Earticle

Artificial intelligence (AI) is a significant tool in modern military operations in that it helps to analyze a large volume of strategic, tactical, and operational data. On the other hand, current large language models (LLMs) like GPT-4 or Falcon have difficulty resolving problems in defense-specific contexts because of issues related to security, data confidentiality, and the lack of explainability. This document presents MilGPT, a secure and explainable LLM structure that aims at solving military problems only. To the model, fine-tuned open-source architectures with domain-specific defense datasets are integrated to elevate intelligence synthesis, decision-making, and threat prediction. On the benchmark, performance evaluation tasks show that MilGPT accounts for a 27% increase in contextual accuracy, an 18% reduction in hallucination rate, and an 33% improvement in explainability as measured by gradient-based feature attribution. In the proposed framework, military intelligence systems are not only secured but also made adaptive and humaninterpretable, thus, setting up a basis for the coming generation of AI models capable of defense-grade tasks.

AI systems are inherently vulnerable to cross-layer risk propagation, where threats originating in individual components can spread across layers and compromise overall system reliability. Existing AI governance frameworks focus on management and process-level controls, offering limited guidance on the placement of technical safeguards, while detection-based approaches do not specify where such controls should be located. To address this gap, this paper proposes AI-MLA (AI Multi-Layered Architecture), a boundary-based layered model that organizes AI systems into seven technical layers (L1?L7) and aligns threats and control objectives at each layer. Rather than relying on learning-based detection alone, AI-MLA enhances reliability through its architectural design by introducing a pre-execution enforcement boundary at L4 (Policy) and L5 (Session) that suppresses malicious inputs before model invocation. Experimental results on 562 inputs across three attack categories show that the proposed approach blocks 60.9% of malicious inputs (FPR 1.42%), reduces latency by 59.8% under attack with negligible overhead (+0.0414 s, 1.20%), and consistently suppresses risks across attack types (96.1%/70.4%/47.7%). These findings demonstrate that AI-MLA improves both security and operational reliability in AI systems.

Advances in artificial intelligence (AI) have been instrumental in developing smart homes, increasing efficiency, effectiveness and user experience. Artificial Intelligence algorithms help smart homes understand user behavior, preferences and routines. Thanks to continuous learning, these systems can adapt to changing environments and perform tasks such as adjusting lighting, temperature and security according to individual behavior. AI in smart homes uses analytics to predict customer needs. By analyzing historical usage patterns, weather, and other factors, AI can predict customer preferences, improve resource utilization, and create better living conditions. Integration of NLP allows users to interact with smart home devices using natural language. This increases accessibility and facilitates user engagement, as the AI-powered voice assistant can understand and respond to commands, making management of various devices easier. Artificial intelligence algorithms help improve energy management in smart homes. Artificial intelligence systems can recommend and implement energy-saving measures by analyzing energy consumption patterns, thus reducing energy costs and environmental footprint. Artificial intelligence-supported security systems provide smarter threat detection and response. Machine learning algorithms improve the accuracy of home security assessments by distinguishing between normal and suspicious activity. Facial recognition and behavioral analysis provide better access control. Artificial intelligence supports the interaction of different smart devices and platforms, creating an integrated and connected system. This interaction allows different devices to integrate and share information, leading to the overall performance of the smart home. User personalization: Artificial intelligence tailors smart home experiences to personal preferences. From adjusting lights and music to predicting when home appliances will turn on, AIpowered personalization increases user comfort and satisfaction, creating an experience that is immersive, great to be around, and fun. The integration of artificial intelligence and smart home is leading the revolution in home automation.

