Earticle

ICT기술이 발전함에 따라 산업 전분야에 걸쳐 이전보다 훨씬 많은 디지털 데이터들이 생성, 이동, 보관, 활용되고 있다. 산출되는 데이터의 규모가 커지고 이를 활용하는 기술들이 발전함에 따라 대규모 데이터 기반의 신 서비스들이 등장하여 우리의 생활을 편리하게 하고 있으나 반대로 이들 데이터를 위변조 하거나 생성 시간을 변경하는 사이버 범죄 또한 증가하고 있다. 이에 대한 보안을 위해서는 데이터에 대한 무결성 및 시간 검증 기술이 필요한데 대표적인 것이 공개키 기반의 서명 기술이다. 그러나 공개키 기반의 서명 기술의 사용은 인증서와 키 관리 등에 필요한 부가적인 시스템 자원과 인프라 소요가 많아 대규모 데이터 환경에서는 적합하지 않다. 본 연구에서는 해시 함수와 머클 트리를 기반으로 시스템 자원의 소모가 적고, 동시에 대규모 데이터에 대해 서명을 할 수 있는 데이터 서명 기법을 소개하고, 서버 고장 등 장애 상황에서도 보다 안정적인 서비스가 가능하도록 개선한 해시 트리 분산 처리 방법을 제안하였다. 또한, 이 기술을 구현한 시스템을 개발하고 성능분석을 실시하였다. 본 기술은 클라우드, 빅데이터, IoT, 핀테크 등 대량의 데이터가 산출되는 분야에서 데이터 보안을 담보하는 효과적인 기술로써 크게 활용될 수 있다.

As the ICT technologies advance, the unprecedently large amount of digital data is created, transferred, stored, and utilized in every industry. With the data scale extension and the applying technologies advancement, the new services emerging from the use of large scale data make our living more convenient and useful. But the cybercrimes such as data forgery and/or change of data generation time are also increasing. For the data security against the cybercrimes, the technology for data integrity and the time verification are necessary. Today, public key based signature technology is the most commonly used. But a lot of costly system resources and the additional infra to manage the certificates and keys for using it make it impractical to use in the large-scale data environment. In this research, a new and far less system resources consuming signature technology for large scale data, based on the Hash Function and Merkle tree, is introduced. An improved method for processing the distributed hash trees is also suggested to mitigate the disruptions by server failures. The prototype system was implemented, and its performance was evaluated. The results show that the technology can be effectively used in a variety of areas like cloud computing, IoT, big data, fin-tech, etc., which produce a large-scale data.

본 논문에서는 대규모 실시간 매칭의 생존 게임에서 플레이를 위한 유저들의 소셜 관계에 대해 연구한다. 특히 사전 팀 구성 을 통한 자의적인 팀 구성이 어떤 방식으로 유저들을 연결하는 지 연구하고자 한다. 다수의 사람 간 집단 역학에서 나타나는 특성이나 패턴에 대한 조사를 중심으로 하였으며, 개인의 특성은 보조적인 수단으로만 사용된다. 이번 연구에서는 게임을 플레이하는 유저들의 익명화 된 대규모 데이터를 활용하며 이에 대한 간소화된 집계 방법을 제안한다. 데이터 세트에는 사전 팀 구성에 관한 11,25911,259만 줄의 속성이 포함되어 있으며 데이터에서 우리는 250250만개의 노드와 1,1821,182만개의 무방향 에지가 있는 협업 네트워크를 구성하여 대규모 게임 내 협동 네트워크를 만듭니다. 연결 정도, 경로 길이, 클러스터링 및 소속 하위 컴포넌트의 크기 등 네트워크에 관한 수치를 통해 게임내 소셜 활동에 대한 이해를 높이고자 한다. 본 논문에서는 다음의 두가지 특성을 중심으로 결론을 제시한다. 첫째, 네트워크 내에는 대규모로 연결된 22개 전체의 44% 및 2%) 와 나머지의 파편화된 하위 컴포넌트로 구성 되어있다. 이 대규모 컴포넌트 중 작은 쪽은 한국 유저로만 구성되어 있다. 둘째, 컴포넌트 크기 별 평균 연결 거리와 군집화 계수, k corecore를 확인함으로써 기타 다른 네트워크 대비 이웃 간 연결이 강하면서 전체적으로는 비교적 멀리 떨어져 있음을 확인한다

