Earticle

본 논문에서는 위협 인텔리전스 보고서를 자동으로 분석하여 기업 맞춤형 Attack Flow를 생성하는 프레임워크 AutoFlow를 제안한다. 보안에서 신규 위협의 영향을 신속히 평가하는 것이 핵심이나, 전통적인 수작업 분석은 높은 수준의 전문성과 상당한 인적 자원을 요구하여 일관성 확보가 어렵다. 이에 따라 본 연구는 대규모 언어 모델(LLM)과 임베딩 기반 유사도 검색을 활용하여 위협 인텔리전스 분석부터 기업 자산 매핑 평가, 시각화를 자동화하는 프레임워크를 설계하였다. CISA의 Iranian APT 시나리오를 대상으로 실험한 결과, 제안 프레임워크는 공격의 주요 전술과 핵심 흐름을 정확히 재현하였으며, MITRE ATT&CK Evaluation의 Attack Flow 프로젝트를 벤치마크 평가한 결과 전체적인 공격 구조를 올바르게 파악하였다. 또한, 위협 보고서와 기업 자산 간 용어 불일치 문제를 해결하여, 조직별 명명 규칙에 구애받지 않는 유연한 적용이 가능한 자동화 프레임워크를 제시함으로써, 전문 인력 의존도를 낮추고 실시간 위협 분석과 리스크 기반 의사결정을 지원하는 실용적 접근법을 제공한다.

This paper proposes AutoFlow, a framework for automatically generating enterprise-tailored Attack Flows from threat intelligence reports. While rapid assessment of new threat impacts is critical in security operations, traditional manual analysis demands a high level of expertise and substantial human resources, making consistent execution difficult. To address this, the proposed framework leverages Large Language Models (LLM) and embedding-based similarity search to automate threat intelligence analysis, enterprise asset mapping, assessment, and visualization. Experiments using CISA's Iranian APT scenario demonstrate that the framework accurately reproduces key tactics and core attack flows. Benchmark evaluation against MITRE ATT&CK Evaluation's Attack Flow project confirms that it correctly identifies overall attack structures. The framework resolves terminology inconsistencies between threat reports and enterprise assets, enabling flexible application regardless of organization-specific naming conventions, and provides a practical approach that reduces reliance on specialized personnel while supporting real-time threat analysis and risk-based decision-making.

Modern network security has a great difficulty in cyber attack detection. In this context, this work presents an CNN-LSTM-GRU Model for cyber attack detection. AEO was used to maximize feature selection for the model, therefore lowering unnecessary data while maintaining important attack patterns. With 98% accuracy, the suggested model beats conventional GRU, LSTM, and RNN architectures according to experimental data. Computationally efficient for the proposed model achieves equivalent accuracy to the Transformer model with less number of FLOPs and parameters.

본 연구에서는 근로자 집단 내 심장마비 고위험군 예측 모델 개발을 위해 Regularized Greedy Forest (RGF) 알고리즘을 활용하였다. 제안된 RGF 알고리즘은 대규모 복잡 데이터셋에 대한 처리 능력을 바탕으로, 전 통적인 CART, KNN, SVM 모델 대비 예측 정확도 및 신뢰성 측면에서 유의미한 성능 향상을 달성하였다. 분석 결과, 연령, 콜레스테롤 수치, 신체 활동 수준이 주요 심장마비 위험 요인으로 도출되었다. 본 연구는 직업 건강 영역에서 조기 개입 전략 수립 시 기계 학습 기법의 활용 가능성을 확인하고, 그 중요성을 강조한다.

This study introduces a predictive model using Regularized Greedy Forest (RGF) to identify high-risk heart attack candidates among workers. Heart disease risks are heightened by occupational stressors like stress and sedentary lifestyles. The RGF algorithm effectively handles complex datasets, surpassing traditional models like CART and KNN in prediction accuracy. The model highlights age, cholesterol, and physical activity as key risk factors, achieving an accuracy of 63.7% and an AUC of 65.1%. This research emphasizes machine learning's role in enhancing early intervention strategies in occupational health.

