Earticle

본 논문은 도금 공정의 효율성과 품질을 향상시키기 위해 한국 AI 제조 플랫폼(KAMP)과 지능형 센싱 시스템의 통 합을 제안하였다. 연구 내용은 도금조와 스팀 보일러에 부착된 지능형 센서와 AI 기반 분석을 활용하여 운영 매개변 수를 최적화하고, 결함을 감소시키며, 전반적인 생산성을 개선하는 데 중점을 두었다. IoT 센서에서 수집된 실시간 데이터를 이용하여 예측 유지보수 및 자동 품질 관리를 가능하게 함으로써, 공정의 안정성, 에너지 효율성 및 환경 규정 준수에서 현저한 개선을 보여주며, 금속 도금 산업에서 스마트 제조 실천의 진전을 이루는 데 기여할 것으로 기대한다.

This paper proposes the integration of the Korea AI Manufacturing Platform(KAMP) and intelligent sensing systems to enhance the efficiency and quality of plating processes. The research focuses on optimizing operational parameters, reducing defects, and improving overall productivity using intelligent sensors attached to plating baths and steam boilers, along with AI-based analytics. Utilizing real-time data collected from IoT sensors enables predictive maintenance and automated quality control, significantly improving process stability, energy efficiency, and environmental compliance. These advancements are expected to contribute to the progress of smart manufacturing practices in the metal plating industry.

본 연구는 의료 시뮬레이션에서 절개 및 봉합과 같은 위상 변화를 효과적으로 처리하기 위한 볼륨 변형 가시화를 개 선하는 방법을 제안한다. 병렬 리샘플링을 적용하여 실시간 고해상도 볼륨 변형이 가능하다. 본 연구는 병렬 리샘플 링 기법 적용 시 단면에서 발생하는 노이즈에 주목하여 노이즈의 발생 원인을 분석하고, 노이즈를 줄이기 위한 두 가지 방법을 제안한다. 우선, 볼륨 가시화시 그라디언트 계산에서 오차가 발생하는 것에 착안하여 전체 탐색 마스크 를 이용하는 방법을 제안하고, 이어서 더 효율적인 십자 마스크를 제안하여 단면 영역을 검출하고 조명 연산에서의 오류를 방지한다. 실험 결과, 제안된 방법은 단면에서의 화질이 개선됨을 확인하였고, 십자 마스크는 전체 탐색 마 스크에 비해 효율적인 연산이 가능한 것으로 나타났다.

This study proposes an improved volumetric deformation visualization method to effectively handle topological changes, such as cutting and suturing, in medical simulations. By applying a parallel resampling technique, real-time high-resolution volumetric deformation is achieved. This research focuses on the noise that occurs in cross-sections during parallel resampling and analyzes its causes. To reduce this noise, two methods are proposed. First, recognizing errors in gradient calculations during volume rendering, a full-search mask method is introduced. Then, a more efficient crossmask method is proposed to detect cross-section regions and prevent errors in lighting calculations. Experimental results confirm that the proposed methods enhance cross-sectional image quality, and the cross-mask method demonstrates higher computational efficiency compared to the full-search mask method.

비지상 네트워크는 차세대 통신 기술로, 위성, 고고도 플랫폼 등을 통해 글로벌 연결을 제공한다. 이는 외곽 지역, 먼바다, 영공 등에서 통신을 지원하며, 자율 주행 차량 및 분쟁 혹은 재난 지역 원격 의료 서비스와 같은 최첨단 애 플리케이션을 가능하게 한다. 비지상 네트워크는 높은 데이터 속도, 시스템 용량, 스펙트럼 효율성, 낮은 지연 시간 을 제공하여 넓은 커버리지와 원활한 연결성을 목표로 한다. 하지만, 보안 및 개인정보 보호 문제를 해결하기 위해 새로운 인증 프로토콜이 필요로 한다. 이 논문은 이러한 요구를 충족하는 인증 프로토콜을 제안하며, 이에 정형화 검증 도구인 Scyther를 통하여 보안성 검증을 진행한다.

Non-Terrestrial Network is a next generation communication technology that provides global connectivity via satellites High Altitude Platform Stations etc. NTN can support communications in remote areas, ocean and airspace, and enables cutting-edge application such as self-driving car and remote medical services in war or disaster areas. NTN aims to provide wide coverage and seamless connectivity by providing high data transfer rate, system capacity, spectrum efficiency, and low latency. However, these advancements require new authentication protocols to address security and privacy issues. This paper proposes an authentication protocol that satisfies these requirements, and verifies its security using formal verification tools Scyther.