In this study, the social relationships of users in large-scale, real-time matching survival games are investigated. Specifically, the study explores how voluntary team-ups through 'pre-made formation' facilitate connections among users. The primary focus is on the characteristics and patterns emerging from group dynamics among multiple individuals, using personal characteristics only as supplementary data. We employ anonymized, large-scale user data from these games and propose a simplified method for aggregating this data. Our dataset comprises 112.59 million rows of attributes related to 'pre-made teams'. From this data, we construct a network with 2.5 million nodes and 11.82 million undirected edges, representing a substantial in-game collaboration network. By analyzing network-related measures such as connection degree, path length, clustering, and the size of belonging subcomponents, we deepen the understanding of social activities within the game. This paper presents findings centered around two main observations: First, the network consists of two large-scale connected components (accounting for 44% and 2% of the total, respectively) and numerous fragmented subcomponents, with the smaller large-scale component predominantly comprising Korean users. Second, we observe that while connections between neighboring nodes are as strong as those in other collaboration networks, they are relatively more distant compared to other social networks

Query applications based on nested data, the most commonly used form of data representation on the web, especially precise query, is becoming more extensively used. MapReduce, a distributed architecture with parallel computing power, provides a good solution for big data processing. However, in practical application, query requests are usually concurrent, which causes bottlenecks in server processing. To solve this problem, this paper first combines a column storage structure and an inverted index to build index for nested data on MapReduce. On this basis, this paper puts forward an optimization strategy which combines query execution service tree and frequent sub-query trajectory to reduce the response time of frequent queries and further improve the efficiency of multi-user concurrent queries on large scale nested data. Experiments show that this method greatly improves the efficiency of nested data query.

The size of observation data in astronomy has been increasing exponentially with the advents of wide-field optical telescopes. This means the needs of changes to the way used for large-scale astronomy data analysis. The complexity of analysis tools and the lack of extensibility of computing environments, however, lead to the difficulty and inefficiency of dealing with the huge observation data. To address this problem, this paper proposes a workflow execution system for analyzing large-scale astronomy data efficiently. The proposed system is composed of two parts: 1) a workflow execution manager and its RESTful endpoints that can automate and control data analysis tasks based on workflow templates and 2) an elastic resource manager as an underlying mechanism that can dynamically add/remove virtualized computing resources (i.e., virtual machines) according to the analysis requests. To realize our workflow execution system, we implement it on a testbed using OpenStack IaaS (Infrastructure as a Service) toolkit and HTCondor workload manager. We also exhaustively perform a broad range of experiments with different resource allocation patterns, system loads, etc. to show the effectiveness of the proposed system. The results show that the resource allocation mechanism works properly according to the number of queued and running tasks, resulting in improving resource utilization, and the workflow execution manager can handle more than 1,000 concurrent requests within a second with reasonable average response times. We finally describe a case study of data reduction system as an example application of our workflow execution system.

We developed a pilot-job based large-scale distributed computing system to support HTC and MTC, called HTCaaS (High-Throughput Computing as a Service), which helps scientists solve large-scale scientific problems in areas such as pharmaceutical domains, high-energy physics, nuclear physics and bio science. Since most of these problems involve critical data that affect the national economy and activate basic industries, data privacy is a very important issue. In this paper, we implement a privacy enhanced data security mechanism to support HTC and MTC in a large-scale distributed computing system and show how this technique affects performance in our system. With this mechanism, users can securely store data in our system.