피싱 공격은 시간이 흐르면서 보다 더 지능적으로 실행되며, 기술적으로 고도화되고 있다. 해커는 지능화된 피싱 공격을 주요 기관의 내부 네트워크 침투를 위해 내부 사용자 컴퓨터를 점령하는 수단으로 이용하고 있다. 따라서, 본 연구에서는 고도화된 피싱 공격으로부터 내부 사용자와 중요 정보를 보호하기 위해 피싱공격 확산방지모델(PMPA : Prevention Model the spreading of Phishing Attack)을 기술하고자 한다. 내부 사용자들은 외부 웹메일 서비스와 내부 메일 서비스를 동시에 사용한다. 따라서 양 구간에서 발생하는 위협 요소를 동시에 식별하기 위해서는 각각의 패킷을 감시하고 저장하여 각각의 항목별로 구조화시켜야 한다. 이는 해커가 내부 사용자를 공격할 때 외부 웹메일 서비스와 내부 메일 서비스 중 어느 한 쪽을 이용하거나 또는 양쪽 모두를 이용할 수 있기 때문이다. 본 연구에서 제시된 모델은 기존에 연구된 메일 서버 중심의 보안구조 설계를 내부 사용자가 접속하는 내부 메일 서비스까지 보호할 수 있도록 확장한 것이며, 프록시 서버를 이용하여 직접 피싱 사이트 접속을 차단하는 것보다 메일 확인 시 해당 사이트를 목록화할 수 있기 때문에 별도의 요청/응답을 위한 대기 시간이 없다는 장점이 있다.

Phishing attacks have been implemented in smarter, more advanced ways with the passage of time. Hackers use intelligent phishing attacks to take over computers and to penetrate internal networks in major organizations. So, in this paper, a model for a prevention of phishing attack spread is conceptual designed in order to protect internal users and sensitive or important information from sophisticated phishing attacks. Internal users simultaneously utilize both external web and organizational mail services. And hackers can take the both side equally as a vector. Thus, packets in each service must be monitored and stored to recognize threatening elements from both sides. The model designed in this paper extends the mail server based security structure used in conventional studies for the protection of Internet mail services accessed by intranet users. This model can build a list of phishing sites as the system checks e-mails compared to that of the method that directly intercepts accesses to phishing sites using a proxy server, so it represents no standby time for request and response processes.

AI 기술이 여러 분야에 성공적으로 도입되는 추세이며, 서비스로 환경에 배포된 모델들은 지적 재산권과 데이터를 보호하기 위해 모델의 정보를 노출시키지 않는 블랙 박스 상태로 배포된다. 블랙 박스 환경에서 공격자들은 모델 출력을 이용해 학습에 쓰인 데이터나 파라미터를 훔치려고 한다. 본 논문은 딥러닝 모델을 대상으로 모델 종류에 대한 정보를 추론하는 공격이 없다는 점에서 착안하여, 모델의 구성 레이어 정보를 직접 알아내기 위해 모델의 종류를 추론하는 공격 방법을 제안한다. MNIST 데이터셋으로 학습된 ResNet, VGGNet, AlexNet과 간단한 컨볼루션 신경망 모델까지 네 가지 모델의 그레이 박스 및 블랙 박스 환경에서의 출력값을 이용해 모델의 종류가 추론될 수 있다는 것을 보였다. 또한 본 논문이 제안하는 방식인 대소 관계 피쳐를 딥러닝 모델에 함께 학습시킨 경우 블랙 박스 환경에서 약 83%의 정확도로 모델의 종류를 추론했으며, 그 결과를 통해 공격자에게 확률 벡터가 아닌 제한된 정보만 제공되는 상황에서도 모델 종류가 추론될 수 있음을 보였다.

AI technology is being successfully introduced in many fields, and models deployed as a service are deployed with black box environment that does not expose the model's information to protect intellectual property rights and data. In a black box environment, attackers try to steal data or parameters used during training by using model output. This paper proposes a method of inferring the type of model to directly find out the composition of layer of the target model, based on the fact that there is no attack to infer the information about the type of model from the deep learning model. With ResNet, VGGNet, AlexNet, and simple convolutional neural network models trained with MNIST datasets, we show that the types of models can be inferred using the output values in the gray box and black box environments of the each model. In addition, we inferred the type of model with approximately 83% accuracy in the black box environment if we train the big and small relationship feature that proposed in this paper together, the results show that the model type can be infrerred even in situations where only partial information is given to attackers, not raw probability vectors.

