Earticle

랜섬웨어는 시스템을 사용 불가능한 상태로 만들거나 데이터를 암호화하여 접근 불가능한 상태로 만든 후 금전을 요 구하는 악성 소프트웨어이다. 랜섬웨어로 인한 피해 규모는 시간이 지날수록 커지고 있으며, 그 종류 또한 해가 갈 수록 더욱 다양해지고 있다. 그에 따라 현재까지 다양한 방어기법이 연구되었으며 이후로도 더욱 다양한 방어기법의 연구가 요구되고 있다. 본 논문에서는 기존의 허니팟 기반 방법에 윈도우 이벤트 로그 분석을 결합하여 랜섬웨어의 활동을 신속히 식별하고 차단하는 방법을 제안한다. 또한, 랜섬웨어마다 암호화를 진행하기 위해 접근하는 파일의 순서에 대한 패턴들이 있다는 점을 활용해, 랜섬웨어의 탐지 및 종료 시간을 단축시키는 방법을 제안한다. 다양한 랜섬웨어 샘플에 대해 실험을 진행한 결과, 제안한 기법이 랜섬웨어를 신속하게 탐지하고 종료시킬 수 있음을 확인 하였다.

Ransomware is a malicious software that demands money after making a system unusable or blocking the user's access by encrypting data. The scale of damage caused by ransomware is increasing over time, and its types are also becoming more diverse as the years go by. Various defense techniques have been studied so far, and more extensive research on them is required. In this paper, we propose a new method for ransomware detection and defense by combining window event log analysis with the previous Honeypot-based technique. In addition, we propose a method to shorten the time for detection and termination of ransomware by using the patterns on the order of files accessed by ransomware to proceed with encryption. The experimental results with various ransomware samples demonstrate that the proposed method can detect and terminate ransomware.

클라우드 활용이 급속도로 확대되면서 복잡한 클라우드 네이티브 환경에서 다양한 장애가 발생하고 있다. 따라서 클 라우드 시계열 기반 이상 탐지를 이용하여 보안 침입, 비정상적인 네트워크 활동, 서비스 장애 등 다양한 문제들을 해결하고자 하는 연구들이 진행하고자 한다. 이상 탐지는 시스템의 동작이 이전의 정상 상태와 크게 다른 특정 시간 지점을 파악하는 것이다. 클라우드 자원의 대용량 데이터를 처리하기 위해 기계학습 기술을 활용하기 시작하였으나 레이블이 지정된 데이터가 부족하기 때문에 대부분 이상탐지는 비지도 학습 모델인 딥러닝 방법으로 해결하려는 연 구가 진행되고 있다. 본 연구에도 시계열 이상탐지 관련 선행 연구를 통해 확인된 우수한 성과를 보인 최신 딥러닝 모델들인 LSTM‐AE, GMM‐GRU‐VAE, GDN을 실제 클라우드 운영 환경에서 획득한 시계열 데이터들을 사용하 여 학습시켜서 성능을 비교하였다. GDN 모델이 0.7488 AUPRC 와 0.9894 BestTS F1 점수로 가장 우수한 성 능을 보였으며, 테스트 시간도 10분으로 가장 짧았다. LSTM-AE가 0.7378 AUPRC 와 0.9594 BestTS F1 점 수로 그 뒤를 따른다. GMM-GRU-VAE 모델은 시계열 예측에서 LSTM-AE 보다는 나은 성능을 보였으나, AUPRC 스코어가 0.7229로 가장 낮아 전반적인 성능에서 뒤처졌다. 따라서 클라우드 인프라의 시계열 데이터 분 석에서 GDN 모델이 가장 적합한 것으로 평가되며, 특히 빠른 처리 시간과 높은 예측 정확도를 요구하는 환경에서 유리한 선택임을 확인하였다.

As cloud adoption rapidly expands, various issues are arising in complex cloud-native environments. Therefore, research is underway to address issues like security intrusions, abnormal network activity, and service disruptions using cloud time-series anomaly detection. An anomaly detection is defined as identifying a specific point in time where the system's behavior significantly deviates from its previous normal state. Although machine learning techniques have begun to be utilized to handle large volumes of cloud data, the lack of labeled data has led most anomaly detection research to rely on unsupervised learning models, specifically deep learning methods. This study also trained and compared the performance of state-of-the-art deep learning models with demonstrated effectiveness in previous time-series anomaly detection studies—namely, LSTM-AE, GMM-GRU-VAE, and GDN—using time-series data collected from an actual cloud operating environment. The GDN model achieved the highest performance with an AUPRC of 0.7488 and a BestTS F1 score of 0.9894, with the shortest testing time of just 10 minutes. LSTM-AE followed with an AUPRC of 0.7378 and a BestTS F1 score of 0.9594. The GMM-GRU-VAE model outperformed LSTM-AE in time-series prediction but ranked lowest in overall performance due to its AUPRC score of 0.7229. Therefore, GDN is evaluated as the most suitable model for time-series data analysis in cloud infrastructure, proving advantageous in environments requiring rapid processing time and high predictive accuracy.