현재 대용량의 데이터는 다양한 분야에 활용됨에 따라 스토리지 시스템에서 확장성을 제공해야 한다. NAS와 SAN은 일반적으로 비교적 대규모 스토리지 시스템을 구축하는 데 사용된다. 네트워크 기반의 DAS는 네 트워크에 직접 연결되지만 NAS와 달리 TCP/IP를 사용하지 않고 이더넷 계층에서 통신하므로 TCP/IP 네트워크 스택으로 인한 오버헤드가 없다. 본 논문에서는 NDAS를 효과적으로 활용하는 데 필요한 다양한 시스템 매개변수 를 조사하고 실험하였다. 또한 일반적으로 사용되는 분산 시스템에 네트워크 기반의 DAS를 적용하여 성능 평가 를 수행하였다. 여러 개의 네트워크 기반 DAS를 이용하여 단일 저장소 풀을 구성하여 실제 워크로드를 수행했을 때 확장성을 확인하였다. 본 연구에서 제안하는 스토리지 시스템은 기존의 확장성이 필요한 저장 장치에 바로 활 용이 가능하다.

As large amounts of data are currently being utilized in various fields, storage systems must provide scalability. NAS and SAN are generally used to build a relatively large-scale storage system. NDAS is directly connected to the network, but unlike NAS, it does not use TCP/IP and communicates at the Ethernet layer, so there is no overhead due to the TCP/IP network stack. Based on these characteristics, NDAS is an effective solution for building cost-effective storage devices. In this paper, various system parameters needed to utilize NDAS effectively are investigated and tested. Also, performance evaluation is performed by applying NDAS to a commonly used distributed system. It also showed scalability when a single storage pool was configured with multiple NDAS storages to perform real workloads. The storage system proposed in this study can be directly applied to existing storage devices requiring scalability.

본 연구는 멀티스케일 시뮬레이션 기법을 활용하여 대규모 데이터센터의 화재 안전성을 평가하였다. FDS (Fire Dynamics Simulator)를 이용한 미시적 화재 동역학 분석과 Pathfinder를 활용한 거시적 피난 분석을 통합 하여 더욱 정확하고 포괄적인 안전성 평가를 수행하였다. 연구 결과, 데이터센터 내 주요 위험 구역을 식별하고 화재 진행에 따른 피난경로의 동적 변화를 분석할 수 있었다. 또한, 기존의 단일 스케일 시뮬레이션에 비해 더욱 현실적인 화재 상황 예측이 가능함을 확인하였다. 이를 통해 데이터센터의 화재 안전 설계 및 관리 전략 수립에 유용한 정보를 제공할 수 있을 것으로 기대된다.

This study evaluated the fire safety of large-scale data centers using multi-scale simulation techniques. By integrating microscopic fire dynamics analysis using FDS (Fire Dynamics Simulator) and macroscopic evacuation analysis using Pathfinder, a more accurate and comprehensive safety assessment was performed. The results identified key risk areas within the data center and analyzed dynamic changes in evacuation routes as the fire progressed. Furthermore, it was confirmed that more realistic fire situation predictions were possible compared to conventional single-scale simulations. This is expected to provide useful information for establishing fire safety design and management strategies or data centers.

분산 시스템은 대규모 데이터 처리의 한계를 극복하며, 기존 중앙 집중형 시스템의 성능 저하와 자원 비효율 문제를 해결한다. 특히 대규모 로그 분석은 시스템 운영 상태, 성능 최적화 등 다양한 분야에서 활용된다. 하둡은 분산 처리 분야의 주요 도구이며, 맵리듀스는 데이터를 병렬 처리하고, HDFS는 높은 확장성과 내결함성을 제공한다. 이러한 특징 덕분에 하둡은 대규모 로그 데이터의 효율적인 처리 및 분석에 적합하다. 최근 IT 플랫폼들은 대규모 분산 환경에서 운영됨에 따라 로그 데이터의 양이 기하급수적으로 증가한다. 이로 인한 로그의 급격한 증가는 고수준의 빅데이터 분석 기술을 요구하며, CPU와 메모리 사용 시간 및 메모리 사용량 증가, 처리 속도 지연을 야기한다. 이에 본 논문에서는 대규모 로그 데이터 분석을 위한 패턴화 압축 기반 빅데이터 처리 시스템을 제안한다. 제안하는 시스템은 데이터 압축 기술을 활용하여 자원 사용시간 및 사용량을 감소시키고 처리 속도를 향상시킨다. 성능 평가 결과, CPU 사용량은 기존 대비 78.8%, 메모리 사용 시간은 65%, 메모리 사용량 6.2%, 처리 시간은 80% 감소하며 향상된 성능을 보인다. 향후 본 연구를 기반으로 다양한 데이터 구조에서의 패턴화 압축 알고리즘을 적용한 실질적인 검증이 필요하다.

