Earticle

최근 Android OS가 차량 인포테인먼트 시스템인 Android Automotive OS(AAOS)로 확장되면서 이를 탑재한 차량이 빠르게 증가하고 있다. 그러나 이러한 변화는 OS의 취약점을 악용한 악성 앱 설치와 권한 탈취를 통한 CAN 패킷 주입 등의 보안 위협을 초래할 수 있다. 본 연구에서는 AAOS 기반 차량의 보안 강화를 위해 악성 앱과 악성 CAN 패킷을 동시에 탐지할 수 있는 클라우드 기반 통합 보안 소프트웨어 프레임워크를 설계하였다. 제안된 프레임워크는 시그니처 기반 및 기계학습 기반 탐지를 결합한 악성 앱 탐지 모듈과 CAN 패킷의 필드 값 패턴을 분 석하는 악성 CAN 패킷 탐지 모듈로 구성된다. 이 모듈들은 차량 인포테인먼트 시스템에 단일 에이전트로 설치되어 실시간 탐지를 수행하며, 클라우드 자원을 활용한 분산 처리를 통해 차량의 제한된 연산 자원 문제를 해결한다. 본 연구는 차량 내 악성 소프트웨어와 네트워크 공격에 대한 통합 탐지 체계를 제시함으로써 AAOS 탑재 차량의 보안 성 강화에 기여할 것으로 기대된다.

Recently, as Android OS evolves into Android Automotive OS (AAOS) for in-vehicle infotainment systems, the number of vehicles adopting this system is rapidly increasing. However, this shift introduces security vulnerabilities that can be exploited to install malicious apps or inject CAN packets through privilege escalation. This study designs a cloud-based integrated security software framework for AAOS-based vehicles that can simultaneously detect both malicious apps and CAN packets. The proposed framework consists of a malicious app detection module combining signature-based and machine learning-based detection approaches and a malicious CAN packet detection module that analyzes field value patterns in CAN packets. These modules operate as a single agent installed on the vehicle's infotainment system for real-time detection, while addressing the limited computational resources of vehicles through distributed processing with cloud computing. This research contributes to enhancing the security of AAOS-equipped vehicles by providing an integrated detection system for both in-vehicle malicious software and network attacks.

블록체인 기술은 의료 분야 통합에 이용되어지고 있으며, 데이터 관리에서 보안, 투명성, 그리고 환자 자율성을 해 결할 수 있는 솔루션을 제공해 왔다. 그러한 데이터 관리의 분산화 및 불변성, 보안 및 투명성, 환자 자율성, 운영 효율성 및 비용 효율성 문제를 해결하기 위하여, 본 논문에서는 사용자 동의를 관리하고 스마트 계약을 활용하여 환 자 데이터의 분산형, 불변성, 그리고 투명한 처리를 가능하게 하는 블록체인 기반 프레임워크를 제안하였다. 제안한 시스템은 환자와 의료기관 또는 병원 간의 계약 조건을 존중하면서, 사용자에게 자신의 데이터에 대한 통제권을 부 여하여 권한을 강화하고, 나이브 베이즈 알고리즘을 통해 조건을 관리하며 사용자 동의 조건을 검증함으로써, 안전 성과 운영 효율성을 보장하였다. 실험 결과는 이 프레임워크의 비용 효율성과 견고함을 입증하며, 의료 데이터 관리 의 현대화를 위한 유망한 방향을 제시하였다.

The integration of blockchain technology in healthcare has, over the years, developed into a solution that addresses security, transparency, and patient autonomy in the management of their own data. This paper presents a blockchain-based framework for managing user consent and leveraging smart contracts to enable decentralized, immutable, and transparent processing of patient data. Our system empowers users by giving them control over their own data while respecting the terms and conditions of the contract between the patient and the medical institution or hospital. By employing classification algorithms such as Naive Bayes for managing terms and verifying user consent conditions, this approach ensures safety and operational efficiency. The experimental results demonstrate the cost-effectiveness and robustness of the framework, offering a promising way forward for modernizing healthcare data management.

