Earticle

본 논문은 딥페이크 데이터셋의 수집, 재사용 및 삭제 과정에서 발생하는 개인정보 침해 문제를 분석하고, 데이터 생명주기 관점에서 개인정보 보호 적합성 평가 기준을 제시한다. 기존 연구들이 주로 콘텐츠 합성, 딥페이크 피해 구제를 위한 탐지 및 대응 기술에 초점을 맞추었던 것과 달리, 본 논문은 데이터셋의 활용 및 처리 과정에서 발생하는 개인정보 침해 문제에 주목한다. 딥페이크 데이터셋은 얼굴, 음성, 영상 등 개인 식별이 가능한 생체정보가 포함되어 있어, 수집 당시의 불명확한 동의, 불충분한 사전 고지, 공개 후 삭제 요청의 실효성 부족 등의 문제가 발생할 수 있다. 이에 본 논문은 주요 딥페이크 데이터셋의 생명주기별 개인정보 처리 현황 및 관련 국내외 법제를 검토하고, 수집·재사용·삭제 단계에서 요구되는 데이터셋 수준의 개인정보 보호 적합성 평가 기준을 제안한다.

This study examines privacy infringement issues in the collection, construction, and reuse of deepfake datasets and proposes a privacy suitability assessment framework from a data lifecycle perspective. Unlike prior discussions that mainly focus on synthetic content, victim remedies, and detection technologies, this study highlights privacy risks arising from the management and processing of deepfake datasets. Deepfake datasets contain biometric information such as facial images, voices, and videos, raising concerns over unclear consent, insufficient prior notice, and limited effectiveness of deletion requests after public release. Accordingly, this study examines the privacy practices across the data lifecycle of major deepfake datasets, along with the legal frameworks of the European Union, the United States, and Korea, and proposes dataset-level privacy suitability assessment criteria required at the stages of collection, reuse, and deletion.

본 연구에서는 대규모 언어 모델(LLM) 기반 서비스의 확산에 따라 증가하는 Prompt Injection 위협에 대응하기 위한 상용 LLM 기반 보안 탐지 시스템의 구조적 한계를 분석하였다. 기존 정적 키워드 및 정규표현식 기반 탐지 방식은 난독화, 역할 위장, 간접 지시 등 문맥 의존적 공격에 취약하므로, 최근에는 의미적 맥락을 판별하는 Commercial LLM 기반 탐지 방식이 대안으로 활용되고 있다. 그러나 상용 API의 Safety Guardrail은 고위험 악성 페이로드를 모델 추론 이전에 차단할 수 있으며, 이로 인해 탐지기가 공격을 분석하지 못하는 Guardrail Interference 현상이 발생한다. Gemini API를 이용한 100건의 실험에서 정적 키워드 기반 탐지기는 71%의 정확도를 기록한 반면, LLM 기반 탐지기는 55%에 그쳤다. 또한 38건은 API 단계에서 차단되어 정상적인 의미 분석 결과가 반환되지 않았다. 이는 일반 사용자 보호를 위한 안전장치가 AI Security 관제 환경에서는 블랙박스 장애물로 작동할 수 있음을 의미한다. 따라서 API 차단 상태에만 의존하는 Fail-safe 설계에는 한계가 있으며, 정책을 제어할 수 있는 오픈소스 LLM 및 독립적 탐지 경로의 도입이 요구된다.

In this study, we analyzed the structural limitations of commercial LLM-based security detection systems designed to counter the growing Prompt Injection threats driven by the widespread use of Large Language Model (LLM) services. Because traditional detection methods based on static keywords and regular expressions are vulnerable to context-dependent attacks—such as obfuscation, role disguise, and indirect instructions—commercial LLM-based detection methods that can understand semantic context have recently been utilized as a great alternative. However, the Safety Guardrails of commercial APIs can block high-risk malicious payloads even before the model’s inference stage. This causes a phenomenon called ‘Guardrail Interference,’ where the detector is prevented from actually analyzing the attack. In an experiment involving 100 cases using the Gemini API, the static keyword-based detector recorded an accuracy of 71%, while the LLM-based detector only achieved 55%. Furthermore, 38 of those cases were blocked right at the API level, meaning no proper semantic analysis results were returned at all. This tells us that the very safety mechanisms built to protect general users can actually act as a ‘black box’ obstacle in an AI Security monitoring environment. Therefore, a fail-safe design that relies solely on the API’s blocked status has its clear limitations. To overcome this, we need to introduce open-source LLMs that allow us to control security policies, along with independent detection paths.

클라우드 컴퓨팅의 확산으로 정보시스템의 확장성과 유연성은 비약적으로 향상되었으나, 로그 접근 범위의 제한 및 상세로그 확보·조회·보관에 따른 추가 비용으로 인해 사후 증거 분석에 제약이 발생한다. 이러한 환경에서는 사후 대응만으로 침해 행위를 온전히 재구성하기 어려우므로, 조사에 필요한 잠재적 증거가 사전에 수집·보존되도록 로그 확보 기준을 정립하는 포렌식 준비도(Forensic Readiness) 체계가 필요하다. 그러나 기존 모델은 온프레미스 환경을 중심으로 설계되어 클라우드의 한계를 충분히 고려하지 못한다. 이에 본 연구는 한정된 자원을 효율적으로 활용하고, 사고 조사에 필요한 핵심 로그를 선제적으로 수집·보존하는 ‘위험도별 클라우드 포렌식 준비도 모델’을 제안한다.

The proliferation of cloud computing has dramatically enhanced the scalability and flexibility of information systems. However, constraints in post-incident evidence analysis arise due to restricted log access and the additional costs associated with acquiring, querying, and storing detailed logs. In such an environment, relying solely on reactive post-incident responses makes it challenging to fully reconstruct malicious activities. Therefore, a Forensic Readiness framework is essential to establish preemptive log acquisition standards, ensuring that potential evidence required for investigations is collected and preserved in advance. Nevertheless, existing models are primarily tailored to on-premises environments, failing to adequately address the limitations of the cloud. Accordingly, to efficiently utilize limited resources, this study proposes a ‘Risk-Based Cloud Forensic Readiness Model’ that proactively collects and preserves core logs necessary for incident investigations.

오늘날 온라인 SNS는 사회의 중요한 부분으로 자리 잡으며 개인정보 공유를 활성화하지만, 이로 인해 개인정보 유출 및 사생활 침해의 위험 또한 증대한다. 특히 무분별한 정보 공유로 인한 자가 보호 인식 부족은 심각한 문제로 대두한다. 본 연구는 이러한 문제 인식을 바탕으로 개인정보의 개념 SNS의 개념등 다양한 유출 유형을 분석하고, SNS 사용자의 정보 공유 행태 및 개인정보 유출 위험성에 대한 인식 수준을 고찰한다. 나아가 소프트웨어 업데이트, 앱 접근 권한 설정 관리, 패스워드 설정, 개인정보 제공 시 주의, 정보보안 인식 개선과 같은 사용자의 실천적 자가 보호 행위를 강조하며, 개인정보 중요도 인지 및 비공개 설정, 프라이버시 정책 이해 및 위험 인지, 데이터 분리 및 허위 정보 활용, 정보 관련자 대상 접근 권한 설정, 그리고 개인정보 노출 탐지 시스템 활용과 같은 심층적인 자가 보호 방안을 제시하여 SNS 환경에서의 개인정보 보호를 위한 포괄적인 전략을 모색한다.

Today, online SNS is an important part of society and activates the sharing of personal information, but this also increases the risk of personal information leakage and invasion of privacy. In particular, the lack of self-protection awareness due to indiscriminate information sharing is a serious problem. Based on this recognition of problems, this study analyzes various types of leakage, such as the concept of personal information and the concept of SNS, and examines the level of awareness of SNS users' information sharing behavior and the risk of personal information leakage. Furthermore, it emphasizes users' practical self-protection behaviors, such as software updates, app access rights setting, password setting, caution when providing personal information, and improving information security awareness, and seeks a comprehensive strategy for personal information protection in the SNS environment by presenting in-depth self-protection measures such as recognizing the importance and non-disclosure of personal information, understanding and risk of privacy policies, using data separation and false information, setting access rights to information related persons, and utilizing the personal information exposure detection system.

기존 산업 보안 연구들은 현장의 실질적 보안 이슈를 다루기보다는 특정 산업 영역의 공개된 공격 데이터셋의 탐지 성능 향상 및 비교 위주로 이루어졌다. 그러나 현장에서는 OT(Operational Technology) 아키텍처를 기반으로 구현 가능한 실질적 기술이나 솔루션이 필요한 상황이므로 본 논문에서는 현장에서 요구되는 기능 범주로 분류하고 해당 범주별 기업의 기술 방향성과 연구 동향을 분석하여 OT 보안의 발전 방향성을 살펴보고자 한다.