본 연구는 금융 시장에서 긍정적인 뉴스 보도를 기반으로 한 투자가 오히려 손실로 이어질 수 있는 역설적 현상을 실증적으로 분석한다. 2023년 한 해 동안 코스피와 코스닥에 상장된 주식 중 주가가 낮은 종목을 대상으로, ChatGPT를 활용하여 뉴스의 감성 점수를 산출하고 주가 하락과의 상관관계를 분석하였다. 연구 결과, 긍정적인 뉴스가 빈번하게 보도된 종목일수록 주가 하락이 더 자주 발생하며, 특히 거래량이 급증한 시점에서 이러한 경향이 더욱 두드러지는 것으로 나타났다. 이는 긍정적인 뉴스에 지나치게 의존하는 투자 전략이 손실을 야기할 수 있음을 경고한다. 본 연구는 뉴스 감성 분석과 거래량 변화율을 활용한 새로운 리스크 관리 및 투자 전략 수립의 필요성을 강조하며, 이러한 요소들이 주가 변동성을 예측하는 데 있어 중요한 지표가 될 수 있음을 시사한다.

This study empirically analyzes the paradoxical phenomenon where investments based on positive news reports in the financial market can lead to losses. The research focuses on stocks with low prices listed on KOSPI and KOSDAQ during the year 2023. Utilizing ChatGPT, sentiment scores of news articles were calculated, and the correlation between these scores and stock price declines was analyzed. The results show that stocks with more frequent positive news reports tend to experience price drops more often, especially when there is a surge in trading volume. This finding warns that investment strategies overly reliant on positive news may result in losses. The study highlights the need for new risk management and investment strategies that incorporate news sentiment analysis and trading volume changes, suggesting that these factors could be crucial indicators in predicting stock price volatility.

딥러닝 기반 의료 영상 판독 소견서 생성 연구는 최근 몇 년간 의료 영상 분석 분야에서 중요한 발전을 이루었으며, 주로 비전 모델과 언어 모델의 융합에 초점을 맞춰왔다. 이러한 연구는 의료 전문가들의 업무 효율성을 높이고, 진 단의 일관성을 향상시키며 오류를 줄이는 데 기여할 것으로 기대된다. 본 논문에서는 자연어 처리 기술과 의료 영상 분석 기술의 융합을 통해 흉부 방사선 영상에 대한 판독 소견서를 자동으로 생성하는 최근 연구들을 소개하고, 이를 위한 주요 딥러닝 모델과 공용 데이터셋인 MIMIC-CXR 및 IU-Xray를 활용하여 성능 비교를 수행하였다. 성능 분석 결과, MIMIC-CXR 데이터셋에서는 RGRG 모델이 BLEU-4에서 0.126의 점수로 우수한 성능을 보였으며, IU-Xray 데이터셋에서는 COMG 모델이 BLEU-4에서 0.206을 기록하였다. 연구 결과, 각 모델이 특정 지표에서 강점을 보이는 반면, 데이터 불균형 및 개인정보 보호 문제와 같은 한계가 존재함을 확인하였다. 이를 바탕으로 향 후 연구의 발전 방향을 제시하며, 이러한 기술이 임상 현장에서 실질적으로 적용될 수 있는 가능성을 논의한다.

Research on deep learning-based automatic generation of radiology reports has seen significant advancements in recent years, with a primary focus on the integration of vision and language models. These advancements are expected to enhance the efficiency of medical professionals, improve diagnostic consistency, and reduce errors. In this paper, we introduce recent studies that combine natural language processing and medical image analysis techniques to automatically generate radiology reports for chest X-rays. Using key deep learning models and public datasets, including MIMIC-CXR and IU-Xray, we conducted a comparative performance evaluation. The analysis shows that on the MIMIC-CXR dataset, the RGRG model achieved superior performance with a BLEU-4 score of 0.126, while on the IU-Xray dataset, the COMG model recorded a BLEU-4 score of 0.206. Our findings reveal that while each model excels in specific evaluation metrics, limitations such as data imbalance and privacy concerns persist. Based on these findings, we propose future research directions and discuss the potential for these technologies to be practically applied in clinical settings.

