Earticle

양자 컴퓨터는 양자 역학적 원리를 적용하여 고전 컴퓨터로 해결할 수 없는 문제를 처리하는 혁신적인 컴퓨팅 패러 다임이다. 한국은 현재 개발 초기 단계에 있으며, 특허 분석을 통해 기술 동향과 기술 수준을 파악하고, 이를 바탕으 로 향후 연구 방향을 설정할 필요성이 있다. 이에 따라 본 논문에서는 기술의 분류 체계와 특허 검색식을 제시하였 으며, 한국과 미국의 특허를 대상으로 국가별 기술별 기업별 분석을 수행하였다. 양자 컴퓨팅 특허는 2015년 이후 꾸준히 증가하고 있으며, 2019년 출원 규모가 확장되어 이후 가속될 전망이다. 분석 결과, 미국은 제어 및 응용 단 계까지 확장되어 있으나, 한국은 구현 단계에 머물러 있다. 주요 출원인 중 대부분이 초전도 회로 방식을 채택하였 으며, 이온 포획 방식 또한 빠른 성장을 보여 유망한 기술로 평가된다. 한국의 경우, 경쟁보다는 국내 강점 기술과 접목이 가능한 공백 영역을 공략하는 것이 유망한 전략이 될 수 있다.

Quantum computers apply the principles of quantum mechanics to address problems that classical computers cannot solve, representing an innovative computing paradigm. Korea remains in the early stage of development, and it is necessary to identify technology trends and levels through patent analysis to establish future research directions. Accordingly, this study proposes a classification framework and patent search strategy, and conducts a comparative analysis of patents in Korea and the United States by country, technology and company. Since 2015, quantum computing patents have steadily increased, with a notable expansion in 2019, suggesting accelerated growth in the future. The analysis shows that while the United States has advanced to the stages of control and application, Korea remains at the implementation stage. Most leading applicants have adopted superconducting circuits, while ion-trap approaches are also demonstrating rapid growth and are regarded as promising technologies. For Korea, rather than direct competition, a more viable strategy is to target underdeveloped areas that can be integrated with domestic strengths.

본 연구는 강화학습 기반 포트폴리오 관리에서 에이전트의 행동이 잠재적 상태 전이를 일으키며, 이러한 전이 과정 을 추정함으로써 잠재 세계 모형(latent world model)을 학습하고 이를 바탕으로 포트폴리오 전략을 설계하는 방 법을 제안한다. 이를 위해 강화학습과 몬테카를로 트리 탐색(Monte Carlo Tree Search, MCTS)을 결합한 새로 운 접근을 도입하여 단순한 보상 극대화를 넘어 환경 구조에 대한 내재적 이해를 가능하게 하였다. 실증 분석 결과, 제안된 방법은 네 개의 독립된 50일 일간 테스트 구간에서 평균 약 31.617%의 누적 수익률을 기록하며, 기존 알 고리즘을 일관되게 상회하였다. 특히 50일 성과를 연환산하면 약 365.667%에 해당해 단기와 장기 모두에서 우수 성을 보였다. MuZero 기반 탐색 구조는 금융시장의 불확실성과 복잡성 속에서도 잠재 세계 모형을 통한 환경 이해 와 성과 달성을 동시에 가능하게 함을 입증했다.

This study presents a methodology for portfolio management using reinforcement learning, in which agent actions drive latent state transitions. By estimating these transitions, the agent acquires a latent world model that serves as the foundation for more sophisticated investment strategies. Building on this idea, we introduce a novel framework that integrates reinforcement learning with Monte Carlo Tree Search, thereby enabling a richer understanding of the underlying environment beyond mere reward maximization. Empirical results show that the proposed method achieved an average cumulative return of 31.617% across four independent 50-day test datasets, consistently outperforming benchmark algorithms. Moreover, the performance observed over a 50-day horizon corresponds to an annualized return of approximately 365.667%, underscoring its effectiveness in both short- and long-term contexts. Collectively, these findings suggest that the MuZero-based search framework can simultaneously support environment modeling through a latent world representation and deliver robust performance under the uncertainty and complexity inherent in financial markets.