IoT 네트워크의 증가로 인해 사이버 공격도 함께 증가하고 있으며, 네트워크 침입탐지 시스템(NIDS)의 중요성이 강조되고 있다. 전통적인 NIDS의 한계를 극복하고 더욱 고도화된 사이버 공격에 대응하기 위해 NIDS에 인공지능 모델을 도입하는 추세이다. 인공지능 모델 기반의 NIDS는 인공지능 알고리즘이 가지는 적대적 공격에 대한 취약성을 가지게 된다. 모델 종류 추론 공격은 모델 내부의 정보를 추론하는 적대적 공격의 일종이다. 본 논문은 기존 모델 종류 추론 공격을 더욱 현실적인 가정을 적용하며, NIDS 모델을 타겟으로 최적화된 모델 종류 추론 공격 프레임워크를 제안한다. 제안하는 방식으로 NIDS 모델의 종류를 추론하는 공격 모델을 약 0.92의 분류 정확도를 보이도록 훈련할 수 있었으며, 인공지능 기반 NIDS에 대한 새로운 보안 위협을 제시하며 이에 대한 방어 기술 개발의 중요성을 강조한다.

The proliferation of IoT networks has led to an increase in cyber attacks, highlighting the importance of Network Intrusion Detection Systems (NIDS). To overcome the limitations of traditional NIDS and cope with more sophisticated cyber attacks, there is a trend towards integrating artificial intelligence models into NIDS. However, AI-based NIDS are vulnerable to adversarial attacks, which exploit the weaknesses of algorithm. Model Type Inference Attack is one of the types of attacks that infer information inside the model. This paper proposes an optimized framework for Model Type Inference attacks against NIDS models, applying more realistic assumptions. The proposed method successfully trained an attack model to infer the type of NIDS models with an accuracy of approximately 0.92, presenting a new security threat to AI-based NIDS and emphasizing the importance of developing defence method against such attacks.

최근 생성 모델이 발전함에 따라 생성 모델을 위협하는 연구도 활발히 진행되고 있다. 본 논문은 Text-to-Image 모델에 대한 멤버십 추론 공격을 위한 새로운 제안 방법을 소개한다. 기존의 Text-to-Image 모델에 대한 멤버십 추론 공격은 쿼리 이미지의 caption으로 단일 이미지를 생성하여 멤버십을 추론하였다. 반면, 본 논문은 Textual Inversion을 통해 쿼리 이미지에 personalization된 임베딩을 사용하고, Adversarial Prompt 생성 방법으로 여러 장의 이미지를 효과적으로 생성하는 멤버십 추론 공격을 제안한다. 또한, Text-to-Image 모델 중 주목받고 있는 Stable Diffusion 모델에 대한 멤버십 추론 공격을 최초로 진행하였으며, 최대 1.00의 Accuracy를 달성한다.

In recent years, as generative models have developed, research that threatens them has also been actively conducted. We propose a new membership inference attack against text-to-image model. Existing membership inference attacks on Text-to-Image models produced a single image as captions of query images. On the other hand, this paper uses personalized embedding in query images through Textual Inversion. And we propose a membership inference attack that effectively generates multiple images as a method of generating Adversarial Prompt. In addition, the membership inference attack is tested for the first time on the Stable Diffusion model, which is attracting attention among the Text-to-Image models, and achieve an accuracy of up to 1.00.