AI 에이전트는 단일 에이전트가 LLM을 기반으로 학습, 추론과 같은 과정을 거쳐 의사결정을수행하고, 특정 목표를 달성하기 위한 작업을 수행하는 시스템이자 주체를 의미한다. 이는 단일 목표 달성이나 개별 작업 수행은 효율적이지만, 복잡한 작업 수행이나 협력적 추론을 통한 결과 도출에는 한계가 있다. 이를 보완하기 위해 다수의 에이전트가 상호작용하는 Agentic AI가 제안되었으나, 기존 AI 에이전트에 존재하는 보안 위협뿐만 아니라 새로운 유형의 보안 위협도 초래되었다. 안전한 AI 기반 시스템 설계를 위해서는 이러한 환경에서 초래되는 보안 위협들을 식별하고 체계적으로 분류 및 분석하는 것이 필요하다. 따라서, 본 논문에서는 AI 에이전트와 Agentic AI에서 발생할 수 있는 보안 위협을 분류하고, 이를 완화시킬 수 있는 대응 방안도 제시한다.

An AI agent refers to a system or entity in which a single agent performs decision-making through processes such as learning and inference based on a large language model (LLM), and carries out tasks to achieve specific goals. While this is efficient for achieving single goals or performing individual tasks, it has limitations when it comes to handling complex tasks or deriving results through collaborative reasoning. To address these limitations, Agentic AI in which multiple agents interact has been proposed; however, this introduces not only the security threats inherent in traditional AI agents but also new types of security threats. To design secure AI-based systems, it is necessary to identify, systematically classify, and analyze the security threats arising in such environments. Therefore, this paper classifies the security threats that can arise in AI agents and Agentic AI and proposes countermeasures to mitigate them.

인공지능 기술의 발전이 가속화되며 다양한 산업 분야에서 데이터를 활용한 자동화 및 지능화를 가능하게 하는 AI 서비스의 제공이 증가하며, AI 활용으로 발생할 수 있는 AI 보안 위험에 대한 우려가 높아지고 있다. 이에 국외에서는 AI 규제의 필요성과 중요성을 인지하고 관련 정책 및 규제 마련에 주력하고 있다. 국내에서도 이러한 움직임을 보이고 있으나, AI 규제에 대한 구체화가 이루어지지 않은 실정이다. 따라서, 기존의 정책안이나 가이드라인을 비교 분석하여 공통 요소 도출 및 보완점 파악, 국내 AI 규제 방향에 대해 논의할 필요성이 있다. 본 논문에서는 AI 라이프 사이클에서 발생할 수 있는 AI 보안 위험에 대해 조사하고, 각 위험에 대한 분석을 통해 국내 AI 규제 수립에 고려되어야 할 사항 6가지를 도출한다. 이를 토대로 국내 AI 정책안 및 가이드라인을 분석하고, 보완사항을 확인한다. 또한, 미국, EU의 AI 법률의 주요 내용 검토와 본 논문의 분석 결과를 기반으로 국내 AI 정책안과 가이드라인에 대한 개선방안을 제시한다.

With the advancement of Artificial Intelligence (AI) technologies, the provision of data-driven AI services that enable automation and intelligence is increasing across industries, raising concerns about the AI security risks that may arise from the use of AI. Accordingly, Foreign countries recognize the need and importance of AI regulation and are focusing on developing related policies and regulations. This movement is also happening in Korea, and AI regulations have not been specified, so it is necessary to compare and analyze existing policy proposals or guidelines to derive common factors and identify complementary points, and discuss the direction of domestic AI regulation. In this paper, we investigate AI security risks that may arise in the AI life cycle and derive six points to be considered in establishing domestic AI regulations through analysis of each risk. Based on this, we analyze AI policy proposals and recommendations in Korea and validate additional issues. In addition, based on a review of the main content of AI laws in the US and EU and the analysis of this paper, we propose measures to improve domestic guidelines and policies in the field of AI.