본 연구는 물류산업 혁신을 위한 오픈랜(Open-RAN) 기반 Private 5G망 도입 방안을 제시한다. 오픈랜은 무선접 속망(RAN) 영역에서 다양한 공급업체의 장비를 상호운용할 수 있는 개방형 표준으로, 물류단지의 디지털 전환에 중요한 인프라로 주목받고 있다. 최근 물류산업은 AI, IoT, 자율주행 로봇 등 첨단기술 도입이 가속화되면서 초저 지연, 초고속, 초연결 특성을 갖춘 5G 네트워크의 필요성이 증대되고 있다. 특히 ChatGPT와 같은 생성형 AI를 활용한 자율 제어/관리 모델과 디지털 트윈을 위한 초실감형 3D 시각화 기술은 물류센터의 효율성을 크게 향상시키 는 핵심 요소로 부각되고 있다. 본 연구에서는 오픈랜 기술 현황과 물류기술 동향을 분석하고, 스마트 물류 환경 구 축에 적합한 Private 5G망 도입 방안과 활용 사례를 제시한다. 오픈랜 기반 Private 5G망은 원격 장비 제어, 자 율주행 로봇 운영, AI 기반 물류 관리 등 첨단 물류 서비스 지원에 효과적인 것으로 나타났다. 본 연구는 물류산업 의 디지털 혁신을 위한 네트워크 인프라 구축 전략 수립에 기여할 것으로 기대된다.

This study proposes an implementation approach for an Open-RAN based Private 5G network for logistics industry innovation. Open-RAN is an open standard that enables interoperability between equipment from various suppliers in the Radio Access Network (RAN) domain, and is gaining attention as a crucial infrastructure for digital transformation in logistics complexes. Recently, as the logistics industry accelerates the adoption of advanced technologies such as AI, IoT, and autonomous robots, the need for 5G networks with ultra-low latency, ultra-high speed, and hyper-connectivity characteristics has increased. In particular, autonomous control/management models utilizing generative AI like ChatGPT and hyper-realistic 3D visualization technology for digital twins are emerging as key elements that significantly improve logistics center efficiency. This study analyzes the current status of Open-RAN technology and logistics technology trends, and presents implementation methods and use cases for Private 5G networks suitable for building smart logistics environments. The Open-RAN based Private 5G network was found to be effective in supporting advanced logistics services such as remote equipment control, autonomous robot operation, and AI-based logistics management. This study is expected to contribute to the development of network infrastructure strategies for digital innovation in the logistics industry.

본 연구는 캘리포니아 전력거래소(California Independer System Operator, CAISO)의 익일 시장 가격 (Day-Ahead Market Price) 데이터를 활용하여 지역별 한계 가격제(Locational Marginal Price, LMP)를 예 측하기 위한 CNN-GRU 하이브리드 딥러닝 모델과 LSTM 모델을 비교하여 분석하였다. 고속 푸리에 변환(Fast Fourier Transform, FFT) 기반 노이즈 제거, 지연(Lag)·이동 평균(Rolling mean) 통계, 사인 코사인(Sine/ Cosine) 인코딩 등 시계열 전처리를 거쳐, 단기(7일)·중기(30일)·장기(90일) 예측 구간별 Optuna 자동 탐색 도 구를 통해 하이퍼파라미터를 자동 탐색하였다. 그 결과, 단기 예측에서는 LSTM이 평균 절댓값 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE)에서 다소 유리했으나, 중기· 장기 구간에서는 CNN-GRU 결합 모델이 대칭 평균 절대 백분율 오차(Symmetric Mean Absolute Percentage Error, SMAPE) 기준으로 상대적 오차를 효과적으로 제어함을 확인하였다. 향후 날씨·경제 지표 등 외부 요인을 추가 반영하고 트랜스포머(Transformer)·어텐션(Attention) 구조를 결합해 지역별 한계 가격제 예측 정확도를 더욱 높일 수 있는 후속 연구를 제안한다.

This study proposes a CNN-GRU hybrid deep learning model for forecasting the Locational Marginal Price(LMP) using Day-Ahead Market Price data from the California Independent System Operator(CAISO). The time series data underwent preprocessing steps, including FFT-based noise reduction, Lag and Rolling statistics, and Sine/Cosine encoding. Hyperparameters were automatically optimized using Optuna for short-term(7-day), mid-term(30-day), and long-term(90-day) forecasting horizons. While LSTM slightly outperformed in MAE and RMSE for short-term forecasts, CNN-GRU better controlled SMAPE in mid- and long-term predictions. Future research will explore integrating external factors such as weather and economic indicators, as well as incorporating Transformer and Attention mechanisms to further enhance LMP forecasting accuracy.

