Earticle

본 논문은 음성신호를 순환 또는 선형그래프로 모델링하여 노드 특성 추출 및 효과적인 노드 간 관계 분석을 기반으 로 하는 음성감정인식 방법을 제안한다. 제안한 방법은 그래프 데이터를 처리하는 데 있어 각각의 강점을 활용하기 위해 그래프 합성곱 신경망(GCN)과 그래프 어텐션 신경망(GAT) 계층을 결합한다. 구체적으로, GCN을 사용하여 이웃 노드로부터 정보를 집계함으로써 노드 간의 로컬 관계를 포착한다. 또한, GAT 메커니즘을 활용하여 다양한 이웃 노드에 가중치를 부여하여 노드 간의 복잡한 글로벌 관계를 더 잘 포착할 수 있도록 한다. 실험에서는 IEMOCAP 데이터셋을 사용하여 우리의 접근 방식을 검증하고, 감정 인식 작업에서 최신 모델과 견줄 만한 성능을 보여준다. 이 연구 결과는 음성 신호 처리 분야에서 추가 탐구를 위한 새로운 통찰력과 방법론을 제공한다.

This paper proposes a speech emotion recognition method based on modeling speech signals as circular or linear graphs, enabling the extraction of node characteristics and practical analysis of relationships between nodes. The proposed method combines Graph Convolutional Networks(GCN) and Graph Attention Networks(GAT) layers to leverage the strengths of each in processing graph data. Precisely, GCN captures local relationships between nodes by aggregating information from neighboring nodes. The GAT mechanism better captures complex global relationships between nodes by assigning weights to neighboring nodes. Experiments validate our approach using the IEMOCAP dataset, demonstrating performance comparable to state-of-the-art models in emotion recognition tasks. The results of this study provide new insights and methodologies for further exploration in the field of speech signal processing.

무선 통신 기술의 발달에 따라 사물인터넷 분야의 연구가 활발히 진행되고 있다. 하지만 많은 연구들에서 다루는 IoT 플랫폼은 데이터의 시각화 방법보다 전송 방법 및 수집량 증대에 초점을 두고 있다. 많은 양의 데이터를 수집하 더라도 처리가 이루어지는 방식이나 데이터 시각화 방법에 따라 수집한 데이터를 처리하고 분석하는 속도 및 효율성 이 크게 달라진다. 본 논문에서는 데이터의 분석과 처리의 효율 증대 및 시각화에 중점을 두고 오픈 소스 기반 IoT 플랫폼에 시각화 오픈 소스를 연동하는 방법을 제안한다. 제안 방법은 이기종 센서들로부터 Wi-Fi 네트워크를 통해 데이터를 수집하고, 별도로 구현된 대시보드에서 수집한 데이터를 사용하는 형태로 웹 페이지에 결과를 출력한다. 또한 실제 환경에서 플랫폼을 개발/운용하는 과정에 대해 소개한다.

With the development of wireless communication technology, research in the field of IoT is actively progressing. However, IoT platforms covered in many studies focus on increasing transmission method and collection amount rather than data visualization method. Even if a large amount of data is collected, the speed and efficiency of processing and analyzing the collected data vary greatly depending on how processing is performed or data visualization method. In this paper, we propose a method of linking visualization open source to open source-based IoT platform, focusing on increasing the efficiency and visualization of data analysis and processing. The proposed method collects data through a Wi-Fi network from heterogeneous sensors and outputs results on web pages in the form of using data collected from a separately implemented dashboard. It also introduces the process of developing/operating the platform in a real environment.

디지털 포렌식 분석에서 안티-포렌식 기법에 대응해 디지털 증거의 무결성을 유지하는 것이 중요하다. 타임스탬프 가 변조되면 증거 신뢰성이 저하되고 사건 타임라인 구성이 어려워진다. 본 논문은 리눅스와 안드로이드 시스템에서 타임스탬프 변조가 의심될 때 로그 데이터를 수집·분석해 이를 탐지하는 효과적인 기법을 제안한다. 재부팅 시점에 서 타임스탬프 변조 여부를 확인하는 새로운 방법도 제시하여 각 운영체제별 타임스탬프 조작 시점을 효과적으로 파 악한다. Ubuntu와 CentOS 리눅스, 안드로이드 9와 14를 대상으로 실험하여 제안 기법의 유효성을 검증하였다. 본 기법은 여러 운영체제에서 발생할 수 있는 타임스탬프 조작 공격에 대응하고 디지털 증거의 정확성과 신뢰성을 높이는 데 기여할 수 있다.

