Earticle

사물 인터넷(IoT)은 각종 사물에 센서와 통신 기술을 내장하여 인터넷에 연결하는 기술이다. 이 환경에서는 다양한 장치들이 네트워크를 통해 상호 작용하며 데이터를 교환하는 시스템으로 보안이 중요하다. 보안을 강화하고 IoT 환경에서 기기와 사용자간의 상호 신뢰를 보장하기 위해 서로 다른 두 가지의 인증 요소를 결합하여 인증 메커니즘인 IoT 이중 인증을 사용한다. 이중 인증은 IoT 기기 에 접근하는 사용자가 소유 기반 요소(OTP, 보안 토큰 등) 또는 생체 인식 요소(지문, 얼굴 등)와 같 은 다양한 인증 방식을 단계적으로 수행하는 것이다. IoT 환경에서 센서 노드는 공공 장소에 배치되 므로 적대자들에게 쉽게 노출되어 위험하다. 센서가 도난당할 경우, 저장된 민감한 정보가 노출될 가 능성이 높아서 안전한 인증 프로토콜을 설계할 때 이러한 문제를 고려해야한다. Chien-Ming 등은 제 안된 프로토콜이 여러 보안 공격으로부터 안전하다고 주장하였다. 그러나, 본 눈문에서는 Chien-Ming 등이 제안한 프로토콜의 동작 과정을 분석하여 보안 취약점을 찾아 프로토콜이 perfect forward secrecy, offline password guessing attacks, bits mismatch, DoS and replay attacks에 취약하다 는 것을 밝혔다.

The Internet of Things (IoT) is the technology of embedding sensors and communication capabilities into various objects to connect them to the internet. This environment consists of various devices that interact and exchange data through a network, making security a critical concern. In an IoT environment, IoT two-factor authentication is employed as an authentication mechanism that combines two distinct authentication factors to ensure mutual trust between devices and users. Two-factor authentication involves the sequential use of diverse authentication methods, such as possession-based factors (e.g., OTP, security tokens) or biometric factors (e.g., fingerprints, facial recognition), by users accessing IoT devices. Sensor nodes in IoT environments are often deployed in public areas, making them vulnerable to adversaries. If a sensor is stolen, the sensitive information stored within it is likely to be exposed, necessitating the consideration of these issues when designing a secure authentication protocol. Chien-Ming et al. claimed that their proposed protocol is secure against various attacks. However, in this paper, we analyze the operation of the protocol proposed by Chien-Ming et al. and identify security vulnerabilities. We reveal that the protocol is susceptible to lack of perfect forward secrecy, offline password guessing attacks, bit mismatch, DoS, and replay attacks.

최근 의료 분야에서는 의료영상 판독 및 정밀 의료 분야에서 기계학습 기술이 적용되어 병리학 적 판단과 진단에 중요한 역할을 하고 있지만, 방대하고 다양한 의료 데이터를 얻기는 여전히 어려운 문제이다. 이는 정부 규제와 개인정보보호에 따른 윤리적 문제로 인한 제약 때문으로, 합성데이터는 인공지능 알고리즘으로 데이터를 생성하여 이러한 어려움을 극복할 수 있는 대안으로 주목받고 있다. 본 연구는 치과 진단을 위한 구강 내 임상 영상 기반 고해상도 합성데이터 생성 및 검증을 위한 포괄 적인 프레임워크를 제안한다. 생성 모델을 활용하여 해부학적 특성을 보존하면서 현실적인 치과 영상 을 합성하기 위한 분할 정복 접근법(divide-and-conquer)을 개발하였으며, 서울대학교 치과병원 데이 터를 활용해 FID(Frechet Inception Distance), mAP(mean Average Precision) 등의 정량적 평가 와 시각적 튜링 테스트를 포함한 다단계 검증 프로세스를 적용하였다. 연구 결과 합성데이터는 실제 데이터와 유사한 품질 수준을 달성했으며 충치 분류 및 치아 분할 AI 모델 성능을 크게 향상시켰음을 확인하였다. 이 연구는 의료 합성데이터 생성·검증을 위한 혁신적 접근법을 제시하는 동시에 안전한 활용을 위한 정책적 대안을 제공할 것이다.