본 연구는 국내 산업 현장의 SSDLC(Secure SDLC) 적용 실태를 분석하고, AI 기반 DevSecOps로의 전환 방향성을 제시하는 것을 목적으로 한다. 이를 위해 국내 소프트웨어 개발 및 보안 실무자 50명을 대상으로 SSDLC 단계별 보안 인식과 실행 현황을 조사하였다. 분석 결과, 보안 활동은 구현 및 테스트 등 후기 단계에 집중되어 있으며, 요구사항 분석 및 설계 등 초기 단계의 보안 적용률은 인식 대비 약 20% 수준으로 낮아 '보안 내재화'의 한계가 확인되었다. 또한 AI 기반 DevSecOps 도입 현황 분석 결과, 국내 기업의 60%가 AI를 보안 분석의 보조 수단으로 활용하는 과도기적 단계에 있는 것으로 나타났다. 반면 해외에서는 65% 이상 조직이 보안 도구를 CI/CD 파이프라인에 통합하고 AI 기반 자동화를 적극 활용하고 있어, 국내는 아직 초기 단계에 머물러 있다. 본 연구는 이러한 결과를 바탕으로 SSDLC 전 과정의 보안 공백을 도출하고, AI를 활용한 자동화 및 지능형 SSDLC로의 발전을 위한 실천적 거버넌스와 추진 전략을 제시한다.

This study analyzes the implementation status of Secure Software Development Life Cycle (SSDLC) in domestic industries and proposes a transition toward AI-driven DevSecOps. A survey of 50 practitioners examined security awareness and practices across SSDLC phases. Results show that security activities remain concentrated in implementation and testing, while adoption in requirements and design phases is low at around 20%, indicating limited early-stage integration. The study also finds that 60% of domestic organizations are in a transitional stage, using AI as a supplementary tool for security analysis. In contrast, over 65% of global organizations integrate security into CI/CD pipelines and actively utilize AI-driven automation, suggesting domestic adoption remains at an early stage. Based on these findings, the study identifies security gaps across SSDLC and presents practical governance and strategies for advancing toward an intelligent, AI-driven SSDLC.

최근 우리 헌법재판소는 2021년 12월 23일에 선고한 2018헌바524 결정을 통해 성폭력 범죄의 처벌 등에 관한 특례법 제30조 제6항에 대해 위헌 결정을 내리면서 아동 진술 영상녹화물의 증거능력에 대해 이전과는 다르게 그 증거능력을 부정하는 입장을 취하면서, 피고인 반대신문권이 보장되어야 한다는 입장으로 전환하였다. 그리고 이와 같은 헌법재판소 결정의 영향으로 이후 대법원은 최근까지 아동 진술 영상녹화물의 증거능력을 부인하는 판결들을 선고하고 있는 상황이다. 그러나 아동의 경우 피고인 반대신문권의 일정한 제한은 아동 피해자 진술의 특수성과 그 진술 신빙성 확보의 차원에서도 일반적인 반대신문권의 제한과 동일선상에서 평가할 수 있는 성질의 것이 아니다. 우리 사법부의 이러한 법적 관점 전환의 이유도 아동의 법적 진술에 관한 다양한 연구 결과들을 부정하거나 배척하기 때문은 아니라고 본다. 그렇다면 남은 과제는 결국 진술 영상녹화물의 증거능력이 배척된 상황에서 아동 피해 진술의 신뢰성을 확보할 수 있는 새로운 방법론을 찾는 것이다. 이에 본 논문은 이하에서 피고인 반대신문권의 수사단계 아동 피해 진술 채증 과정에서의 구현 가능성, 진술 과정에서의 아동 2차 피해 방지 가능성, 피해 사실을 조사하는 수사전문가의 역량 균질화 가능성, 그리고 이를 통한 아동 진술의 신뢰성 확보 가능성 등을 고려한 새로운 ‘AI 기반의 제도적-기술 적 아동 진술 신뢰성 확보 방안’에 대해 논의하고자 한다. 이를 위해 먼저, 헌법재판소 2018헌바524 결정과 그 영향으로 인한 대법원 2021도14530 판결, 대법원 2021도14616 판결, 2023도15133 판결의 분석을 통해 최근 문제 된 우리 대법원의 아동 진술 영상녹화물 증거능력에 대한 법적 판단의 변화를 검토해 보고(제Ⅱ장), 아동 진술 영상녹화물 증거능력 문제의 보완 필요성을 설명(제Ⅲ장)하고자 한다. 반대신문권과 조화될 수 있는 아동 피해 진술 확보를 위한 절차적 제도적 방안 및 이를 구현할 수 있는 AI와 클라우드를 활용한 아동 목격자 맞춤형 비대면 진술조서 지원 시스템을 제시한(제Ⅳ장) 다음, 이러한 AI 기반 진술조서 지원 시스템의 활용 방안과 함께 향후 추가적인 과제(제V장)에 대해 간략히 언급하고자 한다.