복부 CT영상에서 세번째 요추부 (L3) 슬라이스 검출은 복부 내장 지방 및 근육량을 측정하는데 주로 선행되는 작 업이다. 최근에 딥러닝을 이용하여 L3 슬라이스를 자동으로 검출하는 연구가 활발히 진행되고 있다. Axial 슬라이 스 영상에서 L3인지 아닌지 분류하는 이진 분류기 방식이 보고되고 있는데, L3 슬라이스 부족으로 인한 클래스 불 균형 문제를 완화하고자 하는 시도가 있었다. 본 논문에서는 최근에 의료영상 분야에 활용도가 높은 생성형 인공지 능 모델을 이용하여L3 슬라이스 영상을 생성함으로써 불균형 문제를 완화했을 때, 모델의 성능에 영향을 주는지 비 교 분석한다. 공개데이터인 VerSe 데이터셋을 이용하여 axial 영상의 데이터를 추출한 후 전처리 작업을 거쳐 5-fold 교차검증으로 딥러닝 모델을 학습하고 학습에 관여하지 않은 테스트 데이터셋으로 성능을 평가하였다. 검증 결과 DCGAN, IDDPM 방식의 딥러닝 기반의 생성모델을 이용한 데이터 증강이 전통적인 데이터 증강 방식보다 분류기 성능이 향상됨을 보여준다. 결론적으로 L3 슬라이스 검출 성능을 높이기 위해 데이터 증강을 수행하고 이를 위해 전통적인 방법보다는 생성형 인공지능 모델을 이용한 방식을 사용할 것을 권장한다.

The identification of the third lumbar vertebra (L3) slice in abdominal computed tomography (CT) is a usual prerequisite for the measurement of visceral adipose tissue and muscle in the abdomen. Recently, there have been active research studies using deep learning to automatically identify the L3 slice. A method for binary classification on axial slices has been reported, and trials have been made to alleviate the issue of class imbalance caused by the scarcity of the L3 slices. In this paper, generative neural network models, highly utilized in medical imaging, are considered for the generation of the L3 images to address the class imbalance issue. A comparative analysis is performed to investigate the effectiveness of the generative neural network models in improving the model’s prediction performance. We utilized publicly available VerSe dataset, where the subjects’ axial slice data were extracted. Weper formed image pre-processing, followed by a 5-fold cross-validation for model development. Finally, we evaluated the performance on unseen test data. Our results indicated that data augmentation based on DCGAN and IDDPM model sresulted in higher F1-scores than those obtained by traditional data augmentation. Therefore, we recommend the use of generative AI models rather than traditional data augmentation methods to improve the L3 slice identification performance.

급속한 기술 발전으로 생성형 AI가 교육에 새로운 가능성을 제시하고 있으나, 기존 연구는 정규 교육과정 학생들에 편중되어 있다. 본 연구는 평생 학습자와 전공 학생 간 협력을 통한 생성형 AI 교육 모델을 제시한다. 교육 모델은 컴퓨팅 사고력의 핵심 요소인 추상화, 알고리즘, 프로그래밍, 디버깅을 기반으로 구성하고, 페어 프로그래밍을 도입 하여 세대 융합적 지식 공유를 촉진한다. 주요 특징은 생성형 AI 엔진을 교육용 파이프라인에 통합하여 평생 학습자 의 경험을 활용한 개인화 콘텐츠 창작과 전공자의 기술 지원을 통한 디지털 역량 강화에 있다. 교육 모델의 효과성 검증을 위해 평생 학습자 10명과 전공자 5명을 대상으로 실제 교육을 진행한 결과, AI 기술 활용 능력의 유의미한 향상과 협력 학습을 통한 세대 간 지식 공유의 효과성이 확인되었다. 본 연구는 AI 시대 평생교육의 새로운 방향을 제시한다는 점에서 의의가 있다.

Generative AI presents new opportunities in the field of education. However, previous studies have predominantly focused on students in formal education settings. This study proposes an education model that facilitates generative AI learning through collaboration between lifelong learners and university students majoring in related disciplines. The model consists of the core components of computational thinking:abstraction, algorithms, programming, and debugging, and incorporates pair programming to promote effective intergenerational knowledge exchange. A core feature is the integration of a generative AI engine into the educational pipeline, enabling personalized content creation that draws on lifelong learners’ experiences while enhancing digital competencies through expert technical support. To evaluate the effectiveness of the model, an educational program was implemented with 10 lifelong learners and 5 student participants. The results demonstrated a significant improvement in AI technology utilization and confirmed the value of collaborative learning in fostering intergenerational knowledge sharing. This study offers meaningful insights into the future direction of lifelong education in the era of AI.