전 세계 항공 기업과 국가 기관들은 수십 년간 안전 보고서를 작성하고 이를 분석하여 항공 사고 예방을 위해 지속 적으로 노력해왔다. 그러나 보고서의 규모가 방대해지고 내용이 복잡해짐에 따라 수동 분석만으로는 한계가 있다. 또한, 보안상의 이유로 웹에서 서비스하는 대형 언어 모델의 사용이 어려운 경우가 많다. 이러한 문제를 해결하기 위해 본 논문에서는 항공 안전사고 보고서에서 사고 원인을 추출하기 위해 항공 도메인에 특화된 자연어 처리 모델 인 AirGemma를 제안한다. AirGemma는 Gemma2-2B 모델을 기반으로 항공 도메인 데이터를 활용한 DAPT (Domain Adaptive Pre-Training) 기법을 적용해 항공 도메인 이해도를 향상시켰다. 이후 PEFT(Parameter Efficient Fine-Tuning) 기법을 활용한 미세조정을 통해 사고 원인 추출 성능을 높였다. 실험 결과, AirGemma 가 사전학습과 미세조정을 적용하지 않은 모델 대비 F1-score, ROUGE, BLEU 지표에서 우수한 성능을 기록했 다. 또한 GPT-4를 평가자로 사용한 쌍대비교 결과, AirGemma는 GPT-3.5 Turbo보다 높은 승률을 기록했고 단 일 답변 평가 결과 LLaMA3-70B와 GPT-3.5 Turbo에 비해 사고 원인 분석에 있어 더 높은 사실성 점수를 보였 다. 이러한 결과는 항공 도메인에 특화된 모델이 사고 원인 식별에 효과적임을 입증한다. AirGemma는 항공 산업 데이터의 보안 및 제한 조건을 고려하여 로컬 환경에서 안전하게 동작할 수 있도록 설계되었으며, 항공 안전사고 분 석 및 예방을 위한 새로운 접근 방안을 제시한다.

Analysis of safety accident reports is crucial for global aviation companies and national agencies to prevent aviation accidents. However, with increasing volume and complexity of these reports, manual analysis has its limitations. Moreover, due to security concerns, using large-scale language models served through the web is often not inapplicable. To address these challenges, this paper proposes a domain-specific natural language processing model called AirGemma, which is specifically designed to extract accident causes from aviation safety reports. AirGemma is built upon the Gemma2-2B model and enhances its domain understanding through Domain Adaptive Pre-Training(DAPT) using aviation-specific data. The performance of the proposed model is further improved by applying Parameter Efficient Fine-Tuning(PEFT). Experimental results show that AirGemma outperforms models without pre-training and fine-tuning in terms of F1-score, ROUGE, and BLEU metrics. Additionally, comparative evaluations using GPT-4 as a judge reveal that AirGemma achieves a higher win rate than GPT-3.5 Turbo, and in single-answer assessments, it demonstrated greater accuracy in accident cause analysis conpared to both LLaMA3-70B and GPT-3.5 Turbo. These findings demonstrate that AirGemma is effective in identifying accident causes within the aviation domain. Designed to operate securely in a local environment, AirGemma offers a new approach to aviation safety accident analysis and prevention.

최근 발전한 언어 모델을 이용하여 다양한 전문 분야의 연구에 활용하고자 하는 시도가 계속되고 있다. 본 논문에서 는 경영학 도메인에 특화된 경량 언어 모델을 이용하여 경영학 논문의 초록을 이해하고 향후 연구에 도움이 될 수 있음을 보였다. 먼저, 경영학에 특화된 언어 모델의 논문 초록 문장에 대하여 Perplexity로 측정되는 이해도가 특 화되지 않은 모델에 비해서 60% 정도 향상되었음을 보였다. 이를 이용하여 각 논문의 유사도를 비교함으로써 학술 지 사이의 관계를 파악하였다. 마지막으로 특화 모델이 경영학적으로 의미를 갖는 단어를 선택함에 있어서 70%의 정확도를 보였는데, 이는 학문적인 가설 도출이나 지식 축적에 도움이 될 수 있다. 본 논문의 결과는 대규모 모델을 사용하기 어려운 경영학 분야의 연구뿐만 아니라 다른 전문 분야의 연구에도 적용되어, 학문과 기술의 발전을 가속 화 할 수 있을 것으로 기대된다.