The increasing importance of machine learning in precision medicine and medical imaging interpretation has highlighted the need for large, high-quality datasets. However, legal and ethical restrictions surrounding personal medical data present ongoing challenges to data access and utilization. In response, synthetic data have emerged as a promising alternative for overcoming data scarcity in healthcare AI. This study proposes a comprehensive framework for the generation and validation of high-resolution synthetic data based on intraoral clinical images for dental diagnosis. Leveraging generative models, we developed a divide-and-conquer approach to synthesize realistic dental images while preserving anatomical characteristics. A robust multi-step validation process—including quantitative evaluations (e.g., FID, mAP) and qualitative clinical assessments such as Visual Turing Tests—was applied using data from Seoul National University Dental Hospital. The results demonstrated that the synthetic data achieved comparable quality to real-world data and significantly improved the performance of AI models for cavity classification and tooth segmentation. This research not only presents a novel and practical approach to synthetic healthcare data generation and validation but also provides policy insights into its safe use and future potential.

최근 B2B 유통업은 거래 복잡성과 다양한 이해관계로 인해 디지털 전환 과정에서 리스크 관리 와 조직 내 수용성 확보가 핵심 과제로 부상하고 있다. 그러나 B2B 유통업의 디지털 전환 수용성에 관한 실증적 접근은 아직 부족하며, 다차원적이고 통합적인 접근법의 필요성이 커지고 있다. 본 연구 는 TOE(기술-조직-환경) 프레임워크를 활용하여 국내 B2B 유통업체의 디지털 전환 수용 의도에 영 향을 미치는 주요 요인들을 실증적으로 분석하였다. 연구에서는 회귀분석과 군집분석을 통해 기술적, 조직적, 환경적 요인의 영향력과 상대적 중요성을 평가하였다. 분석 결과, 기술 도입 경험, 디지털 성 숙도, 혁신 수용 성향, 조직 변화 관리가 디지털 전환 수용 의도에 유의미한 영향을 미쳤으며, 높은 수 준의 TOE 요인을 가진 기업일수록 더 강한 수용 의도를 보였다. 이러한 결과를 바탕으로, 본 연구는 B2B 유통업체의 성공적인 디지털 전환을 지원할 수 있는 TOE 프레임워크 기반의 맞춤형 통합 전략 을 제시하며, 연구자와 실무자에게 유용한 시사점을 제공한다.

Recently, B2B distribution firms have faced increasing challenges in managing risks and securing organizational acceptance during the digital transformation process due to the complexity of transactions and the involvement of various stakeholders. However, empirical research on digital transformation adoption in the B2B distribution sector remains limited, highlighting the growing need for a multidimensional and integrated approach. This study empirically analyzes the key factors influencing the intention to adopt digital transformation among domestic B2B distribution firms using the Technology-Organization-Environment (TOE) framework. Regression and cluster analyses were employed to evaluate the influence and relative importance of technological, organizational, and environmental factors. The results indicate that prior experience with technology adoption, digital maturity, innovativeness, and organizational change management significantly affect adoption intention. Moreover, firms with higher levels of TOE factors exhibited stronger adoption intentions. Based on these findings, this study proposes tailored and integrated strategies grounded in the TOE framework to support the successful digital transformation of B2B distribution firms and offers valuable implications for both researchers and practitioners.