현대 도시 환경에서 공공장소의 안전 관리는 점점 더 복잡하고 중요한 사회적 과제로 부각되고 있다. 본 연구는 딥러 닝 및 컴퓨터 비전 기술을 활용하여 도시 공원 내 위법 행위를 실시간으로 탐지하고 대응할 수 있는 스마트 AI CCTV 시스템을 제안한다. 기존의 이상행동 관련 데이터세트는 대부분 실내 환경이나 일반적 행동에 초점을 맞추고 있어, 실외 공원에서 발생하는 ‘흡연’, ‘음주’와 같은 특정 위법 행위를 인식하는 데 한계가 있었다. 이를 보완하기 위 해 본 연구에서는 야외 공원 환경에서 수집된 영상을 기반으로 새로운 행동 인식 및 주류 탐지 데이터세트를 구축하 였다. 제안된 시스템은 객체 탐지와 행동 인식 알고리즘을 통합하여 흡연, 음주, 비정상적 군집 활동을 효과적으로 식별하며, 다중 검증 절차와 경보 메커니즘을 통해 실시간 대응이 가능하도록 설계되었다. 실험 결과, YOLOv6 기 반 주류 탐지 모델은 평균 mAP 81.72%의 성능을 기록하였다. 행동 인식 모델(MVD)은 평균 F1-score 기준으로 85.37%의 성능을 보였으며, 술병 탐지 결과를 결합한 경우 평균 F1-score는 88.93%까지 향상되었다. 야외 공원 환경에서 진행된 현장 실험에서도 평균 F1-score 86.5%를 달성하여 실제 환경에서도 우수한 성능을 입증하였다. 본 연구는 야외 환경에서도 안정적으로 작동하는 인공지능 기반 위법 행위 감지 시스템을 구현함으로써, 공공장소 안 전 관리의 실효성을 크게 향상시킬 수 있는 기술적 기반을 제시한다. 또한, 제안된 시스템은 유연하고 확장 가능한 구조를 바탕으로 향후 다양한 환경과 상황에 적용 가능하며, 스마트시티 기술 발전에 실질적으로 기여할 수 있다.

Ensuring safety in public spaces has become an increasingly complex and critical issue in modern urban environments. This study proposes a smart AI CCTV system that leverages deep learning and computer vision technologies to detect and respond to illegal activities in urban parks in real time. While existing datasets for abnormal behavior recognition primarily focus on indoor environments or general actions, they lack coverage of specific violations such as smoking and drinking in outdoor public spaces. To address this gap, we construct new datasets collected from real park environments, including detailed annotations for smoking and drinking behaviors as well as liquor bottle detection. The proposed system integrates object detection and action recognition algorithms to effectively identify smoking, drinking, and abnormal crowd behavior. It also incorporates a multi-stage verification process and an alert mechanism to enable timely responses. Experimental results demonstrate that the YOLOv6-based liquor detection model achieved an average mAP of 81.72%, while the action recognition model (MVD) reached an average F1-score of 85.37%. When liquor detection was combined with action recognition, the overall F1-score improved to 88.93%. Furthermore, field experiments conducted in actual park settings confirmed the system’s robustness, achieving an average F1-score of 86.5%. This research presents a practical and reliable AI-based solution for detecting unlawful behavior in public spaces, contributing to the advancement of smart city safety management. The system's flexible and scalable architecture also supports future extensions to various environments and detection scenarios.