본 논문에서는 HLS(Http Live Streaming) 및 MPEG-DASH(MPD) 기반의 스트리밍 기술과 ActiveMQ 메시 지 큐를 결합한 온라인 교육 플랫폼을 설계 구현하였다. Ngnix와 Tomcat 서버 클러스터링을 통해 고가용성 스트 리밍 환경을 제공하고, ActiveMQ의 영속적 큐(Persistent Queue)를 활용해 데이터 유실을 방지하였다. 이기종 오픈소스 데이터베이스(MySQL, MariaDB, PostgreSQL)간 실시간 동기화 아키텍처를 제안하여 정합성을 확보 하였다. 성능 평가는 Apache JMeter 5.6.2를 사용해 10,000명 동시 접속 시나리오를 5회 반복 측정하였으며, 응답시간(85±3ms), 데이터 유실률(0.01%), CPU 사용률(58±4%), 메모리 사용률(62±5%), 처리량(1,240 req/s), 평균 지연(latency, 68ms) 등을 정량화하였다. 또한 Red5 Pro, Wowza Streaming Engine, Kaltura등 상용 솔루션과의 성능·비용 비교를 통해 본 시스템의 경제적·기술적 우수성을 입증하였다. 특히 스트리밍 품질 사용자 경 험(QoE) 지표인 Startup Delay(1.2s), Buffering Ratio(0.8%), ABR 성공률(98.5%)을 추가 측정하였다. 본 연구는 기존 E-learning 대비 비동기 과제 처리 구조, 이기종 DB 실시간 동기화 프레임워크, 교육적 성과 연계 가 능성이라는 세 가지 차별점을 갖는다.

This paper presents the design and implementation of an online education platform that combines HLS(HTTP Live Streaming) and MPEG-DASH(MPD)-based streaming technologies with an ActiveMQ message queue. We provide a high-availability streaming environment through Nginx and Tomcat server clustering, and prevent data loss by utilizing ActiveMQ's persistent queue functionality. We propose a real-time synchronization architecture among heterogeneous open-source databases(MySQL, MariaDB, PostgreSQL) to ensure data consistency. Performance evaluation was conducted using Apache JMeter 5.6.2, with a scenario of 10,000 concurrent users repeated five times, quantifying response time(85±3ms), data loss rate(0.01%), CPU utilization(58±4%), memory utilization(62±5%), throughput(1,240 req/s), and average latency(68ms). Furthermore, through performance and cost comparisons with commercial solutions such as Red5 Pro, Wowza Streaming Engine, and Kaltura, we demonstrate the economic and technical superiority of our system. In particular, we additionally measured Quality of Experience(QoE) indicators for streaming, including Startup Delay(1.2s), Buffering Ratio(0.8%), and ABR success rate(98.5%). This research distinguishes itself from existing E-learning systems through three key differentiators: an asynchronous task processing structure, a real-time synchronization framework for heterogeneous databases, and the potential to link with educational outcomes.

본 연구는 긍정적인 뉴스 감성이 강하게 나타난 경우에도 주가가 하락하는 역설적 현상에 주목하여, 2023년과 2024년 KOSPI 및 KOSDAQ에 상장된 5,000원 미만 종목을 대상으로, 뉴스 감성 점수와 주가 하락 비율 간의 관계를 심화 분석하였다. 분석의 범용성을 제고하기 위해 감성 점수에 10분위수 기반의 상대적 구간화 방식을 적용 하였으며, 시가총액 변수를 도입하여 시장의 구조적 이질성을 파악하였다. 분석 결과, 감성 점수가 높을수록 주가 하락 비율이 증가하는 경향은 일관되게 나타났으며, 시가총액 상위 및 중위 그룹에서 경향이 뚜렷하게 관측되었다. 또한, 각 변수의 독립적 효과를 검증하기 위해 다중 로지스틱 회귀 분석을 수행하였고, 감성 점수가 주가 하락 확률 에 유의미한 양(+)의 영향력을 갖는 요인임을 확인하였다. 본 연구는 다양한 시장 조건에서 뉴스 감성 점수가 안정 적인 설명력을 가짐을 입증하며, 구조적 요인을 결합할 때 해석의 정교함이 높아질 수 있음을 시사한다.