Distributed systems overcome the limitations of large-scale data processing and address inefficiencies in resource utilization of traditional centralized systems. In particular, large-scale log analysis is utilized in various fields, such as monitoring system performance and operational status and optimizing overall efficiency. Hadoop is a major tool in the field of distributed processing, with MapReduce enabling parallel data processing and HDFS offering high scalability and fault tolerance. These features make Hadoop well-suited for the efficient processing and analysis of large-scale log data. Recently, as IT platforms operate in large-scale distributed environments, the volume of log data has increased exponentially. This rapid growth in log data demands advanced big data analysis technologies but also increases CPU and memory usage, as well as processing delays. To address these challenges, this paper proposes a patterned compression-based big data processing system for large-scale log data analysis. The proposed system leverages data compression technology to reduce resource usage time and consumption while improving processing speed. Performance evaluation results show improvements: CPU usage is reduced by 78.8%, memory usage time by 65%, memory consumption by 6.2%, and processing time by 80%, achieving significant overall performance enhancement. Based on this study, further research and validation are expected to focus on applying patterned compression to various types of big data.

본 논문에서는 실제 규모 데이터센터의 3D 모델링을 기반으로 대상 공간별 화재 시나리오를 선정하여 화재 및 피난 시뮬레 이션을 수행하였다. FDS와 Pathfinder는 full coupling 방식을 사용할 수 없는 한계가 있으며 semi coupling의 경우 가시화에는 도움이 되나 결과에 영향을 주지 않는다. 따라서 재실자의 피난 상황 시 경로에 대한 안전성과 화재 위험 노출 정도를 시각적으 로 분석하는 것이 가능한 semi coupling과 시뮬레이션 결과 데이터 분석을 병행하여 수행하였다. 전산실의 경우 서버의 기능 상실 한계 온도가 32도이기 때문에 서버 기능 정지 상황에 도달하는 시간을 중점적으로 분석하였다. 전산실은 업무 및 고객 서 비스와 관련된 모든 데이터들을 저장하기 위해 항시 기동 되어야 하는데 전산실 내 화재가 발생할 경우 1~2분 이내 서버 기능이 정지되는 상황이 발생하였다. 따라서, 서버가 안전하게 계속 동작하기 위해서는 전력 계측 및 제어 케이블 열화, 서버 장치의 건전성이 유지되어야 하며 초기 화재를 빠르게 감지하여 진압하여야 한다. 피난 시뮬레이션의 경우 가시도를 상실하게 되는 시간이 약 195초(5m 미만) 인근으로 인원이 해당 층을 완전히 벗어나는 데 걸리는 시간이 약 125.6초였던 것을 보면 대피하기 에 충분한 허용 피난시간(ASET)을 확보하고 있음을 알 수 있었다.

본 논문에서는 RDF 데이터 특성을 고려하여 대규모 데이터에 대한 질의 처리를 향상시키기 위한 새로운 색인 기법을 제안한다. 제안하는 기법은 RDF 트리플 중 주어와 술어의 값이 중복적으로 사용되는 특징을 이용하여 주어와 목적어를 S-O 색인으로 구성한다. 또한, 트리플 중 상대적으로 가장 적은 수의 값을 갖고 있는 술어는 별도의 P 색인으로 구성하여 총 색인의 크기를 최소화한다. 술어를 포함한 질의 요청시 크기가 작은 P 색인을 우선 검색하고 술어를 포함하지 않은 질의 요청에 대해서는 S-O 색인을 우선 검색한다. 성능평가를 통해 제안하는 기법이 기존 기법에 비해 질의처리 속도 관점에서 성능이 우수함을 보인다.