Traditional research in industrial security has largely focused on benchmarking detection performance against public datasets rather than addressing real-world operational challenges. To bridge this gap, this study shifts the focus toward practical technologies and solutions applicable to actual OT architectures. We classify OT security requirements into functional categories and analyze current industrial trends and research trajectories to provide a comprehensive roadmap for the future of OT security.

현대 사회에서 3D 렌더링 기술은 사물이나 사람 인식 등 많은 분야에서 활용되고 있다. 이 기술은 서비스 현황을 나타내는 도구로서 비즈니스 환경에서 많이 활용되고 있다. 그러나 이 기술은 보안 위협에도 활용될 수 있다. 한편 최근에는 적대적 예제 공격, 안면 인식 모델 공격, 모델 리버스 엔지니어링 공격 기술이 개발되고 이 공격을 이용한 피해가 확산되고 있다. 이러한 공격들에 대한 대응 방안을 수립하지 못한다면, 그 피해는 더욱 커질 것이다. 본 연구에서는 이러한 환경에 대응하기 위해 3D 렌더링 기술을 이용한 보안 위협 식별 및 분석 플랫폼을 제안한다. 본 연구에서 제안하는 플랫폼은 3D 환경에서 이벤트 속성 분석을 통해 위협을 식별할 수 있다.

In modern society, 3D rendering technology is utilized in many fields, such as object and person recognition. This technology is widely used in business environments as a tool to represent service status. However, this technology can also be exploited for security threats. Meanwhile, recently, adversarial example attacks, facial recognition model attacks, and model reverse engineering attack techniques have been developed, and damage caused by these attacks is spreading. If countermeasures against these attacks are not established, the damage will only increase. To address this environment, this study proposes a security threat identification and analysis platform utilizing 3D rendering technology. The platform proposed in this study can identify threats through the analysis of event attributes in a 3D environment.

공간정보시스템(GIS)은 스마트시티, 디지털트윈 등 다양한 분야의 핵심 정보 인프라로 활용되고 있으나, 기존 보안 취약성 관리체계는 GIS의 고유한 특성을 충분히 반영하지 못한다. 본 논문에서는 공간데이터, 좌표참조체계(CRS), 위상관계, 공간분석, 메타데이터 및 GIS 서비스를 기준으로 CWE, CVE 및 CVSS의 GIS 적용성을 평가하였다. 이를 기반으로 기존 국제표준과의 연계성을 유지하면서 GIS 특성을 반영할 수 있는 3계층 보안 취약성 분류 프레임워크를 제안하였다. 또한 GeoServer에서 공개된 실제 CVE 9건을 대상으로 실증분석을 수행하여 모든 취약점이 제안 프레임워크에 매핑될 수 있음을 확인하였다. 제안 프레임워크는 기존 취약성 관리체계를 보완하여 GIS 특화 보안 취약성 관리와 향후 위험도 평가 및 보안 거버넌스 연구의 기반으로 활용될 수 있다.

Geographic Information Systems (GIS) are widely used in smart cities, digital twins, and other critical domains. However, existing vulnerability management systems do not sufficiently reflect the unique characteristics of GIS. This study evaluates the applicability of CWE, CVE, and CVSS to GIS based on six criteria, including spatial data, CRS, topology, spatial analysis, metadata, and GIS services. Based on the results, a three-level GIS security vulnerability classification framework is proposed while maintaining compatibility with existing standards. An empirical analysis of nine publicly disclosed GeoServer CVEs confirmed that all vulnerabilities could be mapped to the proposed framework. The results demonstrate that the framework complements existing vulnerability management systems by providing GIS-specific security contexts and can serve as a foundation for GIS security risk assessment and governance.

본 연구는 Constitutional Classifier형 런타임 안전성 분류기를 모사하여 라벨 반전형 데이터 포이즈닝에 따른 고신뢰 백도어 실패와 다계층 검증 조건을 분석하였다. 경량 분류기 10개 시드에서 5% 오염의 평균 ASR은 99.0%였다. DistilBERT 5개 시드 진단에서는 알려진 트리거 ASR이 모두 100.0%였고 마진 기반 백도어 라우팅 재현율은 0%였다. Novel-template triggered 조건에서도 ASR은 100.0%였으나 clean unsafe 성능은 시드 간 크게 변동하였다. WildGuardTest 외부 스트레스 테스트에서 하부 ASR은 평균 89.04%였고 Shield-SR은 최종 ASR을 8.20%로 낮췄다. 알려진 트리거 신호 제거 시 최종 ASR은 novel-template 68.56%, WildGuard 58.32%로 상승하였다. 결과는 신뢰도 단독 라우팅(confidence-only routing)의 한계와 다중 신호 라우팅의 보완 가능성, 알려진 표지 의존성과 외부 분포 이동이라는 경계조건을 함께 보여준다.

This study examines high-confidence backdoor failures in runtime safety classifiers exposed to label-flipping data poisoning and evaluates multi-layer verification. Across 10 seeds, the lightweight classifier reached a mean ASR of 99.0% at 5% poisoning. In a five-seed DistilBERT diagnostic, known-trigger ASR was 100% for every seed and confidence-margin routing escalated none of the false-safe attacks. Triggered ASR also remained 100% on a novel-template stress set, although clean unsafe performance varied substantially across seeds. On WildGuardTest, the lower classifier showed a mean triggered ASR of 89.04%, while Shield-SR reduced final ASR to 8.20%. Removing the explicit trigger-aware signal increased final ASR to 68.56% on the novel-template set and 58.32% on WildGuard. Taken together, the results indicate that confidence-only routing is unreliable when poisoned lower-layer classifiers fail with high confidence. Combining heterogeneous routing signals substantially broadens escalation coverage, but the observed gains remain conditional on known-trigger detection and are sensitive to distribution shift.

물리적 망분리 의무가 완화된 이후, 국내 금융기관은 규제 준수 검증과 보안 투자 의사결정에 제로트러스트 성숙도 자가평가를 점차 폭넓게 활용하고 있다. 그러나 이러한 활용은 성숙도 점수가 높을수록 실제 방어 역량도 강하다는 것을 전제한다. 본 연구는 여섯 개 예방적 보안 역량을 다섯 단계의 성숙도 수준에서 실제 보안 메커니즘으로 구현한 Docker 기반 격리 테스트베드를 이용하여 이 전제를 실증적으로 평가하였다. MITRE ATT&CK 기반 공격을 반복 수행함으로써 방어 결과가 실제커널 상태와 암호학적 상태를 반영하도록 하였다. 역량과 성숙도를 조합한 30개 셀을 측정한 결과, 자가평가 점수는 선형으로 증가한 반면 실측 방어 성능은 활성화 임계 수준이 서로 다른 역량별 계단 함수 형태를 보였다. 운영 중인 금융기관 한 곳의 자가평가 원자료와 대조한 결과, 일곱 개 측정선 전부에서 0이 아닌 편향이 확인되었다. 네 개 측정선에서는 측정으로 확인되지 않은 방어가 과대 산정되었고(데이터 암호화 +0.80으로 최대), 세 개 측정선에서는 실제로 효과가 있는 방어가 과소 산정되었다. 단일 기관·단일 도구 사례라는 점에서 이러한 편향 값은 모집단 추정치가 아니며, 본 연구의 결과는 역량별 보정이 보다 넓은 규모의 검증을 거쳐야 함을 시사한다.

Following the relaxation of mandatory physical network isolation, South Korean financial institutions increasingly use zero trust maturity self assessments for regulatory compliance verification and security investment decisions. However, this practice assumes that higher maturity scores represent stronger defensive capabilities. This study empirically evaluates this assumption using a Docker-isolated testbed, where six preventive capabilities were implemented as actual security mechanisms across five maturity levels. Repeated MITRE ATT&CK-based attacks ensured that defence outcomes reflected real kernel and cryptographic states. Results from 30 capability–maturity combinations showed that self-assessment scores increased linearly, whereas measured defence performance followed capability-dependent step functions with different activation thresholds. Comparison with one operating financial institution’s raw self-assessment revealed non-zero bias across all seven lines: four over-credited defences not confirmed by measurement, with data encryption reaching +0.80, while three under-credited effective defences. Given the single-institution, single-tool case, these bias values are not population estimates; rather, the findings indicate that capability-specific calibration requires validation at scale.