This study conducts an in-depth analysis of the relationship between news sentiment scores and price decline rates for KOSPI and KOSDAQ stocks priced under 5,000 KRW from 2023 to 2024, focusing on the paradoxical phenomenon where stock prices decline even when positive news sentiment is strongly evident. To enhance the generalizability of the findings, a decile-based relative binning approach was applied to sentiment scores, and market capitalization was incorporated to examine structural heterogeneity in market reactions. The analysis consistently revealed a tendency for the stock price decline rate to increase with higher sentiment scores, with this trend being particularly pronounced in the top and middle market capitalization groups. Furthermore, to verify the independent effects of the variables, Multiple Logistic Regression was performed, confirming that sentiment scores are a factor with a significant positive influence on the probability of stock price declines. This study demonstrates that sentiment scores possess stable explanatory power under various market conditions and suggests that incorporating structural factors can enhance the sophistication of interpretations.

심전도 데이터의 자동 분석은 다양한 심장 질환을 진단하는데 매우 중요하고 임상의사의 진단 업무 효율성을 높이는 데 도움이 된다. 최근에 적은 수의 채널로 휴대가 가능한 웨어러블 심전도 기기가 개발되고, 이를 인공지능을 이용 하여 진단하는 기법들이 발표되고 있는 추세이지만, 리드 수 및 전처리 필터 타입이 클래스별로 심전도 분류에 미치 는 영향에 대한 연구는 부족하다. 본 논문에서는 PhysioNet 2021 Challenge에서 제공하는 12-리드 심전도 데이 터로 1D ResNet합성곱신경망모델을 이용하여 다중라벨로 분류하는 성능을 평가하였다.12-리드, 6-리드, 4-리드, 3-리드, 2-리드에 대해 리드별, 그리고 전처리를 사용하지 않는 방식, Pan-Tompkins(P-T)전처리 방식, 이산 웨 이브릿 변환 방식의 예측 성능을 비교하였다. 분산 분석을 적용한 결과, 클래스별 F1-score는 리드 수 및 전처리 방식에 대해 유의미한 차이를 보이지 않았다(p＞0.05). 클래스별로 다른 문턱값(threshold)을 적용하는 경우 일 정한 문턱값을 적용할 때보다 macro F1-score 값이 2-리드, P-T 전처리 기법의 경우 0.4448에서 0.4644로 증 가하였다. 본 다중라벨 심전도 데이터를 활용한 비교 분석 연구는 재현성을 도모하기 위해 소스 코드로 제공한다 (https://github.com/shjee20/1D-ecg).

Automatic analysis of electrocardiogram(ECG) data is crucial for the diagnosis of a variety of cardiovascular diseases, and it can help improve the efficiency of medical doctors’ tasks. Recently, portable and wearable ECG devices with a few of channels have been developed, and artificial intelligence-based techniques for disease diagnosis have been proposed in the literature. However, there is lack of studies investigating the effects of choosing lead counts and preprocessing methods on class-wise prediction performance. In this study, we utilized 12-lead ECG data provided by the PhysioNet 2021 Challenge and evaluated the performance of multi-label classifiers based on 1D ResNet convolutional neural network(CNN) models. We compared the prediction performance with a variety of lead choices(i.e., 12-lead, 6-lead, 4-lead, 3-lead, 2-lead) and preprocessing methods including no preprocessing, Pan-Tompkins filtering, and discrete wavelet transform.The analysis of variance(ANOVA) indicated that differences in class-wise F1-scores for the choice of lead counts and preprocessing methods were not statistically significant(p＞0.05). Compared to a fixed threshold setting, a class-dependent threshold setting improved macro F1-score from 0.448 to 0.4644 for the choice of the 2-lead and Pan-Tompkins preprocessing method. In order to promote reproducibility for comparative studies using multi-label ECG data, we provide source code at https://github.com/shjee20/1D-ecg