얼굴 인식 모델은 스마트폰의 신원 인식에 활용되는 등 많은 사용자에게 편의를 제공하고 있다. 이에 따라 DNN 모델의 보안성 검토가 중요해지고 있는데 DNN 모델의 잘 알려진 취약점으로 적대적 공격이 존재한다. 적대적 공격은 현재 DNN 모델의 인식 결과만을 이용하여 공격을 수행하는 의사결정 공격기법까지 발전하였다. 그러나 기존 의사결정 기반 공격기법[14]은 적대적 예제 생성 시 많은 질의 수가 필요한 문제점이 있다. 특히, 기울기를 근사하는데 많은 질의 수가 소모되는데 정확한 기울기를 구할 수 없는 문제가 존재한다. 따라서 본 논문에서는 기존 의사결정 공격기법의 기울기를 근사할 때 소모되는 질의 수 낭비를 막기 위해서 직교 공간 샘플링과 차원 축소 샘플링 방법을 제안한다. 실험 결과 섭동의 크기가 L2 distance 기준 약 2.4 적은 적대적 예제를 생성할 수 있었고 공격 성공률의 경우 약 14% 향상할 수 있었다. 실험 결과를 통해 본 논문에서 제안한 적대적 예제 생성방법의 같은 질의 수 대비 공격 성능이 우수함을 입증한다.

The face recognition model is used for identity recognition of smartphones, providing convenience to many users. As a result, the security review of the DNN model is becoming important, with adversarial attacks present as a well-known vulnerability of the DNN model. Adversarial attacks have evolved to decision-based attack techniques that use only the recognition results of deep learning models to perform attacks. However, existing decision-based attack technique[14] have a problem that requires a large number of queries when generating adversarial examples. In particular, it takes a large number of queries to approximate the gradient. Therefore, in this paper, we propose a method of generating adversarial examples using orthogonal space sampling and dimensionality reduction sampling to avoid wasting queries that are consumed to approximate the gradient of existing decision-based attack technique[14]. Experiments show that our method can reduce the perturbation size of adversarial examples by about 2.4 compared to existing attack technique[14] and increase the attack success rate by 14% compared to existing attack technique[14]. Experimental results demonstrate that the adversarial example generation method proposed in this paper has superior attack performance.

보통의 웹 서비스는 불특정 다수에게 허용을 해야하는 접근 통제 정책으로 인하여, 지속적으로 해커들의 공격 대상이 되어 왔다. 이러한 상황에 대응하고자 기업들은 주기적으로 웹 취약점 점검을 실시하고, 발견된 취약점의 위험도에 따라 조치를 취하고 있다. 이러한 웹 취약점 위험도는 국내외 유관기관의 사전 통계 및 자체적인 평가를 통해 산정되어 있다. 하지만 웹 취약점 점검은 보안설정 및 소스코드 등의 정적 진단과는 달리 동적 진단으로 이루어진다. 동일한 취약점 항목일지라도 다양한 공격 결과를 도출할 수 있으며, 진단 대상 및 환경에 따라 위험도가 달라질 수 있다. 이러한 점에서 사전 정의된 위험도는 실제 존재하는 취약점의 위험도와는 상이할 수 있다. 본 논문에서는 이러한 점을 개선하고자 사이버 킬체인 중심으로 공격 결과 기반의 웹 취약점 위험도 평가 모델을 제시한다.

Common web services have been continuously targeted by hackers due to an access control policy that must be allowed to an unspecified number of people. In order to cope with this situation, companies regularly check web vulnerabilities and take measures according to the risk of discovered vulnerabilities. The risk of these web vulnerabilities is calculated through preliminary statistics and self-evaluation of domestic and foreign related organizations. However, unlike static diagnosis such as security setting and source code, web vulnerability check is performed through dynamic diagnosis. Even with the same vulnerability item, various attack results can be derived, and the degree of risk may vary depending on the subject of diagnosis and the environment. In this respect, the predefined risk level may be different from that of the actual vulnerability. In this paper, to improve this point, we present a web vulnerability risk assessment model based on the attack result centering on the cyber kill chain.

본 논문은 현대의 복잡한 사이버 공격을 모사하는 훈련 시나리오를 효과적으로 표현하기 위한 모델인 S-CAFG(Stage-based Cyber Attack Flow Graph)를 제안하고 평가한다. 이 모델은 더 복잡한 시나리오 표현을 위해 기존 그래프 및 트리 모델을 결합하고 stage 노드를 도입했다. 평가는 기존 모델링 기법으로는 표현하기 어려운 시나리오를 제작하고 이를 S-CAFG로 모델링하는 방식으로 진행했다. 평가 결과, S-CAFG는 동시 공격, 부가적 공격, 우회 경로 선택 등 매우 복잡한 공격 시나리오를 효과적으로 표현할 수 있음을 확인했다.