In digital forensic analysis, maintaining the integrity of digital evidence against anti-forensic techniques is crucial. If timestamps are tampered with, the reliability of the evidence diminishes, complicating the construction of an accurate incident timeline. This paper proposes an effective technique to detect timestamp manipulation by collecting and analyzing log data in cases of suspected tampering in Linux and Android systems. Additionally, we present a new method to verify timestamp manipulation at reboot, identifying tampering times for each operating system. Experiments on Ubuntu and CentOS Linux desktops, as well as Android 9 and 14 phones, demonstrate the technique's validity. This proposed method enhances responses to timestamp manipulation across various OSes, improving the accuracy and reliability of digital evidence.

인스타그램 및 틱톡과 같은 SNS 플랫폼은 이미지 중심의 콘텐츠에 집중하면서 인기를 끌고 있다. 특히 인스타그램 은 밀레니얼 세대 여성들 사이에서 매우 인기 있는 플랫폼으로, 많은 팔로워를 보유한 인플루언서들이 그들의 라이 프스타일을 보여주는 사진을 정기적으로 공유하여 상당한 경제적 수익을 창출하고 있다. 유명 예술가들과 달리, 이 들은 일반 사용자들과 친밀한 소통을 하며 유사한 관점을 자주 공유하기 때문에 더 큰 영향을 미친다. 인스타그램 사진은 여러 프로그램을 통해 자주 편집된다. 이 연구에서는 한국과 미국의 대표적인 장소 해시태그를 사용하여 인 스타그램에 게시된 셀피 사진을 분석했다. AI 기반 기술을 활용하여 얼굴의 수정된 부분과 수정 정도를 나타내는 픽 셀 값을 추출했다. 통계적으로, 특히 볼과 입 부분에서, 문화 간에 얼굴 이미지 보정 행동에 상당한 차이가 있다는 것이 발견되었다. 이러한 결과는 동양 문화권의 사람들이 서양 문화권의 사람들보다 사회적 영향에 더 민감하며, 이 상적인 미의 기준을 추구하는 경향이 증가하고 있음을 나타낸다.

SNS platforms such as Instagram and TikTok are gaining popularity due to their focus on image-centric content. Instagram, a highly popular platform among millennial women, features influencers who have a large number of followers and regularly share photographs showcasing their lifestyle, resulting in substantial economic earnings. In contrast to renowned artists, they engage in intimate communication with regular users and often share similar perspectives, so exerting a more significant influence. Instagram photos are frequently edited using numerous programs. The study analyzed selfie photographs posted on Instagram by using hashtags for typical locations in South Korea and the United States. AI-based systems were employed to extract pixel values that signify the area of the face that was fixed and the extent of the correction. Statistically, it has been discovered that there are considerable variations in face-imaging behavior across different cultures, particularly in the areas of the cheek and mouth. These findings indicate that individuals from Eastern cultures are more susceptible to social influence compared to those from Western cultures and are increasingly striving for an ideal standard of beauty.

인체는 다양한 미세구조들로 이루어지기 때문에 의료용 3D 이미지에서 미세구조를 구역화하는 것이 중요하다. 기 존 구역화 방법은 미세구조가 전체 이미지의 일부만 차지하는 경우에도 이미지 전체를 대상으로 계산을 수행하여 GPU 메모리가 낭비된다. 특히 크기가 큰 3D 이미지에서 이러한 문제점이 심해진다. 이러한 비효율성을 개선하기 위해, 먼저 구역화할 ROI 영역을 식별하고 식별한 영역만 집중적으로 구역화하는 다단계 네트워크 구조를 제시한 다. 이를 통해 ROI와 관련이 적은 이미지 전체를 계산하지 않고, 미세구조만을 집중적으로 구역화할 수 있다. 제안 하는 방법의 정확도를 Dice, IoU, HD95 평가지표를 통해 평가하였고 GPU 메모리 사용량과 구역화 시간을 측정 하여 각 항목에서의 성능을 평가하였다. 실험결과에 따라, 기존모델과 비교하여 정확도는 유지하거나 소폭 상승하였 으며 구역화 시간은 크기가 작은 라벨에서 128%까지 절감되었다. GPU 메모리는 훈련 과정에서 400%, 추론 과 정에서 110%가량 절약하였다.