연합학습(Federated Learning)은 로컬데이터 기반의 학습 파라미터를 서버로 보내어 파라미터를 업데이트하는 방식의 분산 학습 방식으로써 로컬 데이터 유출을 방지하면서 모델을 공동 학습할 수 있는 구조를 제공한다. 연합학 습은 로컬 데이터의 유출은 방지하지만 파라미터 전송으로 인한 네트워크 부하와 파라미터에 대한 역복원 공격 (Inversion Attack)에 취약하다는 한계가 있다. 본 연구는 연합학습에서 파라미터 전송 효율성과 보안성을 향상시 키기 위해 확장 양자화 방식을 적용한 성능 분석을 다룬다. 기존의 gradient 클리핑, 차등 프라이버시, 양자화 기법 은 역복원 공격에 대한 보안성을 높이지만 전송량 절감 효과에는 제한적이다. 본 연구는 양자화 시 값의 범위를 확 장하여 양자화를 수행함으로써 유효 파라미터값을 줄이는 확장 양자화 기법을 적용하여 보았고, 다양한 확장 비율과 양자화 레벨에 따른 전송량 절감 및 역복원 공격 방어 성능을 실험적으로 분석했으며, 실험 결과, 확장 양자화는 약 간의 정확도 손실을 감수하는 대신 전송량을 효과적으로 줄이고 보안성을 향상시킬 수 있음을 확인하였다.

Federated Learning is distributed learning method in which locally trained parameters are sent to a server for parameter updates, enabling collaborative model training while preventing the leakage of local data. Although it protects local data from exposure, Federated Learning still suffers from limitations such as network overhead caused by parameter transmission and vulnerability to inversion attacks on the transmitted parameters. This study analyzes the performance of applying an extended quantization method to improve both parameter transmission efficiency and security in Federated Learning. While existing techniques such as gradient clipping, differential privacy, and standard quantization can enhance security against inversion attacks, their effectiveness in reducing transmission volume is limited. In this work, we applied an extended quantization technique that reduces the number of effective parameter values by expanding the quantization range, and we experimentally analyzed its impact on transmission reduction and defense against inversion attacks across various expansion ratios and quantization levels. Experiments show that extended quantization can effectively reduce transmission volume and improve security, with the cost of small loss in model accuracy.

본 연구는 변동성이 높은 암호화폐 시장에서 안정적이고 높은 수익을 목표로 하는 딥러닝 기반 멀티모달 강화학습 트레이딩 시스템을 제안한다. 제안 시스템은 전통적인 기술적 분석 지표로 활용되는 캔들스틱 차트의 시각적 패턴 정보와 시장의 심리적 요인을 반영하는 뉴스 기사의 감성 정보를 통합적으로 활용한다. 캔들스틱 차트 이미지를 CNN 기반 모델로 분석하고, 대규모 언어 모델(LLM)인 DeepSeek R1(32B) 모델을 활용하여 뉴스 기사의 감성 을 평가한 후, 크로스 모달 어텐션 메커니즘을 통해 두 정보를 효과적으로 융합한다. 또한 우선순위 경험 재생을 적 용한 강화학습 앙상블 시스템을 도입하여 다양한 시장 상황에 대응할 수 있는 트레이딩 정책을 학습한다. 2023년 암호화폐 시장 데이터를 활용한 백테스팅 결과, 제안 시스템은 단일 모델과 기존 트레이딩 전략보다 우수한 성능을 보였다. 구체적으로 332.6%의 수익률, 2.45의 샤프 비율(Sharpe Ratio), 68.5%의 거래 승률을 달성하였으며, 거래 비용을 고려한 실전 환경에서도 강건한 성능을 유지하였다. 이러한 연구 결과는 멀티모달 학습과 강화 학습을 결합한 거래 시스템이 복잡한 금융 시장에 효과적으로 적용될 수 있음을 보여주며, 견고하고 실시간적인 거래 시스 템에 대한 유망한 방향을 제시한다.

This study proposes a deep learning-based multimodal trading system designed to achieve stable and high returns in the highly volatile cryptocurrency market. The proposed system integrates visual pattern information from candlestick charts, a traditional technical analysis indicator, with sentiment information from news articles, which reflects the market's psychological factors. Candlestick chart images are analyzed using a CNN-based model, while the sentiment of news articles is evaluated using a large language model (LLM), the DeepSeek R1 (32B) model. These two modalities are then effectively fused through a cross-modal attention mechanism. Furthermore, a reinforcement learning ensemble system incorporating priority experience replay (PER) is introduced to learn adaptive trading policies for varying market conditions. Backtesting on 2023 cryptocurrency market data demonstrates that the proposed system significantly outperforms both single models and conventional trading strategies. Specifically, it achieved a total return of 332.6%, a Sharpe ratio of 2.45, and a win rate of 68.5%. The system also maintained its robust performance in a realistic trading environment that accounted for transaction costs. These findings indicate that a trading system combining multimodal learning and reinforcement learning can be effectively applied to complex financial markets, showing promising directions for robust, real-time trading systems.