In this paper, we propose a new RDF index scheme considering the characteristics of large scale RDF data to improve the query processing performance. The proposed index scheme creates a S-O index for subjects and objects since the subjects and objects of RDF triples are used redundantly. In order to reduce the total size of the index, it constructs a P index for the relatively small number of predicates in RDF triples separately. If a query contains the predicate, we first searches the P index since its size is relatively smaller compared to the S-O index. Otherwise, we first searches the S-O index. It is shown through performance evaluation that the proposed scheme outperforms the existing scheme in terms of the query processing time.

본 연구에서는 학습 환경이라는 요인과 문법습득과의 관계를 밝히는 것을 목적 으로 일본어 학습자의 「ようだ」와 「みたいだ」의 사용에 대해 분석한 것이다. 그리 고 학습자의 사용 양상을 일본어 모어화자의 사용과 비교함으로써 일본어 학습자 만의 중간언어 양상, 환경에 따라 달라지는 습득 양상에 대해 고찰해 보았다. 그 결과, 다음과 같은 결과를 얻을 수 있었다. (1) JFL 학습자는 「ようだ」의 사용 비율이 「みたいだ」에 비해 높았지만 JSL 학 습자의 경우에는 이와는 반대로 「みたいだ」의 비율이 더 높았다. 이러한 JSL 학습 자의 「ようだ・みたいだ」의 사용 비율은 일본어 모어화자와 유사했다. (2) JFL 학습자는 「ようだ・みたいだ」의 전후에 특정한 형식을 접속시켜 사용하 는 경향이 보이지 않지만 JSL 학습자의 경우는 「ようだ」의 전항에는 동사를, 「みた いだ」의 전항과 후항에는 명사를 접속시켜 사용하는 경향이 뚜렷했다. 이러한 JSL 학습자의 공기 양상은 일본어 모어화자와 유사했다. (3) JFL 학습자는 구체명사에 「みたいだ」를 접속하여 사용하는 경향이 다소나마 보였지만 JSL 학습자와 일본어 모어화자에게는 이러한 경향이 나타나지 않았다. (4) JFL 학습자는 「ようだ」와 「みたいだ」가 술부와 비술부에서 고르게 사용되지 만 JSL 학습자는 「みたいだ」를 술부에서 사용하는 경향이 상대적으로 강하게 나 타났으며 이러한 JSL 학습자의 사용 경향은 일본어 모어화자의 사용이 과잉일반 화한 패턴을 지닌다.

In this study, the use of “yo–da” and “mitai–da” by Japanese learners was analyzed to clarify the relationship between the factors of the learning environment and grammar acquisition. In addition, by comparing the use pattern of learners with the use of Japanese native speakers, we considered the intermediate language pattern of Japanese learners and the acquisition pattern that varies depending on the environment. As a result, the following results were obtained. (1) In the case of JFL learners, the rate of use of “yo–da” was higher than that of “mitai –da”, but in the case of JSL learners, the rate of “mitai–da” was higher. The rate of use of “yo–da/mitai–da” by these JSL learners was similar to that of Japanese native speakers. (2) JFL learners did not tend to use a specific format before and after “yo–da/mitai– da”, but in the case of JSL learners, there was a clear tendency to use verbs in the preceding paragraph of “yo–da” and nouns in the preceding and following paragraphs of “mitai–da”. The air patterns of these JSL learners were similar to those of Japanese native speakers. (3) JFL learners tended to use “mitai–da” by connecting them to specific nouns, but this trend did not appear in JSL learners and Japanese native speakers. (4) For JFL learners, “yo–da” and “mitai–da” are used evenly in predicate and non– predicate, but JSL learners have a relatively strong tendency to use “mitai–da” in predicate, and this tendency of JSL learners to use it has a pattern that is over–generalized by the use of Japanese native speakers.