This paper proposes S-CAFG(Stage-based Cyber Attack Flow Graph), a model for effectively describing training scenarios that simulate modern complex cyber attacks. On top of existing graph and tree models, we add a stage node to model more complex scenarios. In order to evaluate the proposed model, we create a complicated scenario and compare how the previous models and S-CAFG express the scenario. As a result, we confirm that S-CAFG can effectively describe various attack scenarios such as simultaneous attacks, additional attacks, and bypass path selection.

암호화 트래픽 환경에서는 페이로드 접근이 불가해 길이·간격·핸드셰이크 등 메타데이터만으로 이상 행위를 식별해야 하며, 실제 망에서는 심한 불균형과 분포 이동이 상시 발생한다. 메타데이터만으론 시그니처 탐지가 무력화되고 표현력이 제한되어 정밀도-재현율 불균형, 정확도 착시, 고정 임계값의 드리프트 취약, 지연 제약 시 실사용 곤란이 발생한다. 이에 학습 분할에서 3단계 피처 셀렉션(상관 프루닝, MI 상위 50%, 임베디드 95%)과업/다운샘플링·균등 잡음·구조적 변형·MixUp, 1 대 9 ~ 9 대 1 스윕, 검증 기반 F1 임계값(θ^*) 고정을 적용해, 앙상블·딥러닝을 F1/평균 지연으로 비교했다. 결과적으로 앙상블 평균 F1=0.9835로 딥러닝 0.9201 대비 +6.89%우수했고, XGBoost·LightGBM은 LSTM 대비 97.8%·96.7% 더 빨라 실시간 운용에 유리한 성능을 보인다.

In encrypted traffic environments, payloads are inaccessible, so abnormal behaviors must be identified solely from metadata such as packet lengths, inter-arrival times, and handshake features, while real networks exhibit persistent severe class imbalance and distribution shifts. Relying only on metadata renders signature/rule-based detection ineffective and limits representational power, leading to precision-recall imbalance, accuracy illusion, vulnerability of fixed thresholds to drift, and practical difficulties under latency constraints. To address this, we apply-on the training split only-a three-stage feature selection (correlation pruning, top-50% mutual information, embedded importance up to 95% cumulative), together with up/down-sampling, uniform noise injection, intra-class structural perturbation, and MixUp; we perform a 1:9-9:1 ratio sweep and fix a validation-based F1 threshold (θ^*) for testing, comparing ensemble and deep learning models by F1 and mean inference latency. Consequently, the ensemble group achieved a mean F1 of 0.9835, a +6.89% relative improvement over deep learning (0.9201), and XGBoost/LightGBM were 97.8%/96.7% faster than LSTM, indicating superior suitability for real-time operation.

자율주행 및 robot navigation의 인식 시스템은 성능 향상을 위해 다중 센서를 융합(Multi-Sensor Fusion)을 한 후, 객체 인식 및 추적, 차선 감지 등의 비전 작업을 한다. 현재 카메라와 라이다 센서의 융합을 기반으로 한 딥러닝 모델에 대한 연구가 활발히 이루어지고 있다. 그러나 딥러닝 모델은 입력 데이터의 변조를 통한 적대적 공격에 취약하다. 기존의 다중 센서 기반 자율주행 인식 시스템에 대한 공격은 객체 인식 모델의 신뢰 점수를 낮춰 장애물 오검출을 유도하는 데에 초점이 맞춰져 있다. 그러나 타겟 모델에만 공격이 가능하다는 한계가 있다. 센서 융합단계에 대한 공격의 경우 융합 이후의 비전 작업에 대한 오류를 연쇄적으로 유발할 수 있으며, 이러한 위험성에 대한 고려가 필요하다. 또한 시각적으로 판단하기 어려운 라이다의 포인트 클라우드 데이터에 대한 공격을 진행하여 공격 여부를 판단하기 어렵도록 한다. 본 연구에서는 이미지 스케일링 기반 카메라-라이다 융합 모델(camera-LiDAR calibration model)인 LCCNet 의 정확도를 저하시키는 공격 방법을 제안한다. 제안 방법은 입력 라이다의 포인트에 스케일링 공격을 하고자 한다. 스케일링 알고리즘과 크기별 공격 성능 실험을 진행한 결과 평균 77% 이상의 융합 오류를 유발하였다.