본 연구는 월 단위로 집계된 관광지 방문객 통계를 일 단위로 분해하여 정밀한 관광지 방문객 수 예측을 수행하기 위한 통계적·머신러닝 기반 프레임워크를 제시한다. 연구 대상은 2022년 1월부터 2024년 12월까지의 제주지역 21개 주요 관광지이며, Denton-PFD(Proportional First Difference) 기법을 활용하여 월별 방문객 수를 일 단 위 시계열로 변환하였다. 이후 강수량, 기온, 풍속 등 기상 변수와 주말, 공휴일, 성수기 여부를 나타내는 캘린더 변 수를 결합하고, XGBoost, Random Forest, LightGBM을 결합한 트리 기반 앙상블 모델을 구축하였다. 모델 성능 평가는 대칭 평균 절대 백분율 오차(sMAPE)를 통해 수행되었으며, Denton-PFD 기반 데이터셋은 균등 분해 데이터셋 대비 월평균 방문객 수 중·상위 그룹에 해당하는 관광지에서 예측 성능을 평균 약 23% 향상시킨 것으로 나타났다. 연구 결과, Denton-PFD 기반 일 단위 분해는 월 단위 데이터의 정보 손실을 최소화하면서 외생 변수에 따른 단기 변동성을 효과적으로 반영함을 실증하였다. 이는 관광지 방문객 수 예측 연구에서 고빈도 시계열을 구성 하는 새로운 방법론적 기반을 제시하며, 나아가 관광지 단위의 일별 수요 관리 및 혼잡 완화 정책 수립을 위한 근거 로 활용될 수 있다.

This study presents a statistical and machine learning-based framework to perform precise daily visitor count predictions by decomposing monthly aggregated tourist attraction visitor statistics into daily components. The study subjects are 21 major tourist attractions in the Jeju region from January 2022 to December 2024. The Denton-PFD (Proportional First Difference) technique was used to convert monthly visitor counts into daily time series. We then combined meteorological variables such as precipitation, temperature, and wind speed with calendar variables including weekends, public holidays, and indicators of peak season status, and built a tree-based ensemble model that integrates XGBoost, Random Forest, and LightGBM. Model performance was evaluated using symmetric mean absolute percentage error (sMAPE). The Denton-PFD-based dataset demonstrated an average improvement of approximately 23% in prediction performance compared to the uniformly disaggregated dataset for tourist destinations in the middle-to-upper group of monthly average visitor counts. The study demonstrated that Denton-PFD-based daily decomposition effectively captures short-term volatility driven by exogenous variables while minimizing information loss in monthly data. This provides a new methodological foundation for constructing high-frequency time series in tourism visitor forecasting research and can serve as a basis for developing daily demand management and congestion mitigation policies at the tourism destination level.

본 연구는 여행자의 신체적 활동강도를 반영한 개인화 관광 일정 추천 시스템을 제안한다. 이를 위해 이동거리, 이 동시간, 체류시간, 기온, 습도, 활동 난이도를 통합한 활동강도 지수(Functional Fitness Index, FFI)를 설계하 고, 실제 제주 여행 로그 데이터를 기반으로 검증하였다. 이후 K-Means 군집분석을 통해 유사한 활동강도 및 여행 스타일을 가진 이용자 그룹을 식별하고, 각 그룹 내에서 신경망 협업 필터링(Neural Collaborative Filtering, NCF)을 적용하여 정교한 개인화 추천을 수행하였다. 성능평가 결과, Precision@5는 0.35, 활동강도 적합도 (Fatigue Fit Score)는 평균 0.75로 나타나, 제안 모델이 사용자 신체적 수용성을 반영한 실질적 개인화 추천에 효과적임을 입증하였다. 본 연구는 관광 추천의 새로운 맥락 변수로 ‘활동강도’를 도입함으로써, 포용적이고 지속 가 능한 스마트 관광 서비스 구현에 기여한다.