아파치 스파크(Apache Spark)는 오픈 소스, 분산, 인메모리 컴퓨팅 프레임워크 및 아키텍처이다. 아파치 스파크를 통해 데이터 병렬 및 내결함성을 갖춘 분산 시스템 클러스터에서 실행되기 때문에 농업, 정보통신 산업 등 다양한 분야에 적용 및 활용할 수 있다. 한편, 빅데이터 시대를 맞아 많은 시공간 데이터가 발생하고 있다. 그러나, 아파치 스파크를 통한 분산 컴퓨팅 환경에서 많은 연산이 필요한 조인과 같은 연산을 제공하고 있지 않기 때문에 효율적으로 처리하지 못한다. 따라서, 본 논문에서는 대용량 시공간 데이터를 이용하여 그리드 분할 기법에 근거한 withindistance, contain 조인 질의처리 알고리즘을 제안한다. 성능평가 결과, 제안한 알고리즘이 기존 알고리즘보다 약 20%의 우수한 성능을 보인다.

Apache Spark is an open source, distributed, in-memory computing framework and architecture. Because it runs on a distributed system cluster with data parallelism and fault tolerance through Apache Spark, it can be applied and utilized in various fields such as agriculture, information and communication industries. Meanwhile, in the era of big data, large amount of spatio-temporal data is being generated. However, Apache Spark cannot efficiently process join operation because it does not support join operation that requires many computations in a distributed computing environment. Therefore, in this paper, we proposed an join query processing algorithm, i.e., withindistance and contain join, based on grid partitioning technique using large-scale spatio-temporal data. As a result of performance evaluation, our algorithm shows 20% better performance than the existing algorithm in terms of query processing time.

정보 및 물리보안에 대한 수요가 증가함에 따라 영상 보안시스템의 구축사례 도 증가하고 있다. 최근 영상 보안시스템의 발전 동향은 초창기의 소규모(설치카 메라 수가 다소 적음) 영상 보안시스템에 비해 대규모(설치 카메라 수가 많음)화 되고, 지능형 이벤트 감지와 같은 많은 연산량을 요구하는 기능을 제공하고 있 다. 또한 카메라 제품의 발달로 영상의 해상도가 점차 커짐에 따라 영상 정보를 포함하는 스트리밍 데이터의 양이 매우 증가하였다. 시스템이 대규모화됨에 따 라 시스템 서버가 관리해야 하는 카메라 대수의 증가도 자연스럽게 기대되지만, 움직임 감지 등의 지능형 이벤트 감지 도입과 영상의 해상도가 커짐에 따라 각 채널(카메라) 영상을 처리하는데 요구되는 연산량이 매우 증가하였고, 이러한 연 산량은 시스템 서버가 동시에 처리할 수 있는 카메라의 대수를 제약하여 대규모 시스템 구축에 소요되는 비용을 증가시킨다. 이를 해결하기 위해 본 논문에서는 기존의 화소값 기반 움직임 감지를 대체할 수 있는 저계산량-고효율 스트리밍 정보 분석방법과 그 응용기술을 제안한다. 제안하는 방법은 지능형 이벤트인 움직임 감지에 응용이 가능하고, 시스템의 녹 화(저장) 스트림 선택, 디스플레이 채널 결정 등에도 응용이 가능하다. 화소값 분 석에 기반한 기존 방법이 필수적으로 영상 복호화를 요구하는 반면 제안하는 방 법은 비디오 스트리밍 정보생성에 기반한 방법으로 영상 복호화를 요구하지 않 아 많은 연산량을 절감할 수 있다. 실험결과 스트리밍 정보생성은 영상 복호화 에 비해 약 87%의 실행시간을 줄여 실행속도가 약 7.6배 빠르면서도 메모리 사용량을 약 80% 절감함을 확인 할 수 있었다. 또한 제안하는 방법을 사용하면 프 레임 임의접근처리와 병렬처리가 가능하여, 대규모 영상 보안 시스템 구축에 유 용하게 사용될 것으로 기대된다