The recognition system of autonomous driving and robot navigation performs vision work such as object recognition, tracking, and lane detection after multi-sensor fusion to improve performance. Currently, research on a deep learning model based on the fusion of a camera and a lidar sensor is being actively conducted. However, deep learning models are vulnerable to adversarial attacks through modulation of input data. Attacks on the existing multi-sensor-based autonomous driving recognition system are focused on inducing obstacle detection by lowering the confidence score of the object recognition model.However, there is a limitation that an attack is possible only in the target model. In the case of attacks on the sensor fusion stage, errors in vision work after fusion can be cascaded, and this risk needs to be considered. In addition, an attack on LIDAR's point cloud data, which is difficult to judge visually, makes it difficult to determine whether it is an attack. In this study, image scaling-based camera-lidar We propose an attack method that reduces the accuracy of LCCNet, a fusion model (camera-LiDAR calibration model). The proposed method is to perform a scaling attack on the point of the input lidar. As a result of conducting an attack performance experiment by size with a scaling algorithm, an average of more than 77% of fusion errors were caused.

Kendo is one of the popular sports in modem life. Head, wrist and thrust attack are the fast skill to get a score on a match. Human muscle skeletal model was developed for biomechanical study. The human model was consists with 19 bone-skeleton and 122 muscles. Muscle number of upper limb, trunk and lower limb part are 28, 60, 34 respectively. Bone was modeled with 3D beam element and muscle was modeled with spar element. For upper limb muscle modelling, rectus abdominis, trapezius, deltoideus, biceps brachii, triceps brachii muscle and other main muscles were considered. Lower limb muscle was modeled with gastrocenemius, gluteus maximus, gluteus medius and related muscles. The biomechanical stress and strain analysis of human muscle was conducted by proposed human bone-muscle finite element analysis model under head, wrist and thrust attack for kendo training.

최근 사이버공격이 활성화됨에 따라 이러한 많은 공격사례들이 다양한 매체를 통해 접해지고 있다. 사이버공격에 대한 보안공학이나 역공학에 대한 연구는 활발하지만, 이들을 통합하고 비용효과적인 공격공학을 통해 공격시스템을 연계하여 적용시킨 연구는 부족하다. 본 논문에서는, 보안강화형 정보시스템을 보안공학적으로 개발하고, 역공학을 통해 취약점을 식별한다. 이 취약점을 이용하여 공격공학을 통해 공격시스템을 구축하거나 리모델링하는 생명주기모델을 비교·분석하여 각 시스템의 구조 및 행동을 명세화하고, 더욱 실효성 있는 모델링을 제안한다. 또한, 기존의 모델·도구를 확장하여 공격방법 및 시나리오를 기능적, 정적, 동적과 같은 모델의 관점에서 명세하는 도형적 공격명세모델을 제시한다.

Recently, as cyber attacks have been activated, many such attacks have come into contact with various media. Research on security engineering and reverse engineering is active, but there is a lack of research that integrates them and applies attack systems through cost effective attack engineering. In this paper, security - enhanced information systems are developed by security engineering and reverse engineering is used to identify vulnerabilities. Using this vulnerability, we compare and analyze lifecycle models that construct or remodel attack system through attack engineering, and specify structure and behavior of each system, and propose more effective modeling. In addition, we extend the existing models and tools to propose graphical attack specification models that specify attack methods and scenarios in terms of models such as functional, static, and dynamic.