This study proposes a personalized tourism itinerary recommendation system that reflects travelers’ physical activity intensity. A Functional Fitness Index(FFI), integrating travel distance, duration, stay time, temperature, humidity, and activity difficulty(MET), was developed and empirically validated using real-world Jeju travel log data. Based on K-Means clustering, travelers with similar activity-level preferences were grouped, and within each cluster, Neural Collaborative Filtering(NCF) was applied to capture nonlinear user–itinerary interactions. Experimental results showed that the proposed model achieved a Precision@5 of 0.35 and an average Fatigue Fit Score(FFS) of 0.75, demonstrating its effectiveness in recommending itineraries aligned with users’ physical tolerance levels. By introducing “activity intensity” as a novel contextual variable, this research extends the paradigm of context-aware recommendation and contributes to the development of inclusive and sustainable smart tourism services.

본 연구에서는 비정형 벡터 타일 데이터의 실시간 GPU 시각화를 위해, 동적 메모리 관리와 공간 계층 구조, 그리고 적응적 LOD 제어를 통합한 시스템을 제안하였다. 기존의 정적 버퍼 기반 그래픽스 파이프라인은 데이터의 비정형 성과 실시간 갱신 특성을 처리하기 어렵다는 한계를 가진다. 이를 해결하기 위해 GPU 내부에서 페이지 단위로 메 모리를 동적으로 관리하고, 세대 식별자를 이용한 안정적인 메모리 회수 구조를 설계하였다. 또한 도로·건물·지형과 같은 레이어별 특성을 고려한 다중 루트 기반 공간 계층 구조를 구성하여, 스트리밍 데이터의 삽입과 제거를 효율적 으로 처리할 수 있도록 하였다. 실험 결과, 제안된 시스템은 CPU 기반 파이프라인에 비해 평균 프레임 시간이 약 9~12% 감소하였고, 메모리 파편화율은 약 30% 낮게 유지되었다. 또한 프레임 최장 렌더링 시간(p95) 개선으로 인한 안정성이 10~15% 향상되어 대규모 스트리밍 환경에서도 실시간성과 예측 가능성을 확보하였다. 본 연구는 GPU 내부에서 데이터의 생성·관리·LOD 처리를 일관된 구조로 수행함으로써, 향후 디지털 트윈·실시간 지도 서비 스·자율주행 시각화 등 대규모 공간 데이터 처리 분야에 활용 가능한 기반 기술을 제시한다.

This paper presents a unified GPU-based system that integrates dynamic memory management, hierarchical spatial structuring, and adaptive level-of-detail (LOD) control for real-time visualization of unstructured vector tile data. Conventional static-buffer rendering pipelines suffer from inefficiencies when handling irregular and continuously streamed spatial data. To address this limitation, the proposed framework introduces a page-based dynamic memory management scheme within the GPU, utilizing generation identifiers for safe memory reclamation. A multi-root spatial hierarchy is constructed to manage heterogeneous layers—such as roads, buildings, and terrains— allowing efficient insertion and removal of streaming data without CPU intervention. Experimental results show that, compared with a CPU-driven baseline, the proposed system reduces average frame time by approximately 9–12%, lowers memory fragmentation by about 30%, and improves p95 frame-time stability by 10–15%. These improvements demonstrate that the proposed architecture enables predictable and stable real-time rendering even under large-scale streaming workloads. The system provides a structural foundation for GPU-resident rendering engines applicable to digital twins, real-time mapping, and autonomous driving visualization.

사물인터넷(IoT)과 실시간 분석 환경의 확산으로 시계열 데이터의 생성량이 급격히 증가함에 따라, 시계열 데이터 베이스의 성능 특성을 비교·분석할 필요성이 커지고 있다. 본 논문은 대표적인 시계열 데이터베이스인 InfluxDB, TimescaleDB, QuestDB를 대상으로 TSBS(Time Series Benchmark Suite)를 활용하여 동일한 실험 환경에 서 성능을 비교하였다. 네 가지 데이터 규모(40/60/80/100 devices × 10 metrics, 10초 간격, 10일)에 대해 데 이터 쓰기 성능(평균 처리 시간, metrics/sec)과 다섯 가지 질의 유형(Simple Rollups, Double Rollups, Aggregates, Thresholds, Complex Queries)에 따른 질의 성능을 평가하였다. 실험 결과, TimescaleDB는 대 규모 데이터 및 복잡 질의 환경에서 가장 우수한 성능을 보였으며, QuestDB는 중간 규모 데이터 환경에서 안정적 인 성능을 나타냈다. InfluxDB는 단순 질의에서는 비교적 안정적인 성능을 유지하였으나, 데이터 규모가 증가할수 록 성능 저하가 관찰되었다. 본 논문에서는 데이터 규모와 질의 복잡도에 따른 시계열 데이터베이스의 성능 차이를 분석하였고, 이러한 실험 결과를 시계열 데이터베이스의 선택을 위한 기준 자료로 활용할 수 있을 것으로 보인다.