문화유산 보존과 접근성 향상을 위한 디지털화가 가속화됨에 따라, 효과적인 회화 이미지 검색 시스템의 중요성이 증가하고 있다. 그러나 라벨이 부족한 데이터셋과 미세한 시각적 차이가 완전히 다른 예술 장르를 나타내는 회화 도 메인의 특성으로 인해, DINOv2와 같은 기존의 비지도 학습 기반 이미지 임베딩 방법은 제한적인 성능을 보인다. 본 연구에서는 이러한 한계를 극복하기 위해 Vision-LLM을 활용하여 회화 이미지에 대한 풍부한 텍스트 설명을 생성하고, 이를 문장 임베딩 모델을 통해 벡터화하여 의미론적 유사도 기반 검색을 수행하는 새로운 접근법을 제안 한다. 다양한 Vision-LLM 모델과 문장 임베딩 모델, 유사도 측정 방법을 체계적으로 비교한 결과, 제안된 방법은 accuracy 79.17%, mAP 0.6771로 기존 비지도 학습 기반 접근법인 DINOv2 대비 Accuracy에서 171.41%, mAP에서 211.45% 향상된 성능을 보였다. 특히 Qwen2.5-VL-3B-Instruct 모델과 문맥 인식 임베딩 모델 조합 이 가장 우수한 성능을 달성했으며, 이는 언어 기반 의미론적 접근법이 시각적 특징만으로는 포착하기 어려운 회화 의 맥락적, 의미론적, 상징적 특성을 효과적으로 활용할 수 있음을 시사한다.

As the digitization of cultural heritage accelerates to improve preservation and accessibility, the importance of effective artwork image retrieval systems is increasing. However, existing unsupervised learning-based image embedding methods such as DINOv2 show limited performance in the artwork domain, which is characterized by datasets lacking labels and subtle visual differences that represent completely different artistic genres. This study proposes a novel approach to overcome these limitations by utilizing Vision-LLMs to generate rich textual descriptions of artwork images, vectorizing them through sentence embedding models, and performing semantic similarity-based retrieval. Through systematic comparison of various Vision-LLM models, sentence embedding models, and similarity measurement methods, the proposed approach achieved 79.17% accuracy and 0.6771 mAP, demonstrating a 171.41% improvement in accuracy and 211.45% improvement in mAP compared to the existing unsupervised learning-based approach DINOv2. In particular, the combination of the Qwen2.5-VL-3B-Instruct model and context-aware embedding models achieved the best performance, suggesting that language-based semantic approaches can effectively leverage contextual, semantic, and symbolic characteristics of artworks that are difficult to capture through visual features alone.

본 연구는 다양한 장비를 사용하는 공장 데이터를 기존 설비를 최대한 사용하면서 저비용 IoT 장치인 라즈베리 파 이와 ESP32로 모니터링 시스템을 구축하고 취득된 소리 데이터를 분석하여 이상 탐지를 수행하는 방법을 제안한 다. MIMII 데이터셋을 기반으로 정상 범위에서 벗어나는 소리를 탐지하기 위해 하이퍼파라미터와 신경망을 조정 한 모델, 노이즈 문제 해결을 위한 디노이징 오토인코더를 사용한 모델, 데이터 희소성 해결을 위해 서로 다른 SNR 데이터를 혼합한 모델의 성능을 비교한다. 결과를 바탕으로 각 설비에서 최적의 모델을 선정한 뒤 라즈베리 파이에 배포하고 이상 탐지를 수행하며 ESP32로 에러율을 PLC에 기록하고 HMI와 PLC 사이의 통신을 감청한 후 프로토콜에 따라 해석하여 필요한 데이터를 클라우드 플랫폼으로 전송 및 시각화하는 아키텍처를 제안한다. 이 를 통해 사용자는 설비의 실시간 모니터링과 이상 탐지를 수행할 수 있으며 운영자는 경제적인 스마트 팩토리 전 환이 가능하다.

This study proposes a method for anomaly detection by constructing a monitoring system utilizing low-cost IoT devices, such as Raspberry Pi and ESP32, while maximizing the use of existing equipment in factories that operate various machinery. The system collects and analyzes sound data to detect anomalies. To detect abnormal sounds deviating from the normal range, we compare the performance of three models: one that adjusts hyperparameters and neural networks based on the MIMII dataset, another that employs a denoising autoencoder to address noise issues, and a third that combines data with different SNR levels to mitigate data sparsity problems. Based on the experimental results, the optimal model for each type of equipment is selected and deployed on a Raspberry Pi for anomaly detection. The ESP32 records the calculated error rate in the PLC, and the communication between the HMI and PLC is intercepted and interpreted according to the protocol. The extracted data is then transmitted to a cloud platform for visualization. This approach enables users to monitor factory equipment in real time and detect anomalies, allowing operators to transition to a cost-effective smart factory system.