본 연구는 네트워크 침입탐지에서 중복 특징을 줄이면서 다중 공격 유형의 탐지 성능을 유지하기 위한 최소 지배 집합(Minimum Dominating Set, MDS) 기반 특징 선택 방법을 제안한다. NSL-KDD의 41개 특징을 노드로 구성하고, 학습 데이터에서 계산한 Pearson 상관계수가 임계값 이상인 특징 쌍을 간선으로 연결하여 특징 상관관계 그래프를 생성하였다. 이후 이진 입자 군집 최적화(Binary Particle Swarm Optimization, 이하 이진 PSO)를 이용하여 그래프의 모든 노드를 지배하는 최소 특징 집합을 탐색하였다. 상관계수 임계값 0.6, 0.7, 0.8, 0.9를 적용하고, 전체 41개 특징 기준선 및 Logistic Regression, Decision Tree, Random Forest, SVC, MLP의 다섯 분류기를 이용하여 총 125회 성능을 비교하였다. 선택 특징 수는 평균 27.40 ~ 34.20개로 전체 특징 대비 16.59~33.17% 감소하였다. 특히 임계값 0.8의 MLPClassifier는 Macro F1 0.8824 ±0.0061로 전체 특징 기준선보다 0.0153 높았으며, SVC도 0.0018 향상되었다. 반면 일부 모델에서는 성능 저하가 나타나 특징 선택 효과가 분류기와 그래프 임계값에 따라 달라짐을 확인하였다. 본 연구는 그래프 지배성에 기반한 대표 특징 선택과 반복 실험을 통해 특징 수, 탐지 성능, 계산 시간 사이의 모델별 절충 관계를 정량적으로 제시한다.

This study proposes a minimum dominating set (MDS)-based feature selection method to reduce redundant variables while preserving multiclass intrusion-detection performance. A feature-correlation graph was constructed from the 41 NSL-KDD features by connecting pairs whose positive Pearson correlation, calculated only from the training split, exceeded a specified threshold. Binary particle swarm optimization was then used to search for a minimum subset that dominates all vertices in the graph. Four correlation thresholds (0.6, 0.7, 0.8, and 0.9), a full 41-feature baseline, and five classifiers—Logistic Regression, Decision Tree, Random Forest, SVC, and MLP—were evaluated in 125 classification runs. The selected subsets contained 27.40 –34.20 features on average, corresponding to reductions of 16.59–33.17%. The strongest selected-feature result was obtained by MLPClassifier at threshold 0.8, achieving a macro F1-score of 0.8824 ±0.0061, an improvement of 0.0153 over its full-feature baseline. SVC also showed a small improvement, whereas other classifiers exhibited model-dependent performance losses. These results demonstrate that graph-based representative feature selection can preserve or improve minority-class-sensitive performance for some classifiers, but that the benefit depends on both the graph threshold and the learning algorithm. The study quantitatively clarifies the trade-off among dimensionality reduction, predictive performance, and computational cost.

브라우저 확장 프로그램은 높은 권한을 가진 채 설치 이후 자동으로 업데이트되어, 정상 기능으로 신뢰를 쌓은 뒤 악성으로 바뀌는 공급망 공격에 악용될 수 있다. 그러나 기존 검증은 설치 시점에 집중되어 배포 이후의 변화를 다루기 어렵다. 이에 본 연구는 확장 프로그램을 공급망 보안 관점에서 재정의하고, 유입·검증·저장·재평가로 이어지는 순환 구조의 다층 검증 체계를 제안한다. 사용자가 내부 저장소를 거쳐 설치하도록 하여 모든 버전을 수집하고, 버전·권한·외부 통신·평판 변화를 지속적으로 추적한다. 새 버전은 대기열에 보관해 평판 형성 시간을 확보하며, 정적·동적 분석과 평판 정보를 결합하고 RAG 기반 시나리오 매칭과 LLM을 통해 관리자의 승인·차단 판단을 지원한다. 이로써 단일 시점 탐지가 아닌 지속 운영 가능한 공급망 보안 모델을 구현하며, VS Code Extension과 데스크톱 애플리케이션 등 외부 저장소·자동 업데이트를 공유하는 소프트웨어 공급망으로 확장할 수 있다.

Browser extensions run with high privileges and update automatically after installation, allowing them to be exploited in supply chain attacks: an extension first earns user trust through legitimate functionality and later turns malicious through an update. Because existing verification concentrates on the moment of installation, it struggles to address changes that occur after deployment. This study therefore redefines browser extensions from a supply chain security perspective and proposes a cyclical, multi-layered verification system spanning intake, verification, storage, and re-evaluation. By having users install extensions through an internal repository, the system collects every version and continuously tracks changes in version, permissions, external communication, and reputation. New versions are held in a queue so that reputation can form, static and dynamic analysis are combined with reputation information, and RAG-based scenario matching together with an LLM supports the administrator's approval and blocking decisions. As a result, the system realizes a continuously operable supply chain security model rather than single-point detection, and it can be extended to software supply chains that share external repositories and automatic updates, such as VS Code Extensions and desktop applications.

2026년 4월 앤트로픽(Anthropic)이 공개한 자율형 사이버보안 특화 AI 모델 '클로드 미토스 프리뷰(Claude Mythos Preview)'는 기존의 취약점 스캐닝 도구와는 질적으로 다른 차원의 역량을 보여주었다. 미토스는 인간의 개입 없이 자율적으로 취약점을 탐색하고, 실제 공격 코드(exploit)를 생성하며, 주요 운영체제와 웹브라우저에서 수천 건의 고위험 제로데이(zero-day) 취약점을 발견하였다. 이는 사이버보안의 공격-방어 균형을 근본적으로 변화시키는 전환점으로, 특히 복잡한 권한 구조와 대규모 레거시 시스템을 보유한 금융권에 심대한 위협이 된다. 본 연구는 미토스 모델의 기술적 특성과 이중 사용(dual-use) 위험성을 분석하고, 자율형 AI 공격이 금융 시스템에 미치는 위협 시나리오를 체계적으로 도출한다. 나아가 금융기관의 대응을 위한 탐색적 프레임워크로서 AI 위협 거버넌스, 제로트러스트(Zero Trust) 아키텍처 전환, SOAR(Security Orchestration, Automation and Response) 기반 자동화 방어, AI 기반 레드팀(Red Team) 모의침투의 4대 핵심전략과, 이를 뒷받침하는 공급망 보안 강화 및 AI 보안 전문인력 양성의 2대 기반요인을 제시한다. 아울러 한국 금융권의 망분리 규제 완화 흐름과 연계하여 실효성 있는 제도적 정합성 방안을 논의한다. 본 프레임워크는 문헌 연구와 사례 분석에 기반한 개념적 설계 단계의 산출물로서, 그 타당성에 대한 실증적 검증은 후속 연구 과제로 남긴다.

In April 2026, Anthropic released 'Claude Mythos Preview,' an autonomous cybersecurity-specialized AI model that demonstrated qualitatively unprecedented capabilities. Mythos autonomously discovers vulnerabilities, generates exploits, and has identified thousands of high-severity zero-day flaws across major operating systems and web browsers without human intervention. This represents a fundamental inflection point in the attack-defense balance of cybersecurity, posing particularly severe threats to financial institutions with complex authorization structures and large-scale legacy systems. This study analyzes the technical characteristics and dual-use risks of the Mythos model, systematically derives threat scenarios for financial systems, and proposes an exploratory response framework comprising four core strategies—AI threat governance, Zero Trust architecture transition, SOAR-based automated defense, and AI-powered Red Team penetration testing—supported by two enabling factors: supply chain security and AI security workforce development. Furthermore, the study discusses regulatory alignment with the ongoing relaxation of network separation regulations in the Korean financial sector. As a conceptual design based on literature review and case analysis, the framework's empirical validation is left for future research.