최근 제조업의 디지털 전환이 가속화되고 있으나, 중소 제조기업은 노후 설비와 제한된 자원으 로 인해 전환에 어려움을 겪고 있다. 본 연구는 신규 설비 투입 없이 기존 장비에 센서, IoT, 데이터 수집 장치 등을 통합하는 디지털 레트로핏(digital retrofit)을 중소기업의 현실적 대안으로 제시하고, 업종별 시나리오를 통해 그 경제성과 ESG 경영 성과를 정량적으로 분석한다. 먼저, Kröll 등이 제안 한 4단계 레트로핏 구현 모델(요구분석–설계–구현–운영)을 기반으로 기술적 적용 방안을 도출하고, 금속 가공, 플라스틱 사출, 식음료 제조의 세 업종을 선정하여 시뮬레이션 기반 사례를 구성한다. 생 산성 향상, 에너지 절감, 탄소 저감 효과 등을 중심으로 ROI 및 ESG 성과 분석 결과, 업종별로 10~20% 수준의 에너지 효율 향상과 불량률 감소, 유지보수 비용 절감 등의 효과가 나타났으며, 디지털 레트로 핏이 중소기업의 지속가능한 제조 환경 구축과 성과 기반 경영체계 전환에 기여할 수 있음을 확인하였다.

Despite the acceleration of digital transformation in manufacturing, small and mediumsized enterprises(SMEs) fstruggle due to outdated infrastructure and resource constraints. This study proposes digital retrofit—integrating sensors, IoT, and data acquisition systems into legacy machinery—as a cost-effective and practical solution for SMEs, enabling smart capabilities without full equipment replacement. Based on the four-step implementation model suggested by Kröll et al. (requirement analysis, design, implementation, and operation), this research develops a structured approach for applying digital retrofit technologies. Scenario-based simulations are conducted for three representative industries: metalworking, plastic injection molding, and food processing. Key performance indicators (KPIs) are used to evaluate improvements in productivity, energy efficiency, and carbon reduction. The results indicate that digital retrofit can deliver 10~20% improvements in energy savings, reduced defect rates, and lower maintenance costs, thereby enhancing both economic returns (ROI) and environmental, social, and governance (ESG) performance.

AI는 인공지능의 약어로 문자 그대로 해석하면 인공적으로 생성한 지능을 의미한다. 지난 십수 년간 인공지능은 인간의 삶을 혁신적으로 개선해왔다. 딥러닝에서 시작된 인공지능 열풍은 IT 기술의 발전에 힘입어 4차 산업혁명으로 이어지고 있다. 이제 인공지능은 기술의 변화가 아닌 사회의 변화가 되고 있으며, 미래의 청사진이 되고 있다. 딥러닝을 기반으로 하는 오늘날의 인공지능은 분명 과거에 비해 훌륭한 성능을 나타내고 있다. 그러나 ‘지능’이라는 단어의 정의에 부합하지는 않는다. 이는 딥러 닝이 사고하는 인공지능이 아닌 모방하는 인공지능이기 때문이다. 게다가 알파고와 같은 모델은 특정 분야에만 활용가능하다는 한계가 있다. 이에 최근에는 범용성이 높은 인공지능에 관한 연구가 활발히 진행되고 있다. 범용 인공지능은 특정 문제가 아닌 일반적인 상황에 적용할 수 있는 인공지능을 의미 하며, Chat GPT가 범용 인공지능에 해당한다. 하지만 범용 인공지능은 인간의 수준에 이르기 위해 서는 아직 많은 발전이 필요하다. 범용 인공지능이 한 단계 도약하기 위해선 지능을 가져야 하며, 지 능을 갖기 위해선 지식을 이해해야 한다. 본 논문은 과거의 연구를 통해 지식을 이해하는 새로운 구 조를 제안한다. 본 논문에서 제안하는 구조는 범용 인공지능의 연구에 활용할 수 있다.

AI is an abbreviation for artificial intelligence, which literally means artificially generated intelligence. Over the past decade, artificial intelligence has innovatively improved human life. The artificial intelligence craze that started with deep learning is leading to the 4th industrial revolution thanks to the advancement of IT technology. Now, artificial intelligence is not a change in technology, but a change in society, and it is becoming a blueprint for the future. Today's artificial intelligence based on deep learning is clearly showing excellent performance compared to the past. However, it does not meet the definition of the word 'intelligence'. This is because deep learning is not a thinking artificial intelligence, but an imitating artificial intelligence. In addition, models such as AlphaGo have the disadvantage of being applicable only to specific fields. Accordingly, research on highly general-purpose artificial intelligence has been actively conducted recently. Artificial general intelligence refers to artificial intelligence that can be applied to general situations rather than specific problems, and Chat GPT is a artificial general intelligence. However, artificial general intelligence still needs a lot of development to reach the level of humans. In order for artificial general intelligence to take a leap forward, it must have intelligence, and in order to have intelligence, it must understand knowledge. This paper proposes a new structure for understanding knowledge based on past research. The structure proposed in this paper can be used in research on artificial general intelligence.