클라우드 컴퓨팅과 사물인터넷 기술의 발전과 함께 클라우드 컴퓨팅의 분산 확장 모델인 포그 컴퓨팅이 주목받으면 서 IoT 기반 대규모 분산 환경에서 유용하게 활용되고 다양한 연구가 이루어지고 있다. 그러나 이러한 환경의 네트 워크와 엣지 장비의 취약점을 악용한 사이버 공격 가능성이 증가하며 보안 문제가 더욱 복잡해지고 있다. 이에 본 연구에서는 TON_IoT 데이터셋을 활용한 지도학습 기반 IDS와 디셉션 기법을 결합한 보안 아키텍처를 제시한다. 특정 칼럼의 라벨 인코딩 과정에서 키워드 기반 전처리를 수행하고, 시뮬레이션 데이터를 학습에 포함하여 IDS 성 능을 개선하였다. 또한, 포그 컴퓨팅 환경에 적합한 침입 탐지 시스템 모델을 선정하기 위해 추론 시간을 분석하고 지연 시간을 줄이기 위한 리다이렉션 방법을 제시하였다. 그러나 MitM 데이터의 과적합 문제, 제로데이 공격 탐지 한계, 리다이렉션 방법에 대한 추가 검증은 추후 연구에서 해결해야 할 과제이다.

As cloud computing and Internet of Things technologies advance, fog computing as a distributed extension model of cloud computing is gaining attention and is being widely used in large-scale IoT-based distributed environments with many research efforts underway. However, these environments face increasing cybersecurity challenges due to vulnerabilities in networks and edge devices. To address these issues, this study presents a security framework integrating a supervised learningbased intrusion detection system trained on the TON_IoT dataset with deception techniques. The IDS performance was improved by performing keyword-based preprocessing during label encoding of specific columns and including simulation data in training. And to select an IDS model suitable for the fog computing environment, we analyzed the inference time and proposed a redirection method to reduce latency. However, overfitting of MitM data, limitations in detecting zero-day attacks, and further validation of redirection methods are challenges for future works.

해상 환경은 국제 무역, 운송, 자원 개발 및 해양 관광 등 다양한 산업 분야에서 경제적으로 중요한 역할을 담당하고 있다. 이러한 경제적·산업적 중요성으로 인해 자율 운항 선박 및 자율 운항 솔루션에 대한 관심이 급증하고 있다. 해상 환경은 일반적인 데이터와는 차별화된 특수한 정보들을 다수 포함하고 있으나, 이러한 해상 특화 데이터를 효 과적으로 처리할 수 있는 모델 및 시스템은 여전히 제한적이다. 본 연구에서는 이러한 한계를 극복하기 위해 해상 교통상의 멀티모달 종합 추론 항해 지원 시스템을 제안한다. 제안된 시스템은 실제 항해사가 선박을 운항하는 방식 과 유사하게 AIS(Automatic Identification System) 데이터 기반의 해상 지도 동영상과 전방 카메라 항해 동영 상을 동시에 처리하며, 항해 법규를 고려한 의사결정을 지원한다. 또한 다양한 모달리티의 정보를 상호 보완적으로 활용하여 해상 환경의 특수성을 반영한 종합적 추론 체계를 구축함으로써, 보다 안전하고 효율적인 항해 지원 솔루 션을 제공할 수 있다.

The maritime environment plays an economically important role in many industries, including international trade, transportation, resource exploitation, and marine tourism. This economic and industrial importance has led to a surge in interest in autonomous ships and autonomous navigation solutions. The maritime environment contains a lot of specialized information that is different from general data, but there are still limited models and systems that can effectively process such maritime-specific data. To overcome these limitations, this study proposes a multimodal comprehensive reasoning navigation support system for maritime traffic. The proposed system simultaneously processes nautical map videos and front camera navigation videos based on AIS (Automatic Identification System) data, and supports decision-making considering navigation laws and regulations. By complementarily utilizing information from various modalities to build a comprehensive reasoning system that reflects the specificity of the maritime environment, it can provide a safer and more efficient navigation support solution.