클라우드 네이티브 환경에서 Micro-Segmentation은 워크로드 간 불필요한 통신과 횡적 이동을 제한하는 Zero Trust 기술이다. Kubernetes는 NetworkPolicy로 Pod 간 통신을 제어하지만, 여러 정책의 결합과 선택자·포트 조건으로 인해 최소권한 적용 여부를 판단하기 어렵다. 본 연구에서는 NetworkPolicy YAML을 정적으로 분석하여 정책 허용 통신관계를 생성하고, 설정에서 도출한 기준 통신관계와 비교하는 최소권한 검증기법을 제안한다. 기준 통신관계는 Deployment 환경변수를 Service의 selector, port 및 targetPort와 연결하여 구성한다. 정책 허용 통신관계는 선택자, Ingress·Egress 규칙, 프로토콜, 포트 및 다중정책의 합산효과를 반영하여 산출한다. Online Boutique에서는 정책 허용관계 103개 중 16개가 기준 통신관계와 일치하였으며, 87개는 과도허용 후보로 분류되었다. 47개의 정책 변경 시나리오에서는 누적 1,249건의 관계 변화가 발생하였다. Calico Stars에서는 기준 통신관계 2개가 모두 허용되었으며 과도허용 후보와 정상통신 차단은 확인되지 않았다. 확장성 평가에서는 1,000개의 합성 정책을 약 1.12초와 최대 Python 할당 메모리 6.04MB로 처리하였다. 제안기법은 클러스터 없이 배포 전 최소 권한 상태와 정책 변경 영향을 검토하는 데 활용할 수 있다. 다만 결과는 두 공개 사례의 분석범위에 한정된다.

Micro-segmentation is a Zero Trust technique for restricting unnecessary workload communication and lateral movement. However, Kubernetes NetworkPolicy resources alone do not demonstrate least-privilege enforcement because combined policies and broad conditions may permit unintended communication. This study proposes a static analysis method that derives policy-allowed relationships from NetworkPolicy YAML files and compares them with reference relationships from public configurations. Reference relationships link Deployment environment variables with Service selectors, ports, and target ports. Policy-allowed relationships reflect selectors, ingress and egress rules, protocols, ports, and multiple-policy effects. In Online Boutique, 103 relationships were allowed; 16 matched the reference relationships, while 87 were classified as potential over-permissions. Additionally, 47 policy-change scenarios produced 1,249 cumulative relationship changes. In Calico Stars, both reference relationships were allowed, with no potential over-permission or blocked required communication. A scalability experiment processed 1,000 synthetic policies in 1.12 seconds using 6.04 MB of peak Python-allocated memory. The proposed method supports pre-deployment least-privilege and policy-change reviews without a running Kubernetes cluster, although the results are limited to the selected cases and scope.

본 연구는 국내에서 서비스되는 모바일 게임 사업자의 개인정보 처리방침에 포함된 프라이버시 다크패턴을 탐지하기 위해 개인정보보호위원회의 공식 기준에 기반한 규칙 기반 자연어처리(NLP) 방법을 제안하였다. 다크패턴 11개 유형을 탐지 가능성에 따라 분류하고, 텍스트 탐지가 가능한 5개 유형에 대해 정규화·문장 분리·부정문 처리 기반 탐지 모듈을 구현하였다. 2026년 6월 기준 매출 상위 사업자의 개인정보 처리방침 31개를 층화 표집해 분석한 결과, 법정 필수항목 충족률은 사업자 층위별로 유의한 차이를 보였고, 국내 사업자에서 높고 일부 해외 사업자에서 낮았다. 특히 일부 서구·일본계 사업자는 개인정보 보호책임자와 파기절차 등 절차적 고지 항목의 기재 수준이 낮았다. 이는 형식적 법정 요건 충족 수준의 차이가 사업자 국적보다 한국 시장 대상 처리방침의 현지화 수준과 더 관련될 가능성을 시사한다.

This study proposes a rule-based NLP method to detect privacy dark patterns in the privacy policies of mobile game providers in Korea, based on the official PIPC taxonomy. Eleven dark pattern types were classified by textual detectability, and five text-detectable types were implemented using normalization, sentence segmentation, keyword matching, and negation handling. Analysis of 31 privacy policies from top-grossing providers as of June 2026 found significant differences in mandatory-disclosure compliance across strata, with higher compliance among domestic providers and lower compliance among some foreign providers. Some Western and Japanese providers also showed lower disclosure levels for data protection officers and destruction procedures. These findings suggest that formal compliance may be more closely related to localization for the Korean market than to nationality alone.

대규모 언어 모델(LLM)을 활용한 자동 보안 패치가 확산되고 있으나, 취약점 제거와 기존 기능 보존을 동시에 검증한 실증 연구는 충분하지 않다. 특히 코드 간 의존성이 강한 실제 서비스에서는 한 지점의 보안 수정이 다른 모듈의 동작 계약을 위반하여 기능을 훼손할 수 있다. 본 연구는 전자정부 표준프레임워크(eGovFramework) 기반 웹 애플리케이션에 OWASP 기반 취약점을 주입하고, 상용·공개 LLM의 패치를 보안 오라클과 기능 오라클로 자동 채점하였다. 취약점은 자기완결형과 외부 의존형으로 구분하였다. 실험 결과 외부의존형은 맥락 없는 패치에서 78%가 기능을 훼손한 반면 자기완결형에서는 기능 훼손이 나타나지 않았다. 종속성 계약을 프롬프트에 명시해도 기능붕괴율은 낮아지지 않았다. 이는 LLM 보안 패치의 부작용을 가르는 핵심 요인이 모델 역량보다 외부 코드 의존성에 있음을 시사한다. 본 연구는 재현 가능한 이중 오라클 평가 하네스를 구축하여 이 현상을 정량화하고, 부작용 억제에는 프롬프트를 넘어 도구 차원의 개입이 필요함을 보였다. 아울러 보안성·활용성 동시 평가 지표와 패치 부작용의 실증 근거를 제시하였다.

Automatic security patching with large language models (LLMs) is increasingly widespread, yet few studies jointly verify that a patch removes the vulnerability while preserving existing functionality. In services with tightly coupled code, a fix at one site may violate the behavioral contracts of dependent modules and break functionality. We inject OWASP-based vulnerabilities into a web application built on the e-Government Standard Framework (eGovFramework) and score patches from commercial and open-source LLMs using separate security and functional oracles, classifying each vulnerability as self-contained or externally dependent. Externally dependent vulnerabilities broke functionality in 78% of context-free patches, whereas self-contained ones showed none; stating the dependency contract in the prompt did not help. This suggests that the primary factor in these side effects is external code dependency rather than model capability. We contribute a reproducible dual-oracle harness, joint security–usability metrics, and evidence that suppressing the side effects requires tool-level intervention beyond prompting.

동형암호를 이용한 생체 인증 프로토콜은 서버가 암호화된 생체 정보를 복호화하지 않고도 인증 결과를 계산할 수 있어 프라이버시 보호 수단으로 주목받고 있다. 그러나 기존 동형암호 기반 프로토콜은 사용자가 비밀키를 단독으로 보유하고 이를 이용하여 인증 결과를 스스로 복호화하는 구조를 채택하여, 사용자가 결과를 임의로 조작해 정당한 생체 정보 없이 인증에 성공할 수 있는 구조적 한계를 지닌다. 본 논문에서는 이를 해결하기 위해 동형암호에 가법 비밀 분산과 마스킹을 결합한 프라이버시 보장 생체 인증 프로토콜을 제안한다. 마스터 비밀키를 사용자와 서버에 분산하여 어느 한쪽도 단독으로 암호문을 복호화할 수 없도록 하고, 상호작용을 통해 서버만이 최종 인증 결과를 평문으로 획득하도록 한다. 이를 통해 기존의 악의적인 사용자에 의한 인증 결과 위ㆍ변조 문제를 해결할 수 있다. 또한 결과 암호문의 슬롯에 실제 결과와 검증값을 무작위로 섞어 배치하는 컷앤추즈 기법으로 상호작용 복호화 과정의 결과 조작을 탐지하며, 챌린지 난수로 재전송 공격에 대응한다. 안전성분석을 통해 악의적인 사용자의 위조 성공 확률이 링 차원 N에 대하여 2/N 이하로 제한됨을 보였으며, 지문 데이터셋을 이용한 구현으로 실현 가능성을 확인하였다.

Biometric authentication protocols using homomorphic encryption have drawn attention as a privacy-preserving means, since a server can compute the authentication result without decrypting the encrypted biometric data. However, existing homomorphic encryption-based protocols typically let the client alone hold the secret key and decrypt the authentication result, allowing a malicious client to forge the result and pass authentication without a genuine biometric sample. This paper proposes a privacy-preserving biometric authentication protocol that combines homomorphic encryption with additive secret sharing and masking to address this limitation. The master secret key is split between the client and the server so that neither party can decrypt a ciphertext alone, and through an interactive process only the server obtains the final authentication result in plaintext. This resolves the problem of authentication result forgery by malicious clients in existing protocols. A cut-and-choose technique further embeds the true result with decoy values across random slots of the result ciphertext, letting the server detect tampering during interactive decryption, while a challenge nonce defends against replay attacks. Security analysis shows a malicious client's forgery success probability is bounded by 2/N with respect to the ring dimension N, and an implementation using a fingerprint dataset confirms the protocol's feasibility.