As a demand for information and physical security has risen nowadays, the number of constructions of video surveillance system has been also increased. The recent trends of video surveillance system can be explained as larger-scale and additional intelligent event recognition such as motion detection. In addition to larger-scale and additional intelligent event recognition, the quantity of streaming data was hugeously increased because of larger video resolution on camera products. As the system is becoming larger-scale, it is expected that the system server can manage more number of cameras. However additional intelligent event recognition and larger video resolution require tremendous number of operations, and these operations restrict the number of cameras which are managed by the system server. In other words, these operations cause the cost-increase for large-scale system construction. In this paper, we present a low complexity and high efficiency streaming data analysis method and those applications that can be applied to large-scale video surveillance system. The proposed method can be applied into motion detection and also applied into recording streaming selection and display channel selection on video surveillance system. Because the proposed method is based on the streaming parsing, it does not require video decoding while previous intelligent event detection essentially requires video decoding. According to the experimental results, the proposed method approximately reduces 87% in running time and 80% in memory usage on average. Also frame random access and parallel processing are available in the proposed method. Consequently, we expect that the proposed method will be useful on large-scale video surveillance system construction.

국내 인공지능 기술 발전과 산업 육성을 위해서 개인정보 보호에 관한 규제를 완화하여 한다는 주장이 증가하고 있다. 개인정보를 적극적으로 활용하기 위한 논 의는 개인정보 보호법 제정 당시부터 있어 왔으며, 인공지능과 관련하여 새삼 제기 된 것은 아니다. 다만 인공지능 모델을 잘 만들어 활용하려면 학습데이터 활용을 위한 개인정보의 처리 수요가 그 이전보다 급격히 증가하는 것은 어쩔 수 없는 현 실이다. 대량의 데이터를 학습하는 과정에서 인공지능 모델은 데이터를 스캔하는 자동화된 프로세스를 통해서 개인정보를 수집하지만 불법적, 부당한 방법으로 수 집할 수도 있고 합법적, 정당한 방법으로 수집했더라도 수집 목적과 달리 잘못 이 용할 수도 있다. 이 글은 개인정보법이 인공지능 기술 발전과 산업 육성을 위해서 근본적인 변화가 필요한가에 대한 의문으로 시작하였다. 개인정보 처리의 소위 생 애주기에 있어서 기존의 개인정보 보호 체계에 제도적 변화가 필요한가와 그 대안으로 어떤 논의들이 전개되고 있는가에 대해 살펴보았다. 특히 대규모 인공지능 모 델이 수집하고 활용하는 개인정보 이용현황 분석을 통하여 대규모 인공지능 모델 이용에 따른 개인정보 보호체계의 변화 가능성을 모색하고자 하였다. 대규모 인공 지능 모델과 개인정보법의 현황을 살펴본 후, 개인정보의 법적쟁점으로 대규모 인 공지능모델에 있어서 공개된 개인정보 처리, 프로파일링, 자동화된 의사결정, 인공 지능 활용의 개인정보 특례 등 네 가지 사항을 검토하였다.

There is a growing call for easing regulations on personal data protection to foster the domestic AI technology and industry. Discussions about balancing the protection and utilization of personal data have existed since the enactment of the Personal Data Protection Act, and are not new to AI. However, the reality is that the demand for personal data processing for training data utilization will inevitably increase dramatically in order to effectively develop and utilize AI models. While AI models collect personal data through automated data scanning processes during the training process of massive data volumes, this data can be collected illegally or improperly, and even if collected legally and legitimately, it can be misused for purposes other than those intended. This article began with the question of whether fundamental changes to the Personal Data Protection Act are necessary for the advancement of AI technology and industry development. It examined whether institutional changes to the existing personal data protection system are necessary within the so-called lifecycle of personal data processing, and the discussions surrounding these alternatives. Specifically, by analyzing the current state of personal data collection and utilization by large-scale AI models, it sought to explore the potential changes to the personal data protection system resulting from the use of large-scale AI models. After examining the current state of large-scale AI models and personal data laws, we discussed four legal issues related to personal data: the processing of publicly disclosed personal data in large-scale AI models, profiling, automated decision-making, and special provisions for personal data protection in the use of AI.