본 연구는 AI에 대한 일반적인 태도가 협상 결과에 어떤 영향을 미치는지를 탐색하기 위해, LLM 기반 협상 에이전 트와 함께 구매자-판매자 시나리오에 참여한 114명의 파일럿 데이터를 분석하였다. 연구 결과, AI에 대한 긍정적 태도는 협상 과정 만족도(r=0.28, p＜0.05)와 관계 만족도(r=0.27, p＜0.05)와 유의미한 상관관계를 보였으 나, 결과 만족도와의 상관은 상대적으로 약했다. 또한, AI에 대한 태도는 환불이나 리뷰 관리와 같은 객관적이고 구 조화된 협상에서는 강한 영향을 미쳤으나, 사과와 같이 감정적으로 민감한 사안에서는 유의미한 영향을 보이지 않았 다. 이러한 결과는 AI에 대한 긍정적 태도가 협상 과정과 관계에 대한 만족도를 높이는 경향이 있으며, 이는 AI 에 이전트의 중립성과 예측 가능성이 사용자 경험을 향상시킬 수 있음을 시사한다.

This study explores how general attitudes toward AI influence negotiation outcomes, using a pilot study of 114 participants engaging in buyer-seller scenarios with an LLM-based negotiation agent. Results revealed that positive attitudes toward AI significantly correlated with satisfaction in process (r=0.28, p＜0.05) and relationships (r=0.27, p＜0.05), while correlations with outcome satisfaction were weaker. Additionally, attitudes toward AI strongly influenced objective and structured negotiations, such as refunds and review management, but had no significant impact on emotionally sensitive matters like apologies. The findings demonstrate that positive attitudes toward AI correlate with higher satisfaction in negotiation processes and relationships, highlighting the potential of AI agents to enhance user experiences through their neutrality and predictability. However, weaker correlations with outcome satisfaction suggest that while general attitudes influence negotiation acceptance, the objective results of the negotiation play a critical role.

해상 환경은 국제 무역, 운송, 자원 개발 및 해양 관광 등 다양한 산업 분야에서 중요한 역할을 담당하고 있다. 그러 나 해상 환경의 특수성으로 인해 기존의 육상 환경에서 발전한 인공지능 기술을 직접 적용하기 어려운 한계가 존재 한다. 본 연구에서는 이러한 한계를 극복하기 위해 해상 환경에 특화된 데이터셋 구축 방법론과 제로샷 접근법 기반 의 인공지능 모델 개발 방법을 제안한다. 구체적으로 (1) 해양 특화 데이터 수집 장치 설계 및 제작, (2) 제로샷 접 근법을 활용한 해상 데이터 자동 라벨링 기술 개발, (3) 해상 환경 특화 인공지능 모델 개발, (4) 노이즈 완화 및 모델 최적화 기법 적용 등을 수행하였다. 개발된 시스템은 객체 탐지 및 분류, 거리 추정, 저조도 환경 극복 등의 작업에서 우수한 성능을 보여주었으며, 해상 환경에 적합한 제로샷 모델들을 통합하여 실제 해양 환경에서의 활용 가능성을 입증하였다.

The maritime environment plays a crucial role in various industrial sectors, including international trade, transportation, resource development, and marine tourism. However, there are limitations in directly applying existing artificial intelligence technologies developed for terrestrial environments due to the unique characteristics of maritime environments. This study proposes methodologies for constructing specialized maritime datasets and developing AI models based on zero-shot approaches to overcome these limitations. Specifically, we performed (1) design and manufacture of marine-specialized data collection devices, (2) development of automatic labeling technology for maritime data using zero-shot approaches, (3) development of AI models specialized for maritime environments, and (4) application of noise reduction and model optimization techniques. The developed system demonstrated excellent performance in tasks such as object detection and classification, distance estimation, and low-light environment enhancement, proving its applicability in real maritime environments through the integration of zero-shot models suitable for maritime conditions.