전자기 스펙트럼 데이터를 효과적으로 공유하기 위한 표준으로 미군의 표준 스펙트럼 자원 포맷(Standard Spectrum Resource Format, SSRF)이 널리 활용된다. 그러나 XML 스키마 검증과 전자서명 및 해시 기반의 무결성 검증은 데이터의 형식 유효성과 전송 무결성 그리고 진본성만을 보장할 뿐, 공유된 스펙트럼 데이터의 의미적, 물리적 정합성을 검증하지 못한다. 따라서 정당한 권한을 가진 내부자가 물리적으로 불가능한 값을 정상 서명과 함께 전송하면 기존 검증을 모두 통과하며, 이는 잘못된 주파수 배정이나 간섭 오판으로 이어질 수 있다. 본 논문은 SSRF 기반 스펙트럼 정보 공유를 대상으로, 정합성 검증 문제를 형식, 의미, 물리의 3계층으로 정식화하고, 규칙 기반 물리 검증과 기계학습 이상탐지 기법을 결합한 하이브리드 프레임워크를 제안한다. 제안기법은 물리적으로 불가능한 레코드를 거부하고, 정합성 이탈 레코드를 이상 후보로 선별하여 위험도에 따라 검증 우선순위를 부여한다. 전파 모델 기반 합성 데이터와 위변조 시나리오를 이용한 실험에서, 제안기법은 분포 이탈형을 포함한 위변조 데이터를 높은 정확도로 선별하였으며, 임계값 설정을 통해 오탐율을 목표 수준으로 통제할 수 있음을 보였다.

The Standard Spectrum Resource Format (SSRF) of the U.S. military is widely used as a standard for effectively sharing electromagnetic spectrum data. However, XML schema validation and digital-signature/hash-based integrity verification only guarantee the format validity, transmission integrity, and authenticity of the data; they do not verify the semantic and physical consistency of the shared spectrum data. Therefore, if an authorized insider transmits physically impossible values together with a valid signature, the record passes all existing checks, which can lead to erroneous frequency assignment or misjudgment of interference. This paper targets SSRF-based spectrum information sharing, formalizes the consistency-verification problem into three layers—syntactic, semantic, and physical—and proposes a hybrid framework that combines rule-based physical verification with a machine-learning anomaly-detection technique. The proposed method rejects physically impossible records and selects consistency-violating records as anomaly candidates, assigning verification priority according to their risk. In experiments using propagation-model-based synthetic data and tampering scenarios, the proposed method selected tampered data—including the distribution-shift type—with high accuracy and showed that the false-positive rate can be controlled to a target level through threshold configuration.

대규모 언어모델(LLM)을 업무에 활용하는 과정에서 사용자가 입력한 프롬프트에 개인정보나 내부 식별자가 포함될 경우, 해당 정보가 외부 LLM 서비스로 전송될 가능성이 있다. 본 연구에서는 이러한 문제를 해결하기 위해 외부 전송 전에 기밀 정보를 별도의 토큰으로 치환하고, 외부 LLM의 응답을 처리하는 과정에서 이를 원문으로 복원하는 가역 마스킹 기반의 AI 보안 게이트웨이를 설계하고 구현하였다. 제안 시스템에는 정규식 기반 마스킹, 로컬 LLM을 이용한 보안 판정 및 마스킹, 입력정규화, fail-closed policy를 적용하였다. 총 1,300건의 평가 데이터(한국어 660건, 영어 640건)를 사용하여 성능을 평가한 결과, 설계 범위 내에서 제안 시스템의 엄격 마스킹 성공률은 50.4%(282/559)로 나타났다. 이는 정규식 단독 방식의 30.9%(173/559)보다 19.5%p 높은 수치이다. 설계 범위 559건 전체를 분모로 한 잔존 유출률은 정규식 단독 방식의 68.3%(382/559)에서 제안시스템의 25.4%(142/559)로 감소하였다. 또한 정규식 단독 방식에서 마스킹에 성공한 사례가 없었던 262건의 회피 공격 입력 중 제안 시스템은 71건(27.1%)을 마스킹하였다. 입력 정규화의 효과를 확인하기 위해 L1(기호 삽입) 및 L2(인코딩) 방식의 회피 입력 146건을 평가한 결과, 엄격 마스킹 성공률은 OFF 23.3%에서 ON 45.2%로 증가하였다. 반면 의미 재구성 방식의 L3 입력 116건에서는 OFF와 ON 모두 4.3%(5/116)로 관측 변화가 없었다. Phase 3 평가에서는 처리 실패(ERROR)가 66/300(22.0%), 전송 차단(BLOCK)과 ERROR를 합친 가용성 손실이 121/300(40.3%)이었다. 한편 설계 범위에서 실제 외부 전송된 424건 중 142건(33.5%)에는 정답 기밀 문자열이 남았으며, 이 142건 중 92건(64.8%)은 전송 허용(ALLOW)으로 분류된 탐지 실패였다. 이러한 결과는 정규식, 로컬 LLM, 입력 정규화의 기여와 한계가 회피 유형에 따라 다르며, 하이브리드 결합이 모든 입력 구간에서 개선을 제공하지는 않음을 보여 준다. 따라서 AI 보안 게이트웨이의 평가에서는 엄격 마스킹 성공률, 실제 전송본의 잔존 유출률과 가용성 비용을 함께 고려해야 한다.

Workplace prompts sent to external large language models (LLMs) may expose personal information and internal identifiers. We designed and implemented a reversible-masking AI security gateway combining regular expressions, local LLM judgment and masking, input normalization, and fail-closed transmission control. It replaces confidential strings with request-bound tokens before transmission and restores them during response processing. We evaluated 1,300 inputs: 660 Korean and 640 English. Among 559 in-scope masking inputs, strict masking success was 50.4% (282/559), versus 30.9% (173/559) for regular expressions alone, a 19.5 percentage-point difference. Across the same 559 inputs, residual leakage decreased from 68.3% (382/559) to 25.4% (142/559). For 262 evasion inputs, strict success was 0/262 for the baseline and 71/262 (27.1%) for the gateway. Normalization increased success on 146 symbol-insertion (L1) and encoding (L2) inputs rom 23.3% with OFF to 45.2% with ON, while semantic-reconstruction (L3) inputs remained 4.3% (5/116) under both conditions. In the 559-input scope, strict success was 60.8% for English and 39.2% for Korean. In Phase 3, processing failures were 66/300 (22.0%), and blocking plus failures caused availability loss of 121/300 (40.3%). Separately, 142 of 424 transmitted in-scope inputs (33.5%) retained reference confidential strings; 92 of these 142 cases (64.8%) were classified ALLOW. The components contributed differently across evasion types, and hybridization did not improve every input category. Gateway evaluation should jointly consider strict masking success, residual leakage in transmitted content, and availability costs.

AI를 활용한 사이버 공격이 빠르게 고도화되면서, 공격 탐지 이후 어떤 대응방책(Course of Action, COA)을 얼마나 신속하고 효과적으로 선택하느냐가 방어 성과를 좌우하게 되었다. 본 연구는 인터넷 접점의 Frontier Red AI와 내부 Local Blue AI Team 간 모의교전을 통해 탐지 결과를 복수 COA의 생성·평가·순위화로 연결하는 사이버 방어 의사결정 지원 프레임워크를 제안한다. Red AI는 공격 전에 목표 자산, 공격경로, ATT&CK 기술, 예상 침해지표와 성공조건을 포함한 정답지를 제출하고, 독립 Referee AI는 이를 Cyber Battle Range의 실측 증거와 대조하여 탐지·대응 결과를 검증한다. 각 COA는 임무점수(Mission Score, MS), 서비스 연속성(Service Continuity, SC), 잔여위험(Residual Risk, RR)으로 평가하고, 세 지표를 결합한 COA Ranking Score(CRS)로 우선순위를 제시한다. 실험 결과, LoRA로 학습한 Multi-LLM 구조는 탐지율 91.8±1.0%, ATT&CK 매핑 정확도 88.9±1.3%, MS 89.8±1.4, FPR 5.9±0.8%를 기록하였다. 또한 5회전의 적응형 연속 교전을 독립적으로 5회 수행한 결과, CRS에 포함되지 않는 실측지표인 공격 성공률(ASR)은 43.2%에서 21.8%로 감소하고 핵심자산 보호율(CAPR)은 78.6%에서 93.1%로 증가하였다. 이러한 결과는 제안 프레임워크가 AI 기반 모의교전 결과를 정량적인 COA 비교와 운용자 승인 절차로 연결하여 사이버 방어 의사결정을 지원할 수 있음을 보여준다.