Recent advancements in language models have led to ongoing efforts to apply them in various specialized research fields. In this paper, we demonstrate the potential of lightweight language models specific in the domain of management to understand the abstracts of research papers. First, we show that the understanding of sentences in abstracts by the specific language models improve by approximately 60% compared to general models. Using these models, the similarities between papers were compared, revealing relationships among academic journals. Finally, the specific models achieve an accuracy of 70% in selecting words that are meaningful in management contexts, which could assist in formulating academic hypotheses and accumulating knowledge. The findings of this paper are expected to apply not only to research in the field of management but also to other specific fields, thereby accelerating the advancement of academia and technology.

데이터를 활용한 디지털 기술의 발전은 데이터 소유자와 소비자 모두에게 새로운 기회를 제공하고 있다. 하지만 데 이터 보호와 개인정보 침해의 문제는 여전히 데이터 활용의 잠재력을 제한하고 있다. 개인정보보호법과 GDPR(General Data Protection Regulation) 등 법적 규제들은 데이터 보호와 개인 정보 관리의 기준을 제시 하지만, 여전히 복잡한 설계, 부인방지 등의 문제에 대한 기술적 해결책이 필요하다. 이에 본 논문은 블록체인을 활 용한 자율적 사용자 동의 기반 개인 데이터 처리 시스템을 제안한다. 이 시스템은 개인정보보호 법규들을 준수하면 서도, 블록체인의 부인방지 기능을 통해 데이터 유출이나 악용 시 책임을 명확히 할 수 있다.

The advancement of digital technologies driven by data utilization offers new opportunities for both data owners and consumers. However, issues related to data protection and privacy breaches continue to limit the potential of data usage. Legal frameworks such as the Personal Information Protection Act and the General Data Protection Regulation(GDPR) provide guidelines for data protection and privacy management, but technical solutions are still needed to address challenges like complex system design and non-repudiation. In response, this paper proposes a blockchain-based autonomous user-consent personal data processing system. This system complies with privacy regulations while leveraging blockchain’s non-repudiation features to clarify accountability in cases of data breaches or misuse.

본 논문은 Stability AI의 최신 모델인 Stable Diffusion 3 Medium을 활용하여 고서의 이미지를 생성하는 방법 에 대해 제안한다. 고서의 텍스트를 기반으로 한 이미지 생성 과정에서 Stable Diffusion 3 Medium과 OpenAI 의 DALL-E 모델을 비교 평가하였다. 실험에서는 고서의 원문, 한글 번역문, 영어 번역문을 각각 텍스트 입력으로 사용하여 두 모델의 이미지 생성 결과를 분석하였다. Stable Diffusion 3 Medium은 고서의 내용을 보다 정확히 반영한 이미지를 생성하는 데 있어 우수한 성능을 보였다. 특히, 한글 번역문을 사용한 경우, 고서의 내용을 충실히 반영한 이미지를 생성하였다. 반면, DALL-E는 텍스트의 특정 부분을 강조하여 이미지를 생성하였다. Stable Diffusion 3 Medium은 DALL-E에 비해 보다 일반적인 해석을 통해 이미지를 생성하는 경향이 있었으며, 고서의 시각적 세부 사항을 더 잘 재현하였다.

This paper proposes a method for generating images of historical texts using Stability AI’s latest model, Stable Diffusion 3 Medium. The paper compares the image generation capabilities of Stable Diffusion 3 Medium and OpenAI’s DALL-E model based on the text of historical documents. Experiments involved using the original text, Korean translation, and English translation of the historical document as input for both models, analyzing the results. Stable Diffusion 3 Medium demonstrated superior performance in accurately reflecting the content of the historical texts, particularly excelling with the Korean translation. In contrast, DALL-E highlighted specific parts of the text in its images. Stable Diffusion 3 Medium generally provided a more comprehensive interpretation of the text, better reproducing visual details.

