 실험결과를 분석하였다.

In this paper, we discuss a method using an ensemble learning technique for the reverse extrapolation of RF (Radio Frequency) threats that emit electromagnetic signals. We have studied and implemented a simulator that is capable of generating radar threats and modeling the actual electronic warfare situations. The simulator presents the reverse extrapolation accuracy of RF threats in real time. Based upon the electronic warfare signal variables of RF threats in our simulator, we propose a method to reversely identify RF threats through models compiled using ensemble learning techniques. We have measured and analyzed the reverse extrapolation accuracy of the models of RF threats, which are generated by basic machine learning algorithms and by ensemble learning algorithms as a meta-learning framework.

최근 기업들 사이에서 빅데이터와 인사평가의 융합을 통합한 기업 인사평가에 대한 관심이 높아지고 있다. 하지만 기업에서 수행되는 대부분의 데이터를 활용한 기업 인사 평가는 사람이 직접 작성해야 하는 설문조사와, 운영계 데 이터베이스를 기반으로 인사평가를 수행한다. 또한, 기존의 개인 역량 평가는 개개인의 업무 특성이 반영되지 않는 역량 모델을 기반으로 평가가 시행되기 때문에 객관적인 평가가 어렵다. 이러한 문제를 해결하기 위해 본 연구에서 는 기존 운영계 데이터베이스를 기반으로 수행하는 인사평가에 추가로 직원 개인이 실시간으로 발생시키는 전자 업 무 수행 자료(e-HR 데이터)를 분석하여 개인별 업무 사전을 생성하고, 생성된 업무 사전을 병합하여 업무 프로파 일을 생성한다. 생성된 업무 프로파일을 기반으로 직원의 실시간 업무 집중도, 기간별 업무 성과 스코어, 그리고 능 동적으로 전문가를 추천한다. 이를 위해 제안하는 시스템이 업무 프로파일 기반 실시간 인사 평가 시스템이다.

Most of the current employee performance evaluation schemes mainly focus on survey results which are evaluated by supervisors or colleagues periodically. Furthermore, existing individual capability assessment methods are hard to be objective because it does not reflect the characteristics and variance of individual work tasks into assessments. This research attempts to provide evidence based HR assessments by creating personal task dictionaries from various e-HR data from work for each employee. Based on these profiles, the proposed assessments method monitors the work concentration score of each employee at real time. Furthermore the periodical work performance as well as the expertise of each employee can be found.

항공기 Dumb형 시현장비는 단순히 문자 데이터 위주의 임무정보를 시현하므로 빠른 부팅시간 및 실행파일 로딩시 간이 필수적으로 요구된다. 이러한 필수 요구사항을 충족하기 위한 2가지 시현기능 개발방안으로 본 논문에서 SOOIM(screened on one imaging method)법과 SOEIM(screened on each imaging method)법을 제안하 였다. 제안된 2가지 방안에 대해 비교분석하고 각 개발방안에 기반한 소프트웨어를 설계, 구현 및 시험을 수행하였 다. 시험결과 1분 이내 탑재로딩 시간기준 SOOIM법이 1분을 초과하는데 비해 SOEIM법은 8.73초로 매우 빠른 시간 성능향상이 있었고 12초 이내 부팅시간 기준 SOOIM법이 29.02초가 걸려서 요구사항을 미충족 했으나 SOEIM법은 11.74초로 SOEIM법이 약 40%의 시간단축을 수행하였다. 결국 항공기 Dumb형 장비에서 SOEIM 법이 최적의 시현기능 개발 방안임을 검증하였다. 본 논문에서 제안된 SOEIM법은 Dumb형 장비개발에서 상용 그 래픽도구를 사용하지 않고 직접 적용가능하다.

The aircraft dumb type display equipment requires essentially fast boot and loading time since it displays character data-oriented mission information. To meet these essential requirements, This paper proposed the two display development methods, SOOIM(screened on one imaging method) and SOEIM(screened on each imaging method). These two methods were analyzed as comparing their features. And each software based on two methods was designed, implemented and tested. As the test result, the loading time of the SOOIM was over 1 minute while the SOEIM was 8.73 second. The boot time of the SOOIM was 29.02 second that it was not to meet the 12 second boot time requirement but SOEIM was 11.74 second. The boot performance of SOEIM was 40% faster than SOOIM. Therefore, the SOEIM was verified as the most effective display function development method of the aircraft dumb type equipment. The SOEIM is applicable directly to develop the dumb type equipment without using a commercial graphic tool.