As AI-assisted cyber attacks become faster and more complex, the ability to select an effective course of action (COA) after detection has become increasingly important to defensive outcomes. This study proposes a cyber-defense decision-support framework in which a Frontier Red AI and a role-separated Local Blue AI Team engage in multi-round wargaming, linking detection results to the generation, evaluation, and ranking of multiple COAs. Before execution, the Red AI submits a fixed ground-truth package containing the target asset, attack path, ATT&CK techniques, expected indicators of compromise, and success conditions. An independent Referee AI then validates the Blue AI outputs against this package and evidence measured in a Cyber Battle Range. Each COA is evaluated using Mission Score (MS), Service Continuity (SC), and Residual Risk (RR), which are combined into a COA Ranking Score (CRS) for prioritization. The LoRA-trained Multi-LLM configuration achieved a detection rate of 91.8±1.0%, ATT&CK mapping accuracy of 88.9±1.3%, an MS of 89.8±1.4, and an FPR of 5.9±0.8%. Across five independent trials of a five-round adaptive engagement, Attack Success Rate (ASR), an outcome metric not included in CRS, decreased from 43.2% to 21.8%, while Critical Asset Protection Rate (CAPR) increased from 78.6% to 93.1%. These results indicate that the proposed framework can connect AI-vs-AI cyber wargaming outcomes to quantitative COA comparison and operational decision support.

클라우드·SaaS·원격접속의 확산으로 전통적인 경계 기반 보안모델의 한계가 증가하고 있으며, 사용자와 장치를 지속적으로 검증하는 Zero Trust 기반 접근통제의 중요성이 확대되고 있다. 본 연구는 중앙집중형 NGFW(Next-Generation Firewall) 관리체계에서 발생할 수 있는 정책 변경의 신뢰성과 감사 증적의 무결성 문제를 보완하기 위해 ZTNA(Zero Trust Network Access), Risk Engine, Hyperledger Fabric 기반 허가형 블록체인 및 NGFW를 결합한 통합 보안 아키텍처를 제안한다. 제안모델은 사용자·장치·네트워크·행위 정보를 기반으로 위험도를 동적으로 평가하고, 정책 변경의 승인·버전·해시 및 감사정보를 블록체인에 기록하여 정책 신뢰성(Policy Trust)을 강화한다. 또한 블록체인을 Data Plane과 분리된 Trust Layer로 구성하고, ZTNA 인증–위험평가–정책검증–NGFW 집행–모니터링–재평가를 폐쇄루프로 통합하였다. MITRE ATT&CK, STRIDE 및 CIA 관점의 정성분석을 통해 정책 위·변조, 부인방지, 접근권한 재조정 및 정책 변경 검증 측면의 보안성을 분석하였다.

The expansion of cloud computing, SaaS, and remote access has increased the need for Zero Trust-based continuous verification. This study proposes an integrated security architecture combining ZTNA, a Risk Engine, Hyperledger Fabric-based permissioned blockchain, and NGFW policy enforcement to enhance policy trust and audit integrity. The model dynamically evaluates session risks using user, device, network, and behavioral information, while policy approvals, versions, hashes, and audit metadata are recorded on the blockchain. Separated from the Data Plane, the blockchain serves as an independent Trust Layer for policy validation and auditability. ZTNA authentication, risk assessment, blockchain validation, NGFW enforcement, monitoring, and reassessment form a Closed-loop Policy Lifecycle. Qualitative analysis using MITRE ATT&CK, STRIDE, and the CIA triad indicates improved controls against policy tampering and repudiation, while supporting dynamic access adjustment and multi-party verification. The proposed architecture integrates access trust and policy trust within a unified policy lifecycle.

본 연구는 생성형 AI의 확산으로 인해 발생하는 윤리적·보안적 문제에 대응하기 위하여 대학생에게 요구되는 AI 윤리·보안 역량 모델(AISE)을 개발하고 타당성을 검증하는 것을 목적으로 한다. 이를 위해 UNESCO AI 윤리 권고안, OECD AI 원칙, 대한민국 AI 윤리기준, NIST AI Risk Management Framework, NIST Generative AI Profile, OWASP Top 10 for LLM Applications 및 AI 리터러시 관련 연구를 분석하였다. 또한 전문가 델파이 조사와 내용타당도 검증, 계층분석법(AHP)을 통해 핵심 역량을 도출하였으며 대학생 127명을 대상으로 탐색적 요인분석(EFA)과 확인적 요인분석(CFA)을 수행하여 모델의 타당성을 검증하였다. 연구 결과 AISE 역량 모델은 AI 이해(Awareness), 윤리적 활용(Integrity), 보안(Security), 비판적 평가(Evaluation)의 4개 상위 영역과 12개 하위 역량으로 구성되었다. 특히 보안 영역을 독립적인 핵심 영역으로 구성하고 비판적 평가 영역을 포함함으로써 생성형 AI 환경에서 요구되는 윤리·보안 역량을 통합적으로 반영하였다. 본 연구는 생성형 AI 활용에 따른 윤리와 보안을 통합적으로 고려한 대학생 AI 역량 모델을 제안하였다는 점에서 의의를 가지며 대학의 AI 교육과정 설계, 학습자 역량 진단 및 교육평가, 생성형 AI 보안교육 프로그램 개발을 위한 실천적 기준을 제공한다.

This study aimed to develop and validate an AI Ethics and Security Competency Model (AISE) for university students in response to the ethical and security challenges posed by the widespread adoption of generative artificial intelligence (AI). To achieve this objective, international AI ethics guidelines, AI security frameworks, and AI Literacy literature were analyzed, including the UNESCO Recommendation on the Ethics of Artificial Intelligence, the OECD AI Principles, the Korean AI Ethics Guidelines, the NIST AI Risk Management Framework, the NIST Generative AI Profile, and the OWASP Top 10 for LLM Applications. In addition, expert Delphi surveys, content validity assessment, and the Analytic Hierarchy Process (AHP) were conducted to identify the core competencies. Subsequently, Exploratory Factor Analysis (EFA) and Confirmatory Factor Analysis (CFA) were performed using data collected from 127 university students to validate the proposed model. The results revealed that the AISE model consists of four upper-level competency domains—Awareness, Integrity, Security, and Evaluation—and twelve sub-competencies. In particular, the Security domain was established as an independent core competency domain, while the Evaluation domain was incorporated to address the critical evaluation of AI-generated outputs, thereby reflecting the ethical and security competencies required in the era of generative AI. The proposed AISE model contributes to the literature by presenting an AI competency model that integrates ethical and security perspectives for university students. Furthermore, it provides a practical framework for AI curriculum design, learner competency assessment, educational evaluation, and the development of generative AI security education programs in higher education.

방산 분야에서의 안티탬퍼(anti-tamper)는 무력화가 복원 불가능한 상태로 끝나도 무방하다고 전제하나, 완전무인자율운항 선박은 수일에서 수 주 뒤 관리권이 회복되어야 하는 자산이다. 자율운항 스택을 파괴하면 복원이 불가능한 사고가 되며, 복원하기 위한 방법을 두면 그 방법을 공격자도 사용할 수 있다. 본 논문은 복원 권한을 선박에서 제거해 이 모순을 푸는 안전 상태 게이트형 복원력 기반 무력화(safety-gated resilient denial of Exploitation, SGRD)를 정의한다. 무력화는 보호 범위 내키를 제로화(zeroisation)하고, 암호화 된 보호 대상은 육상의 분리된 조직 n곳 가운데 t곳이 모여야 발급되는 일회용 토큰으로만 해제되도록 한다. 복원은 무결성을 먼저 증명한 뒤 제안하는 순서에 따라 진행한다. 온라인 복원 경로를 포함한 복원 모델의 열두 속성을 다섯 설계, 곧 기존 안티탬퍼 설계 하나와 SGRD의 기여를 하나씩 뺀 변형 셋, 그리고 SGRD에 대해 전수 검사하였다. 그 결과 기존 설계는 하나를, SGRD는 열둘 모두를 만족하였다. 세 변형이 서로 다른 속성에서 실패하므로, 어느 기제가 어떤 속성을 떠받치는지도 함께 가려진다. 이는 완전무인자율운항선박의 안티탬퍼 요구사항은 파괴가 아니라 복원을 전제해야 한다는 것을 나타내며, 복원력 기반 무력화를 다루지 않는 현행 평가 기준의 확장이 필요함을 나타낸다.