The human body comprises various microstructures, making the segmentation of these microstructures in medical 3D imaging is crucial. Existing segmentation methods perform calculations on the entire image even when microstructures occupy only a small portion, leading to a waste of GPU memory. This issue is exacerbated in large 3D images. This problem is especially noticeable in large 3D image data. To address this inefficiency, we propose a multi-stage network architecture that first identifies the ROI for segmentation and then focuses on segmenting only these identified areas. This approach allows for focused segmentation of microstructures without processing the entire image, reducing computations unrelated to the ROI. The accuracy of the proposed method was evaluated using Dice, IoU, and HD95 metrics, while GPU memory usage and segmentation time were measured to assess performance in each aspect. According to the experimental results, the accuracy was maintained or slightly improved compared to existing models, and segmentation time was reduced by up to 128% for smaller labels. GPU memory savings were approximately 400% during the training process and 110% during the inference process.

본 논문은 서로 다른 위상 천이 변조(phase shift keying, PSK) 방식을 사용하는 무선 광통신 시스템에서 합성곱 신경망(convolutional neural network, CNN)에 기반하여 대기 난류 채널의 분류 성능을 비교한다. 대기 난류 는 무선 광통신 시스템의 성능 저하를 야기하는 주요 요인 중 하나로, 난류 강도에 따라 약한 난류, 중간 난류, 강한 난류로 구분된다. 본 연구는 PSK 변조 방식을 적용한 무선 광통신 시스템을 대상으로, 수신 신호의 성상도 (constellation diagram)를 입력으로 하는 CNN 모델을 이용하여 난류 채널을 분류하고, 분류 정확도를 비교한 다. 약한 난류 채널을 Log-Normal(L-N) 난류 모델과 Gamma-Gamma(G-G) 난류 모델로 모델링하였으며, 중 간 난류와 강한 난류는 G-G 난류모델로부터 파라미터를 조절하여 모델링한다. 각 난류 강도에 따른 데이터셋을 생 성하여 CNN 모델을 학습하였다. PSK 변조 방식들에 대해 제안된 CNN 모델의 분류 정확도를 비교함으로써, 성 상도 기반 CNN 채널 분류 기법이 PSK 변조 방식에 적용 가능함을 보여준다.

This paper compares the classification performance of atmospheric turbulence channels based on convolutional neural networks(CNNs) in wireless optical communication systems employing different phase shift keying(PSK) modulation schemes. Atmospheric turbulence is one of the primary factors causing performance degradation in wireless optical communication systems, and it is classified into weak, moderate, and strong turbulence based on the intensity. This study focuses on classifying turbulence channels in PSK modulated wireless optical communication systems using a CNN model that takes constellation diagrams of received signals as input and compares the classification accuracy. Weak turbulence channels are modeled using both the Log-Normal(L-N) turbulence model and the Gamma-Gamma(G-G) turbulence model, while moderate and strong turbulence are modeled by adjusting the parameters of the G-G turbulence model. The CNN model is trained using data sets generated for each turbulence intensity. By comparing the classification accuracy of the proposed CNN model across various PSK modulation schemes, the study demonstrates that the constellation diagram-based CNN channel classification technique can be applied to PSK modulation schemes.

국내 금융권은 데이터 보안성을 강화하고 시스템 성능을 유지하며, 특정 클라우드 서비스 제공자(CSP)에 대한 종 속을 방지하기 위해 하이브리드 멀티클라우드 전략을 채택하고 있다. 동시에, 애플리케이션의 현대화를 통해 서비스 제공의 신속성을 향상시키고, 빅테크 및 핀테크 기업과의 경쟁에서 우위를 점하기 위해 클라우드 네이티브화를 빠르 게 추진하고 있다. 본 논문에서는 금융권의 클라우드 네이티브 하이브리드 멀티클라우드 환경을 대상으로 가능한 모 든 보안 위협을 식별 및 분석하여 위협별 보안 요구사항을 도출한다. 이를 위해 먼저 주요 클라우드 보안 사고사례 를 귀납적으로 분석하여 클라우드 사이버 공격 분류 모델을 구성하고, 해당 환경에 연관된 보안 위협을 식별하였다. 또한, STRIDE 위협 모델링 기법을 통해 예측 가능한 환경 전반의 위협을 식별하고, 공격 트리(Attack tree)를 구 축하여 위협별 보안 요구사항을 도출하였다.