본 논문은 Vehicular Ad-Hoc Networks(VANETs) 환경에서 NFT와 블록체인 연동을 고려한 인센티브 메커니 즘 접근 방식을 제시하였으며, 고속 이동과 불안정한 네트워크 특성으로 인해 어려움을 겪는 차량 간 데이터 공유 문제를 해결하기 위해서 Non-Fungible Token (NFTs)와 스마트 계약 기술을 활용하였다. 연구의 핵심은 차량이 도로에서 수집하는 데이터는 가치 있는 자산으로 변환됨을 고려하였으며, 스마트 계약을 통해 수집된 데이터는 NFTs로 전환하고, 이를 기반으로 차량 운전자들에게 실질적인 보상이 제공하도록 하였다. 이때 주목할 만한 점은 이 시스템의 자동화된 프로세스로써, 데이터 공유부터 NFTs 생성, 보상 지급까지 모든 과정이 투명하고 안전하게 진행되며, 차량 운전자들은 자신이 제공한 데이터에 대해 공정한 보상이 보장되며, 따라서 향후 VANETs 네트워크 의 참여도와 효율성을 크게 높일 것을 기대한다. 본 논문은 기술적 제안 이외에 향후 교통 데이터 처리의 새로운 방 향성을 제시하며, 교통 데이터의 가치를 다시 정의하였으며 참여자들에게 실질적인 인센티브를 제공함으로써 협력 적이고 효율적인 VANETs 환경을 제시하였다.

This study presents an incentive mechanism that explores the integration of Non-Fungible Tokens (NFTs) and blockchain in the context of Vehicular Ad-Hoc Networks (VANETs). It utilizes NFTs and the smart contract technology to address the challenges for data sharing in vehicle, which are exacerbated by high-speed movement and unstable networks. The core premise in this study is that the data which is collected by vehicles; it is transformed in valuable assets. Data gathered through a smart contract is converted into NFTs which is enabling real compensation for vehicle users. A noteworthy aspect of this system is its automated process, ensuring that each step is transparent and secure. This guarantees fair compensation provided by vehicle drivers which is expected to enhance participation and efficiency within the VANETs in the future. In this paper, it proposes a new paradigm for the future traffic data, moving beyond a simple technical proposal. It advocates for a cooperative and efficient VANETs by redefining the value of data and offering tangible incentives to participants.

언어와 생활 문화가 다른 외국인들은 행정적, 법적, 사회적 문제를 해결하는 과정에서 언어 장벽과 복잡한 절차로 인해 지속적으로 어려움을 겪고 있다. 본 연구는 이러한 문제를 해결하기 위해 AI와 지식공간 이론을 결합한 플랫폼 설계 방안을 제안하며, 이를 통해 기존 플랫폼 방식보다 사용자 지식 상태를 체계적으로 분석하고 효율적인 맞춤형 서비스를 제공할 수 있음을 입증한다. 제안된 플랫폼은 지식공간 이론을 활용하여 외국인의 지식 상태를 세밀히 모 델링하고, AI 기술을 통해 실시간으로 변화하는 사용자 요구를 예측 및 반영한다. 또한, 적응형 테스트와 전제 관계 기반 알고리즘을 적용하여 정보를 제공하고 행정 절차를 자동화함으로써 사용자 경험의 효율성과 정확성을 대폭 향 상시킨다. 이러한 방식은 기존 플랫폼이 제공하지 못했던 고도화된 맞춤형 서비스와 정보 전달 방식을 구현함으로써 외국인이 일상적으로 필요한 정보를 신속히 얻고 복잡한 행정 절차를 간소화할 수 있도록 돕는다. 본 연구는 AI와 지식공간 이론의 통합이 체류 외국인의 생활 편의성과 정착 효율성을 높이는 데 크게 기여할 수 있음을 시사한다.

Foreigners with different languages and cultural backgrounds often face persistent challenges due to language barriers and complex procedures when addressing administrative, legal, and social issues. This study proposes a platform design that integrates AI and knowledge space theory, demonstrating clear advantages over conventional platforms by systematically analyzing user knowledge states and delivering highly efficient, customized services. The proposed platform utilizes knowledge space theory to precisely model the knowledge states of foreign users and employs AI to dynamically predict and adapt to their evolving needs in real time. Furthermore, it incorporates adaptive testing and prerequisite-based algorithms to streamline information delivery and automate administrative processes, significantly enhancing user experience in terms of efficiency and accuracy. By implementing advanced personalized services and optimized information pathways that surpass the capabilities of existing platforms, this approach enables foreigners to quickly access essential information and simplify complex administrative tasks. The findings of this study highlight the substantial potential of integrating AI and knowledge space theory to improve the quality of life and settlement outcomes for foreign residents.