Anti-tampering in the defence domain assumes denial may leave the system unrecoverable, but a fully autonomous uncrewed merchant ship is an asset whose custody must be regained days or weeks later. Destroying the autonomy stack makes a recoverable incident unrecoverable, yet any means provided for restoration is one the adversary can also use. This paper defines safety-gated resilient denial of Exploitation (SGRD), which resolves the contradiction by removing restoration authority from the ship. Denial zeroises the key inside the protection boundary; the encrypted assets open only to a single-use token issued when t of n organisationally separated bodies ashore act together. Restoration attests integrity first, then proceeds in the prescribed order. Twelve properties of a restoration model covering the online path were checked exhaustively across five designs: a conventional anti-tamper design, three variants each dropping one SGRD contribution, and SGRD. The conventional design satisfies one property, SGRD all twelve. Because the three variants fail on different properties, the check also attributes each property to the mechanism that discharges it. This shows that anti-tamper requirements for such ships must presuppose restoration rather than destruction, and that evaluation criteria lacking a vocabulary for resilient denial need extending.

본 연구는 개인정보보호책임자(Chief Privacy Officer, 이하 CPO)의 직무 겸직이 개인정보 보호 거버넌스에 미치는 영향을 분석하였다. 국내 기업에서 나타나는 C-Level 겸직 구조의 이해상충 가능성을 대리인 이론과 직무 분리(SoD) 원칙을 통해 분석하고, 공개된 정보보호 공시자료와 정부 발표자료를 활용하여 겸직 유형별 위험을 관찰할 수 있는 지표와 실증분석 가능성을 탐색적으로 검토하였다. 분석 결과, CPO의 겸직 유형에 따라 자원 배분 편향, 사고 대응 지연, 형식적 컴플라이언스 등 거버넌스 위험의 양상이 상이하게 나타날 가능성이 있는 것으로 분석되었다. 결론적으로 CPO 독립성 확보를 위한 법적 겸직 제한, 이사회 직속 보고 체계, 그리고 산업 특성을 고려한 차별화된 거버넌스 모델 도입의 필요성을 제시하였다.

This study analyzes how dual-role appointments of Chief Privacy Officers (CPOs) affect privacy governance. It examines the potential for conflicts of interest arising from C-Level dual-role structures observed in domestic companies through agency theory and the principle of separation of duties (SoD), and exploratorily reviews indicators for observing risks by dual-role type as well as the feasibility of empirical analysis, drawing on publicly available information security disclosure data and government reports. The analysis suggests that, depending on the type of CPO dual role, governance risks may manifest differently—including resource allocation bias, delayed incident response, and formalistic (box-checking) compliance. In conclusion, the study proposes the need for legal restrictions on dual-role appointments to secure CPO independence, a reporting structure directly under the board of directors, and the introduction of differentiated governance models tailored to industry characteristics

클라우드 서비스 제공자의 네이티브 로깅은 네트워크와 인프라 계층에서 동작해 ISMS-P 2.9.4가 요구하는 접속기록 다섯항목 중 계정 식별자, 정보주체, 수행 업무를 남기지 못한다. 이 항목들은 애플리케이션 감사 로그로 남길 수 있으나 감사 대상이 직접 생성하므로 침해 시 위조될 수 있다. 본 연구는 애플리케이션을 신뢰하거나 수정하지 않고 커널에서 접속기록을 확보하는 eBPF 기반 감사 계층 MECA(Medical eBPF Compliance Architecture)를 제안한다. MECA는 L4와 L7 이중 수집, 프로세스 식별자 기준 상관, 인커널 마스킹을 결합한다. AWS 실측에서 네이티브 로깅이 남기지 못한 세 항목을 포함해 다섯 항목을 모두 수집하였다. 기준 부하 오버헤드는 처리량 -2.82%, 지연 +7.55 ms였다. 애플리케이션 로그가 삭제되거나 위조되어도 MECA의 접속기록은 독립적으로 보존되었다. 본 연구는 커널 계층 감사의 일반 성능을 단정하기보다, 의료 클라우드 기본구성에서 관찰된 접속기록 가시성 공백과 이를 보완하는 애플리케이션 독립 감사 계층의 실효성을 보인다.

Native logging by cloud service providers operates at the network and infrastructure layers and cannot record three of the five access-record items required by ISMS-P criterion 2.9.4: the account identifier, the data subject, and the performed action. The application can log these itself, but that log is produced by the audited application and can be forged once it is compromised. This paper proposes MECA (Medical eBPF Compliance Architecture), a kernel-layer audit tier that neither trusts nor modifies the application, combining L4 and L7 hooks, correlation by process identifier, and in-kernel masking. An AWS measurement captured all five items, including the three that native logging misses. The baseline overhead was -2.82% in throughput and +7.55 ms in latency. Access records survived deletion and forgery of application logs. Rather than asserting the general performance of kernel-layer auditing, this study demonstrates the visibility gap observed under a typical medical-cloud configuration and the effectiveness of an application-independent audit tier that mitigates it.

본 연구는 금융 도메인의 개인정보 유출 위협을 해소하기 위해 외부망과 분리된 폐쇄형(on-premise) AI 모델 기반 신용리스크 예측 프레임워크를 제안한다. 외부 API 호출 없이 사내 인프라에서 학습·추론이 완결되는 네 가지 알고리즘(Logistic Regression, MLP, Random Forest, XGBoost)을 학습 정보의 평가 단계 전이를 차단한 엄격한 폴드 내부 교차 검증 하에 비교하였다. 실험 결과, 앙상블 모델은 PR-AUC(RF 0.395, XGB 0.394)와 F1-Score에서 우수한 변별력을 보였고, MLP는 Brier Score 0.051로 가장 안정적인 확률 보정 성능을 기록하였다. SHAP 분석을 통해 도메인 기반 파생 변수(TotalLate, Utilization_log)의 영향력을 정량적으로 입증하여 폐쇄형 환경에서도 설명 가능성을 확보할 수 있음을 확인하였다.

To address personal information leakage risks in the financial domain, this study proposes an on-premise AI-based credit risk prediction framework isolated from external networks. Without external API calls, four algorithms (Logistic Regression, MLP, Random Forest, and XGBoost) were evaluated under strict fold-internal cross-validation that prevents information leakage across evaluation stages. Experimental results indicate that ensemble models exhibit superior discriminative power in PR-AUC (RF: 0.395, XGB: 0.394) and F1-Score, whereas MLP achieves the most stable probability calibration with a Brier Score of 0.051. Furthermore, SHAP analysis quantitatively confirms the impact of domain-engineered features (TotalLate, Utilization_log), demonstrating that explainability can be maintained even in an isolated environment.

기존 사이버보안 실습 교육은 학습자가 타겟 웹 시스템을 직접 구축하는 과정에서 과도한 외재적 인지 부하를 유발하는 한계가 있었다. 이에 본 연구는 에이전틱 엔지니어링 기반 자율 코드 생성(바이브 코딩)과 Human-on-the-Loop(HOTL) 제어모델을 융합한 교차 공방(Red/Blue) 교수학습 모형을 제안하였다. 2026학년도 실험집단(n=34)과 과거 9년간 전통적 PBL 통제 집단(n=245)을 대상으로 시계열 준실험설계와 다층 측정(NASA-TLX, 루브릭, CQI)을 수행한 결과, 제안 모형은 외재적 인지부하를 유의미하게 경감시키고 확보된 자원을 취약점 분석·방어 설계와 같은 생성적 부하로 전이시켰다. 또한 학업 성취도가 유의미하게 향상되었으며(91.4점, p < .001), 기관 CQI 만족도는 10개년 중 두 번째로 높은 수준(91.55점)을 기록하였다. 본 연구는 LLM 기반 자율 코드 생성이 학습자의 역할을 코드 구현에서 보안 검토·분석 중심으로 이동시켜 실무형 보안 역량 배양에 기여할 수 있음을 확인하였다.

Traditional cybersecurity practicum education imposes excessive extraneous cognitive load on learners who must manually build target web systems. This study proposes a Red/Blue teaming instructional model integrating Agentic Engineering-based autonomous code generation (Vibe Coding) with a Human-on-the-Loop (HOTL) control model. Using a time-series quasi-experimental design, a 2026 experimental group (n=34) was compared with a nine-year traditional PBL control group (n=245) through multi-layered measurements (NASA-TLX, rubric evaluation, and CQI). The proposed model significantly reduced extraneous cognitive load and redirected the freed resources toward germane load activities such as vulnerability analysis and defense design. Academic achievement improved significantly (91.4 points, p < .001), and institutional CQI satisfaction reached 91.55 — the second-highest in the ten-year record. The findings indicate that LLM-based autonomous code generation can shift learners' roles from code implementation toward security review and analysis, contributing to the development of practical cybersecurity competencies.