스마트 폰, 스마트 TV, 스마트 패드 등의 스마트 디바이스는 최근 없어서는 안 될 필수적인 기기가 되었다. 인기가 많아지고 수요가 늘어감에 따라 스마트 디바이스의 성능 또한 점차 좋아져 교육, 비즈니스 등 많은 일을 처리하기 위해 번거로운 데스크탑 PC 대신 스마트 디바이스를 선택하는 사용자들이 늘어나고 있다. 그러나 성능이 좋아졌다 해도 여전히 데스크탑 PC에 비해 부족한 성능을 지닌 스마트 디바이스는 제한된 자원으로 인해 고성능을 요구하는 어플리케이션을 실행하는데 어려움을 겪고 있다. 본 논문에서는 스마트 디바이스의 자원 제한을 극복하기 위한 방법 으로 주변 스마트 디바이스의 자원 활용 시 발생할 수 있는 문제점과 고려해야 할 사항에 대해 살펴보고, 스마트 디 바이스의 특성을 적용한 작업 분배 알고리즘을 제안한다. 알고리즘을 검증하기 위해 안드로이드 플랫폼 내 분산 처 리 시스템 서비스를 추가 후 알고리즘을 구현하였고, 스마트 디바이스에 탑재해 클러스터를 구성 후 다양한 실험을 진행했다. 실험 결과 분석을 통해 본 논문에서 제안하는 알고리즘은 노드 간 성능이 균일하지 않은 클러스터에서도 각 노드의 성능을 파악해 서로 다른 양의 작업을 분배함으로써 전체적인 분산 처리 성능이 효율적으로 향상된다는 것을 확인할 수 있었다.

Smart devices such as smart phones, smart TVs, and smart pads have become essential devices in recent years. As the popularity and demand grows, the performance of smart devices is also getting better and users are dealing with a lot of things such as education and business using smart devices instead of desktop. However, smart devices that still have poor performance compared to desktop, even with improved performance, have difficulty running high performance applications due to limited resources. In this paper, we propose a load balancing algorithm applying the characteristics of smart devices to overcome the resource limitations of devices. in order to verify the algorithm, we implemented the algorithm after adding the distributed processing system service in Android platform. After constructing the cluster on the smart device, various experiments were conducted. Through the analysis of the test results, it is confirmed that the proposed algorithm efficiently improves the overall distributed processing performance by effectively aggregating different amounts of computing resources in heterogeneous smart devices.

GPU는 다수의 워프를 병렬적으로 수행함으로써 레이턴시를 숨기면서 높은 처리량을 제공할 수 있다. 만약 GPU에서 캐 쉬에 대한 요청이 미스를 발생시킨다면 하위 메모리로부터 요청한 데이터를 받을 때까지 MSHR(Miss Status Holding Register)을 통해 미스 정보를 추적하고 다른 워프를 수행한다. 최신 GPU에서는 캐쉬 자원에 대한 과도한 요청이 발생 한 경우 자원점유 실패가 발생하여 GPU 자원을 충분히 활용할 수 없는 경우가 자주 발생한다. 본 논문에서는 MSHR 자원 부족으로 인해 발생하는 성능 감소를 줄이고자 새로운 워프 스케줄링 기법을 제안한다. L1 데이터 캐쉬에서 각 워프 별 캐쉬 미스율은 긴 사이클 동안 비슷하게 유지되는 특성을 이용하여 각 워프들의 캐쉬 미스율을 예측하고, 이를 바탕으 로 MSHR의 자원을 더 이상 사용할 수 없는 상태에서는 낮은 캐쉬 미스율을 보일 것으로 예측되는 워프들과 연산 위주 워프들을 우선적으로 이슈 한다. 제안하는 기법은 예측된 캐쉬 미스율과 MSHR 상태를 기반으로 캐쉬 자원을 더 효율적 으로 사용함으로써 GPU 성능을 향상시킨다. 실험 결과, 제안된 기법은 LRR(Loose Round Robin) 정책에 비해 자원 점유실패 사이클이 25.7% 감소하고 IPC(Instruction Per Cycle)가 6.2% 증가한다.

GPUs can provide high throughput with latency hiding by executing many warps in parallel. MSHR(Miss Status Holding Registers) for L1 data cache tracks cache miss requests until required data is serviced from lower level memory. In recent GPUs, excessive requests for cache resources cause underutilization problem of GPU resources due to cache resource reservation fails. In this paper, we propose a new warp scheduling technique to reduce stall cycles under MSHR resource shortage. Cache miss rates for each warp is predicted based on the observation that each warp shows similar cache miss rates for long period. The warps showing low miss rates or computation-intensive warps are given high priority to be issued when MSHR is full status. Our proposal improves GPU performance by utilizing cache resource more efficiently based on cache miss rate prediction and monitoring the MSHR entries. According to our experimental results, reservation fail cycles can be reduced by 25.7% and IPC is increased by 6.2% with the proposed scheduling technique compared to loose round robin scheduler.