기존의 사람 중심 거리 추정 연구는 대규모 학습 데이터를 필요로 하여 데이터 수집 및 학습에 많은 시간이 소요되 며, 제한된 학습 데이터셋에서는 성능이 저하되는 경향이 있다. 본 연구에서는 CCTV 환경에서 제한된 학습 데이터 로도 유의미한 성능을 발휘하는 사람 중심 거리 추정 시스템을 제안한다. 이 시스템은 불필요한 라벨링 과정을 최소 화하고 짧은 학습 시간으로 신속하게 구축할 수 있으며, 효율적인 거리 정보 추출이 가능하다. 이를 위해 객체 인스 턴스 분할 알고리즘(또는 객체 탐지 알고리즘)과 깊이 추정 알고리즘을 결합하여 CCTV로부터 사람까지의 수평 거 리를 효과적으로 예측한다. 결론적으로, 본 시스템은 단 30장의 적은 학습 데이터만으로 GT 바운딩 박스 사용시 1.455 MAE 및 8.196% MAPE 결과를 달성했으며, 실사용 환경을 객체 탐지 모델을 사용한 결과 결과 2.331 MAE 및 11.895% MAPE를 달성하였으며, 향후 스마트 시티와 같은 실제 응용 분야에서 중요한 기술적 기반을 제공할 것으로 기대된다.

Conventional human-centric distance estimation methods typically require large-scale training datasets, leading to substantial time investments in data collection and training while suffering from degraded performance when only limited data are available. In this study, we propose a humancentric distance estimation system for CCTV environments that achieves notable performance even with a small amount of training data. By minimizing unnecessary labeling processes and reducing training time, the proposed system can be quickly deployed and efficiently extracts distance information. To this end, we combine an object instance segmentation (or object detection) algorithm with a depth estimation algorithm to effectively predict the horizontal distance from the CCTV to a person. As a result, the system achieved a 1.455 MAE result when using GT bounding boxes with only 30 training images, and in practical usage environments using object detection models, it achieved a 2.331 MAE result, indicating its potential to serve as a critical technological foundation for real-world applications such as smart cities.

본 연구는 기존의 "CCTV 장면에서의 물피도주 차량 탐지 자동화 시스템"을 개선한 시스템을 제안한다. 물피도주는 주차된 차량에 충돌사고를 내고 현장을 이탈하는 행위로, 매년 증가하고 있으나, 현재 수사 방식은 수사관이 CCTV 영상을 장시간 직접 분석해야 하는 비효율적인 과정을 포함한다. 개선된 시스템은 기존 시스템의 주요 약점인 영상 처리 속도, 주변 객체에 의한 오검출, 그리고 복잡한 알고리즘 구조를 해결하였다. 특히 광학 흐름 계산 알고리즘을 최적화하고, 벡터화 연산을 도입하여 처리 효율을 높였으며, 프레임 간격 샘플링 기법으로 분석 시간을 단축시켰다. 주요 개선점으로 기존 시스템에서 사용하던 복잡한 깊이 추정 모델을 완전히 제거하고, 2D 평면상의 객체 위치와 움직임 분석을 통해 사고 시점을 더 정확히 식별하는 단순화된 접근 방식을 도입하였다. 이를 통해 계산 복잡성이 크게 감소하고 알고리즘의 효율성이 향상되었다. 실험 결과 개선된 시스템은 이전 시스템에 비해 효율적인 처리가 가능하며, 특히 야간 영상에서의 오검출이 67% 감소하였다. 또한 모든 테스트 영상에서 사고 시점을 우수한 정확 도로 탐지하였으며, 본 시스템의 개선은 물피도주 사건의 수사 효율성 향상에 기여할 것으로 기대된다.

This research proposes an improved system for the "automatic hit-and-run vehicle detection system in CCTV footage." Hit-and-run incidents involve collisions with parked vehicles followed by fleeing the scene, which has been increasing annually. However, the current investigation method includes inefficient processes, such as investigators having to analyze CCTV footage manually for long periods. The improved system addresses key weaknesses of the existing system, such as video processing speed, false detection caused by surrounding objects, and complex algorithm structures. In particular, the optical flow calculation algorithm was optimized, and vectorized operations were introduced to improve processing efficiency. Additionally, the use of frame interval sampling techniques shortened analysis time. A major improvement involved completely removing the complex depth estimation model previously used in the system, and adopting a simplified approach that more accurately identifies the accident point through the analysis of object positions and movements on a 2D plane. As a result, computational complexity was significantly reduced, and the algorithm's efficiency was enhanced. Experimental results show that the improved system provides more efficient processing compared to the previous system, with a 67% reduction in false detections in nighttime footage. Moreover, it accurately detects the accident points across all test videos, and the improvements made to the system are expected to contribute to enhancing the efficiency of investigations into hit-and-run incidents.