본 연구는 AI 학습데이터의 윤리 문제를 수집 단계에 한정하지 않고 전처리·라벨링, 개인정보 보호, 편향 점검, 권리행사·파기·재학습까지 포함한 전 과정의 문제로 다루고, 이를 하나의 책임 구조로 연결하는 거버넌스 프레임워크를 제안한다. GDPR, EU AI Act, OECD·UNESCO 권고와 국내 개인정보보호법, 가명정보 처리 가이드라인, AI 기본법을 처리근거, 문서화산출물, 편향 점검, 감사 가능성, 정보주체 권리의 다섯 축으로 비교하였다. 규범 비교 결과, 규범 간 차이는 윤리 원칙 자체보다 요구사항의 구속력과 이행 여부를 확인하기 위한 산출물의 구체성에서 나타났다. 이러한 규범 비교와 선행연구를 바탕으로 데이터 처리 흐름을 5개 단계로 나누고, 각 단계에서 필요한 책임과 통제를 3개 계층으로 구분한 뒤 단계별 기록, 책임주체와 점검지표를 연결하였다. 이후 이루다와 Clearview AI 사례의 공개된 제재·판결 문서에 명시된 사유를 적용하여 각 문제가 프레임워크의 어느 위치에 해당하는지를 확인하였다. 사례 적용은 프레임워크의 운영 효과에 대한 실증적 검증이 아니라 서로 다른 위반 문제를 동일한 기준으로 분류·비교할 수 있는지를 확인하기 위한 것이다. 본 연구는 윤리적 합의를 일회적인 동의가 아니라 데이터 처리 과정의 판단과 이행 내용을 기록하고 지속적으로 확인하는 운영 원칙으로 정의한다.

This study addresses ethical issues in AI training data as lifecycle-wide concerns extending beyond data collection to preprocessing and labeling, privacy protection, bias assessment, the exercise of data subject rights, data disposal, and retraining. It proposes a governance framework that connects these processes within a single accountability structure. The GDPR, EU AI Act, OECD and UNESCO recommendations, Korea’s Personal Information Protection Act, Guidelines for Pseudonymized Information Processing, and AI Basic Act are compared across five dimensions: legal basis for processing, documentation artifacts, bias assessment, auditability, and data subject rights. The comparison shows that the frameworks differ less in their underlying ethical principles than in the binding force of their requirements and the specificity of the artifacts used to demonstrate implementation. Based on the regulatory comparison and prior research, this study organizes the data-processing lifecycle into five stages and distinguishes three accountability layers, linking each stage to corresponding records, responsible actors, and assessment indicators. The framework is then applied to the Iruda and Clearview AI cases by mapping the grounds stated in publicly available enforcement and judicial documents to the relevant stages and accountability layers. This case application is intended to examine whether different violations can be classified and compared using a common structure rather than to empirically validate the framework’s operational effectiveness. Finally, this study defines ethical consensus not as a one-time act of consent, but as an operational principle that requires organizations to document decisions and their implementation throughout data processing and to subject them to continuous review.

한국어 피싱 문자는 공공기관 안내, 금융 인증, 배송·결제 알림처럼 정상 문자와 유사한 형식을 모방하므로 URL, 기관명, 인증 키워드 같은 표면 단서만으로 안정적 탐지가 어렵다. 본 연구는 표면 단서 의존성이 분포 이동 조건에서 성능 붕괴로 이어지는지를 확인하고, 원문 근거와 사회공학 전술을 함께 학습하는 근거정박 구조화 학습과 검증 증강 데이터를 결합한 RA-ERM의 성능을 평가하였다. KORPhish clean subset 896건을 split_group 기반으로 분할하고, 원본 train 730건과 검증 증강 4,030건을 활용해 Qwen2.5-3B 기반 RA-ERM을 학습하였다. 기준선은 신규 OOD에서 31~37%p 성능 하락을 보였고, clean held-out에서 RA-ERM은 LC-ERM 대비 피싱 그룹 정확도를 0.569에서 0.922로 높였다. 교차언어 평가에서도 RA-ERM은 0.950의 정확도를 기록하였다. 결과는 평균 정확도보다 피싱 최악그룹 성능과 근거 기반 오류 분석이 한국어 피싱 탐지의 강건성을 판단하는 핵심 기준임을 보여준다.

Korean phishing SMS messages frequently imitate legitimate notices such as public-agency alerts, financial authentication requests, delivery updates, and payment confirmations. This makes detection based on surface cues such as URLs, institutional names, or authentication keywords vulnerable to distribution shift. This study examines whether high in-distribution performance can collapse under new out-of-distribution phishing variants and evaluates evidence-anchored fine-tuning as a way to recover phishing worst-group performance. A KORPhish clean subset of 896 messages was split with split_group control to reduce leakage. Using Qwen2.5-3B with QLoRA, the proposed RA-ERM model was trained on 730 original training messages and 4,030 verified augmented samples to jointly learn the label, evidence_span, social-engineering tactic, relationship type, requested action, and cultural lever. Baseline models showed a 31-37 percentage-point drop on the new OOD set. On the clean held-out set, RA-ERM improved phishing group accuracy from 0.569 for LC-ERM to 0.922, while also achieving 0.950 accuracy in cross-lingual smishing evaluation. These results indicate that robust Korean phishing SMS detection should be assessed not only by average accuracy but also by phishing worst-group recovery, evidence-grounded outputs, and structured error analysis.

본 연구는 군용 항공기 탐지를 위한 YOLOv8 기반 전이 학습 모델을 제안하였다. 제안된 모델은 실시간으로 군 항공기를 탐지하고 분류하는 데 높은 정확도를 제공하며, 동영상 데이터를 활용하여 실전 환경에서도 효과적인 성능을 발휘한다. 연구에서는 75개 항공기 클래스를 대상으로 전이 학습 기법을 적용하여 최적화된 분류 체계를 구축하였으며, 실제 영상 데이터를 사용하여 모델의 정확도와 효율성을 높였다. 실험 결과, 모델은 mAP50에서 0.7이라는 성능을 기록하였으며, 이는 실시간 군용항공기 탐지와 분류에 실용적인 가능성을 제시한다.

This study proposes a YOLOv8-based transfer learning model for military aircraft detection. The proposed model provides high accuracy in real-time detection and classification of military aircraft and demonstrates effective performance in real-world environments by utilizing video data. The study applies transfer learning techniques to optimize the classification system for 75 aircraft classes and enhances the model’s accuracy and efficiency using actual video data. Experimental results show that the model achieved an mAP50 of 0.7, demonstrating its practical potential for real-time military aircraft detection and classification.

다영역 작전(MDO) 환경의 도래로 지휘관의 의사결정 속도와 정확성이 승패의 핵심 요인이 되고 있다. 그러나 현용 지휘통제체계는 계획과 실시 간의 데이터 단절로 인해 지휘관의 의도가 현장에서 왜곡되거나 대응 속도가 저하되는 한계를 보이고 있다. 본 논문은 이러한 분절성을 극복하기 위해 작전계획수립-준비-실시-평가(환류)의 전 주기를 통합적으로 지원하는 ‘전제대 통합 지휘통제체계’의 설계 방안을 제시한다. 특히 초관계형 지식그래프와 전장정보분석(IPB) 자동화 엔진을 기반으로 한 지능형 파운데이션 모델 구축을 제안하며, 이를 통해 OODA Loop를 획기적으로 가속화하는 메커니즘을 규명한다. 본 논문에서 제안하는 아키텍처는 데이터 기반의 ‘계획 단계’와 실시간 센서 정보를 융합하는 ‘실시 단계’를 하나의 데이터 루프로 연결함으로써 한국형 JADC2(Hyper-JADC2)로의 진화를 위한 실질적인 체계공학적 대안이 될 것이다.

With the advent of the Multi-Domain Operations (MDO) environment, the speed and accuracy of a commander’s decision-making have become the critical factors determining victory or defeat. However, current Command and Control (C2) systems are heavily focused on the real-time execution phase rather than comprehensive planning, causing data disconnection and distortion of intent. To overcome this, this study proposes a design for an "Integrated Command and Control System across all echelons" that supports the entire lifecycle of the operations process: plan, prepare, execute, and assess. Specifically, it suggests an intelligent foundation based on hyper-relational knowledge graphs and automated IPB engines to accelerate the OODA Loop. The proposed architecture establishes a "Seamless Data Loop" connecting the planning and execution phases, serving as a system-engineering alternative for advancing toward the South Korean Hyper-JADC2.