최근 네트워크 환경에서는 사이버 위협에 대한 해결책을 찾는 노력이 높아지고 있다. 특히, 사이버 보안 측면에서 악의적인 행위를 막기 위해서 사이버 보안에 AI가 통합되고 있다. 본 논문에서는 네트워크 리소스를 다양 한 클라우드 서비스를 제공할 수 있도록 디지털 트인 기반의 전방 공격 탐지 모델의 성능평가를 제안한다. 제안 모델은 안전한 데이터 저장 및 검증을 위해 블록체인을 통합한 IoT 환경에 AI 기반 IDS 프레임워크을 사용한다. 제안 모델은 네트워크 내 모든 장비를 블록체인 블록으로 묶어 처리함으로써 클라우드 내 IoT 리소스의 특징별 블록들의 교차 분석을 통해 보안 점검이 이루어지지만, 최소 오류는 허용한다. 성능평가 결과, 제안 모델은 학습 중 모든 카테고리에서 고르게 리샘플링함으로써 생성기가 소수 클래스에서도 학습할 수 있도록 보장하여 프론트 러닝 공격 탐지 성능을 향상시켰다. 또한 제안 모델은 실제 데이터의 조건부 분포를 학습하여 실제 데이터와 합성 데이터를 더 잘 구분하였다.

In recent network environments, efforts to find solutions to cyber threats are increasing. In particular, AI is being integrated into cybersecurity to prevent malicious behavior in terms of cybersecurity. In this paper, we propose the performance evaluation of the forward attack detection model using a digital open-based blockchain so that network resources can provide various cloud services. The proposed model uses an AI-based IDS framework in the IoT environment that integrates blockchain for secure data storage and verification. The proposed model manages additional information that can handle the rights of IoT resources as blockchain blocks. The proposed model performs a security check through cross-analysis of blocks by IoT resource characteristics in the cloud by grouping all equipment in the cloud into blockchain blocks, but allows for minimum errors. As a result of the performance evaluation, the proposed model evenly resampled in all categories during learning, ensuring that the generator could learn even in a few classes, thereby improving the front learning attack detection performance. In addition, the proposed model better distinguished between actual data and synthetic data by learning the conditional distribution of actual data.

분산서비스거부 공격을 탐지하기 위한 많은 개발과 연구가 진행되고 있다. 그 중에서 통계적 기법을 이용한 방법은 정상적인 패킷과 비정상적인 패킷을 판별해 내는데 효율적이다. 본 논문에서는 여러 가지의 통계적 기법을 혼합하여 다양한 공격을 탐지할 수 있는 방법을 제안한다. 효과를 검증하기 위하여 라우터에 DDoS 공격 패킷 필터링을 설정한 경우와 제안 기법을 적용한 리눅스 라우터를 구현하여 실험한 결과, 제안 기법이 다양한 공격을 탐지하는 것뿐만이 아니라 정상적인 서비스까지도 대부분 제공하는 것을 확인하였다.

Distributed denial of service attack detection for more development and research is underway. The method of using statistical techniques, the normal packets and abnormal packets to identify efficient. In this paper several statistical techniques, using a mix of various offers a way to detect the attack. To verify the effectiveness of the proposed technique, it set packet filtering on router and the proposed DDoS attacks detection method on a Linux router. In result, the proposed technique was detect various attacks and provide normal service mostly.

본 논문은 사이버-물리(CPS) 융합 환경에서 일부 에이전트가 해킹·조작되더라도 중앙 서버 없이 A2A 협력만으로 악성 노드를 식별·격리하는 경량 분산 방어 모델을 제안한다. 제안 방식은 원천 데이터나 모델 파라미터를 공유하지 않고, 각 노드의 로컬 이상탐지기가 산출한 정규화 이상 점수(soft evidence), 서명된 메타데이터, 노드별 신뢰도만 이웃과 교환하며, 합의는 표 결 임계치와 신뢰 임계치를 결합한 PBFT-lite로 단순화한다. 위협 모델은 센서값 변조(shift, spike, drift, invert)와 Byzantine/ Sybil 행위를 포함한다. 링과 스몰월드 토폴로지에서 악성 비율 10~30%로 민감도 실험을 수행한 결과, 링은 이웃 차수 제약으 로 높은 표결 임계치에서 격리 실패가 발생했으며, 표결 완화 또는 스몰월드 재배선(지름길) 도입 시 탐지·격리가 정상 작동하였다. 본 방법은 이벤트 기반 요약 메시지만 교환해 통신 오버헤드를 낮추고 프라이버시 노출을 축소하며, 임계치·토폴로지 설계가 성능에 미치는 영향을 정량적으로 제시한다. 또한 서명·키롤오버, Sybil 완화, SDN 연동 격리로의 확장 가능성을 논의한다.