This paper addresses the growing need for comparative performance analysis of time series databases as the volume of time series data rapidly increases due to the expansion of the Internet of Things (IoT) and real-time analytics environments. The performance of three representative time series databases, such as InfluxDB, TimescaleDB, and QuestDB, was compared using the Time Series Benchmark Suite (TSBS) under identical experimental conditions. Write performance, measured by average processing time and metrics per second, and query performance across five query types (Simple Rollups, Double Rollups, Aggregates, Thresholds, and Complex Queries) were evaluated at four data set scales (40/60/80/100 devices × 10 metrics, sampled every 10 seconds over 10 days). The experimental results show that TimescaleDB exhibits the best performance in large-scale data and complex query environments, while QuestDB demonstrates stable performance in medium-scale data environments. InfluxDB maintains relatively stable performance for simple queries, but performance degradation is observed as data volume increases. This paper analyzes performance differences among time series databases according to data set scales and query complexity and our experimental results can be utilized as a criteria to select time series databases.

인공지능 기술이 자율주행, 의료 영상 분석 등 다양한 분야에서 활용되면서, 이에 대한 적대적 공격(adversarial attack)의 위협 또한 증가하고 있다. 적대적 공격은 사람의 눈에는 보이지 않는 미세한 변화를 입력에 추가하여 인 공지능 모델의 출력을 교란시키며, 신뢰성이 중요한 응용 분야에서 심각한 문제를 야기할 수 있다. 이러한 문제를 해결하기 위해 본 연구에서는 LEAR(Learn–Explain–Reinforce) 프레임워크를 기반으로 한 반사실적 변화맵 생성기를 이용한 새로운 적대적 공격 탐지 기법을 제안한다. 제안된 방법은 입력 영상에 대해 반대 클래스 방향의 반사실적 변화맵을 생성하고, 그 변화량의 크기를 분석하여 공격 여부를 판별한다. 실험 결과, 반사실적 변화맵 생 성기는 공격으로 인해 모델의 학습 분포 밖(Out-of-Distribution)으로 이동한 입력에 대해 비정상적으로 큰 반사 실적 변화를 생성함을 확인하였다. 이를 통해 추가적인 재학습 없이도 반사실적 변화맵의 크기만으로 공격을 효과적 으로 탐지할 수 있음을 보였다. 제안된 방법은 단순하면서도 해석 가능성이 높으며, 향후 다양한 고신뢰 인공지능 시스템에서 효율적인 방어 기법으로 활용될 수 있을 것으로 기대된다.

As artificial intelligence (AI) technologies become increasingly applied in various domains such as autonomous driving and medical image analysis, the threat of adversarial attacks is also growing. Adversarial attacks introduce imperceptible perturbations to input data, misleading AI models and causing critical reliability issues in safety-sensitive applications. To address this problem, this study proposes a novel adversarial attack detection method based on a Counterfactual Map Generator(CFMG) built upon the LEAR(Latent Embedding Alignment for Reasoning) framework. The proposed method generates a counterfactual map toward the opposite class direction for a given input image and determines whether the input is adversarial by analyzing the magnitude of the resulting change. Experimental results show that the CFMG produces abnormally large counterfactual maps for adversarial inputs that are shifted outside the model’s training distribution. This finding demonstrates that adversarial attacks can be effectively detected using only the magnitude of the counterfactual map without any additional retraining. The proposed approach is simple, interpretable, and efficient, suggesting its potential applicability as a robust defense mechanism for high-reliability AI systems.