본 논문은 콜센터 상담사를 악성 민원인의 언어폭력으로부터 보호하기 위한 AI 기반 실시간 대 화 중재 시스템을 설계하고 구현하였다. 제안된 시스템은 민원인의 발화를 AI 에이전트를 통해 순화 된 표현으로 변환하여 상담사에게 전달하는 비대칭 통신 구조를 갖는다. STT, 텍스트 순화, TTS 기 술이 연계되어 구성되었으며, 텍스트 순화에는 109건의 악성 민원 사례로 파인튜닝된 GPT-3.5 모델 이 활용되었다. 성능 평가는 문장 길이에 따른 지연 시간을 중심으로 수행되었고, 10음절 및 20음절 문장에서 각각 평균 3.61초, 4.27초의 지연이 관찰되었다. 이는 AI 기반 동시통역 관련 연구를 참고 할 때 수용 가능한 수준으로 평가된다. 제안된 시스템은 민원 응대 현장에서의 갈등 완화와 상담사 보 호를 위한 실용적 도구로 활용될 수 있다.

This paper designs and implements an AI-based real-time conversation mediation system to protect call center consultants from verbal violence by malicious complainants. The proposed system features an asymmetric communication structure that converts complainants' utterances into refined expressions through AI agents before delivering them to consultants. The system integrates STT, text refinement, and TTS technologies, with text refinement utilizing a GPT-3.5 model fine-tuned on 109 malicious complaint cases. Performance evaluation showed average delays of 3.61 seconds and 4.27 seconds for 10-syllable and 20-syllable sentences, respectively, which are acceptable levels compared to AI-based simultaneous interpretation research. The proposed system can be utilized as a practical tool for conflict mitigation and consultant protection in complaint handling situations.

에너지의 저장 및 활용을 위해 리튬이온 배터리가 많이 활용되고 있으나, 연쇄 발열 반응인 열 폭주는 연쇄적인 발열 현상과 폭발을 동반하여 위험 요소가 되고 있다. 이러한 위험 요소를 해결하기 위해 많은 연구가 진행됐으나 사전탐지 시스템으로 현실에 적용하기 위한 연구는 많이 진행되지 않았 다. 본 연구는 전기차 리튬이온 배터리의 열폭주 사전탐지 시스템 설계를 위해 수행되었다. 열폭주 원 인과 특성에 관해 연구하였고, 열폭주를 사전에 진단하기 위한 매커니즘과 기존 진행된 머신러닝과 딥 러닝 알고리즘에 관해 연구하였다. 현실적으로 적용하기 위한 고려사항과 시스템으로 구축하는 데 필 요한 기능요소를 설계하였다. 사전탐지 매커니즘 및 기능요소 설계를 통하여 향후 시스템 구축할 때 필요한 주요 기능요소 및 동작 매커니즘 구현에 활용할 수 있다.

Lithium-ion batteries are widely used for energy storage and utilization; however, thermal runaway—a chain reaction accompanied by excessive heat and potential explosions—poses a significant safety risk. Although extensive research has been conducted to address these risks, relatively few studies have focused on developing early detection systems for practical application. This study was conducted to design a thermal runaway early detection system for lithium-ion batteries used in electric vehicles. It investigates the causes and characteristics of thermal runaway and explores mechanisms for early diagnosis, as well as existing machine learning and deep learning algorithms relevant to the task. These insights can be applied to the future construction of practical early detection systems by providing essential functional elements and operational mechanisms.