This paper proposes a lightweight, decentralized defense model that identifies and isolates compromised agents in cyber-physical system (CPS) convergence environments using agent-to-agent (A2A) cooperation without a central server. Rather than sharing raw data or model parameters, each node exchanges only a locally computed normalized anomaly score (soft evidence), signed metadata, and a per-node trust score with its neighbors. Consensus is realized via a simplified PBFT-lite procedure that combines a vote threshold and a trust threshold. The threat model includes sensor-value tampering (shift, spike, drift, invert) as well as Byzantine and Sybil behaviors. Sensitivity experiments on ring and small-world topologies with 10–30% malicious nodes show that rings exhibit isolation failures under high vote thresholds due to degree constraints, whereas relaxing the vote threshold or introducing small-world rewiring (shortcuts) enables effective detection and isolation. Because only event-driven summary messages are exchanged, the approach reduces communication overhead and shrinks the privacy exposure surface relative to centralized collection. The study quantitatively demonstrates how thresholding and topology design shape performance, and outlines extensions to signature/key rollover, Sybil mitigation, and SDN-assisted isolation.

병원과 같은 의료기관의 서비스 중단은 환자를 비롯한 사람의 생명에 영향을 미치게 된다. 이런 특성 때문에 의료기관 측은 공격자의 요구에 응할 가능성이 매우 높아 사이버 공격의 주요 대상이 된다. 최근에는 병원에서 최신 정보 기술의 도입을 확대하면서 사이버 공격이 지속해서 발생하고 있다. 심지어는 사이버 공격에 의한 서비스 마비로 인해 제때 처치를 받지 못한 환자가 사망하는 사건도 일어났다. 더군다나 코로나19 팬데믹 기간에, 의료기관에 대한 사이버 공격 유형이 다변화되거나 빈도가 눈에 띄게 증가했다. 그러나 의료기관 측은 예산 부족 등의 이유로 정보보호 투자에 소극적이며 제대로 방비를 갖추지 못하고 있다. 따라서 본 연구에서는 실제 의료기관에서 발생한 침해사고 사례를 바탕으로 의료기관이 한정된 예산으로도 공격 유형에 따른 보호 조처를 할 수 있도록 공격 시나리오를 생성하는 방법을 예시와 함께 제시한다.

Service disruptions at medical institutions such as hospitals affect the lives of people, including patients. Because of these characteristics, medical institutions are highly likely to comply with attackers' demands, making them prime targets for cyber attacks. Recently, as hospitals expand their adoption of the latest information technology, cyber attacks continue to occur. There was even an incident where a patient who did not receive timely treatment died due to service paralysis caused by a cyber attack. Moreover, during the COVID-19 pandemic, the types of cyber attacks against medical institutions have diversified or their frequency has increased noticeably. However, medical institutions are passive in investing in information security and are not properly prepared for reasons such as lack of budget. Therefore, in this study, based on actual cases of breaches that occurred in medical institutions, we present examples and how to create attack scenarios so that medical institutions can take protective measures according to the type of attack even with a limited budget.

인공지능의 학습 데이터 부족 문제와 사생활 침해 문제를 해결하기 위해 고안된 연합 학습 (FL)은 여러 클라이언트가 학습에 참가하는 특징으로 데이터 긴밀성과 효율적인 데이터 처리를 가능케 한다. 본 연구는 연합 학습을 사물인터넷 (IoT)과 융합하여 인프라를 설계하고 구축하였다. 또한 융합한 인프라를 통해 네트워크 보안이라는 도메인에 주목하여 사이버 공격 탐지 모델을 구상하고, 성능 측정을 통해 연합 학습의 적용 범위를 확장한다.

연합 학습은 데이터 프라이버시 보호에 뛰어남과 동시에 낮은 통신 비용을 달성할 수 있으며, 이를 통해 모델의 학습 데이터 양이 적거나 성능이 낮은 문제를 해결할 수 있다. 본 연구는 사물인터넷 (IoT) 플랫폼 상에 네트워크 공격 탐지 분야에서 활용할 수 있는 탐지 모델의 구조를 제안하고, 연합학습을 통해 기존 모델의 성능을 높이고 학습 시간을 낮추는 등 개선 방법에 대해 제안한다.