The cloud usage environment in the domestic financial sector strategically operates hybrid multi-cloud to increase data security and secure system performance while preventing specific CSP lock-in. In addition, it is rapidly pushing for cloud nativization to increase the speed of service delivery and preoccupy market competition with Big Tech and FinTech as application modernization progresses. This article looks at the cloud-native hybrid multi-cloud environment in the financial sector, identifies and analyzes all possible threats and derives threat-specific security requirements. First of all, major cloud security accident cases were inductively analyzed for security threat analysis, and a cloud cyber attack classification model was established to identify security threats related to the environment. STRIDE threat modeling also identified threats across the most predictable possible environment and constructed an Attack Tree to derive threat-specific security requirements.

기계학습 모델의 예측 결과를 해석하는 데에 있어 설명 가능한 인공지능(explainable artificial intelligence)의 중요성이 커지고 있다. 설명 가능한 인공지능의 주요 기술 중 라임(LIME, Local Interpretable Model-agnostic Explanations)은 복잡한 모델에 대한 사람들의 이해를 돕는다는 점에서 가장 많이 활용되고 있다. 그러나 기존의 라임 분석은 한 번에 하나의 이미지만을 대상으로 분석을 진행하고, 사용자가 라임의 결과를 관찰하고 결과에 영향 을 미치는 요인을 직접 조작할 수 있는 상호작용 메커니즘이 부족하기 때문에 다양한 해석을 하는 데에 한계가 있 다. 이러한 문제를 해결하기 위해 사용자가 여러 개의 라임 결과를 동시에 탐색하고 직접 수정할 수 있는 대화형 시 각화 시스템인 LIMEVis를 도입하여 라임의 분석 수행 과정을 개선했다. LIMEVis를 사용하면 범주 분류 과정에 서 입력 이미지 내에 모델이 주로 고려하는 공통된 특징을 편리하게 식별할 수 있으며, 사용자 상호작용을 통해 입 력 이미지에 약간의 수정을 가해서 라임 결과가 변화하는 과정을 효과적으로 탐색함으로써 이미지의 어떤 특징이 모 델의 분류에 영향을 미치는지 파악할 수 있다.

Explainable artificial intelligence is becoming increasingly important for interpreting the predictions of machine learning models. Among leading techniques for explainable AI, LIME(Local Interpretable Model-agnostic Explanations) is most frequently utilized as it notably helps people's understanding of complex models. However, LIME's analysis is limited in its ability to support multiple interpretations because it analyzes only one image at a time and lacks interaction mechanisms that allows users to observe the results of the LIME and directly manipulate the factors affecting the results. To address these issues, we introduce an interactive visualization tool, LIMEVis, which improves the analysis workflow of LIME by enabling users to explore multiple LIME results simultaneously and modify them directly. With LIMEVis, we could conveniently identify common features in input images that a model seems to mainly consider for category classification. Additionally, by interactively modifying the LIME results, we could determine which segments in an image influence the model's classification.

본 논문은 전력변환기를 포함한 배터리의 충·방전기 회로를 제안하였다. 비 접촉 방식으로 전력을 전송 할 수 있는 무선충전시스템의 전송거리 향상을 위한 새로운 토폴로지를 적용하였고, 스마트 그리드 시대에 대비하여 전력변환기의 충전된 배터리의 에너지를 계통으로 보낼 수 있도록 계통과 양방향 전력 전달이 가능 하게 시스템을 구성하였다. 또한, 고 전력 밀도와 수명 향상을 위한 무선 전력 충 ․ 방전기 회로를 제안하여 최적의 설계 가이드를 이론적으로 제시한 후 실험을 통해 검증하였다. 그 결과 전송거리 향상을 위한 HQ_PWM방식의 설계 가이드를 제시하였고 동작분석을 통해 대용량의 무선전력전송을 구현하였다. 그리고 스마트와 그리드와의 연계를 위한 양방향 단상 계통연계 인버터의 프로토타입을 제작하여 양방향 구성을 검증하였다.

This paper proposes a battery charger/discharger circuit including a power converter. A new topology was applied to improve the transmission distance of the wireless charging system that can transmit power in a non-contact manner. Additionally, in preparation for the smart grid era, a system was constructed to enable power transmission in bi-directional with the grid so that energy from the charged battery of the power converter can be sent to the grid. In addition, a wireless power charger/discharger circuit was proposed for high power density and improved lifespan, and the optimal design guide was presented theoretically and verified through experiments. As a result, a design guide for the HQ_PWM method was presented to improve transmission distance, and large-capacity wireless power transmission was implemented through motion analysis. dditionally, a prototype of a bi-directional single-phase grid-connected inverter for smart and grid connection was produced and the bi-directional configuration was verified.