Recently, the Korean Constitutional Court ruled that Article 30 (6) of the Act on Special Cases Concerning the Punishment of Sexual Violence Crimes was unconstitutional through the 2018 Heonba 524 ruling on December 23, 2021. This decision is taking a position to deny the admissibility of child statement video recordings differently from before. In other words, it was converted to the position that the defendant’s right to cross-examination should be guaranteed. Due to the influence of the Constitutional Court’s decision, the Supreme Court has recently sentenced rulings denying the admissibility of child statement video recordings. However, in the case of a child, certain restrictions on the defendant’s right to cross-examine should not be evaluated on the same line as general restrictions on cross-examination in terms of the specificity of the statement of the child victim and securing the credibility of such statement. The reason for this legal transition of our judiciary is not because it denies or rejects various research results on legal statements of children. If so, the remaining task is to find a new way to secure the reliability of child victim statements in a situation where the admissibility of statement video recordings has been rejected. In response, this paper seeks to discuss a new “AI-based institutionaltechnical method of securing credibility of child statements” that takes into account (1) the guarantee of the defendant’s right to cross-examine during the investigation stage, (2) the possibility of preventing secondary harm during the child’s statement process, (3) the equalization of the investigative expert’s capacity to investigate the victim, and (4) the possibility to secure credibility of the child’s statement. To this end, first, the analysis of the Constitutional Court Decision 2018Hun-Ba524 and the Supreme Court Decisions 2021Do14530, 2021Do14616, and 2023Do15133 is conducted. Since then, we will review the change in the legal judgment on the admissibility of child statement video recordings of our Supreme Court, which has recently become a problem in Section Ⅱ. It also explains the need to supplement the problem of the admissibility of child statement video recordings in Section Ⅲ. Procedural institutional measures to secure child damage statements that can be harmonized with cross-examination rights, and a system to support non-face-to-face statement protocols tailored to child witnesses using AI and cloud that can implement them in Section Ⅳ. Finally, we would like to briefly mention additional tasks in the future along with how to utilize this AI-based statement support system in Section Ⅴ.

생성형 인공지능은 텍스트, 이미지, 음악 등 다양한 형태의 콘텐츠를 생성하는 기술로, 다양한 분야에 활용되고 있다. 보안 분야에서도 생성형 인공지능을 활용한 디지털포렌식, 악성코드 분석, 취약점분석 등 다양한 분야에 새로운 가능성을 열 준비를 하고 있다. 본 논문에서 생성형 인공지능을 보안영역을 고려한 활용방법으로 보안 취약점 분석 및 예측을 위해 ChatGPT를 활용해 취약점 식별및 시큐어 코딩이 가능한 가이드를 제시한다. 생성형 인공지능은 보안 분야에 혁신적인 가능성을 제시하지만, 기술적 발전과 함께 윤리적, 법적 문제에 대한 심도있는 고민을 통해 생성형 인공지능이 안전하고 효과적으로 활용될 수 있도록 지속적인 연구와 개발이 필요할것이다.

In this paper, Generative AI is a technology that creates various forms of content such as text, images, and music, and is being utilized across different fields. In the security sector, generative AI is poised to open up new possibilities in various areas including security vulnerability analysis, malware detection and analysis, and the creation and improvement of security policies. This paper presents a guide for identifying vulnerabilities and secure coding using ChatGPT for security vulnerability analysis and prediction, considering the application of generative AI in the security domain. While generative AI offers innovative possibilities in the security field, it is essential to continuously pursue research and development to ensure safe and effective utilization of generative AI through in-depth consideration of ethical and legal issues accompanying technological advancements.

시큐어 코딩은 해킹 등 사이버 공격의 원인인 보안 취약점을 제거해 안전한 소프트웨어를 개발하는 SW 개발 기법을 의미한다. 개발자의 실수나 논리적 오류로 인해 발생할 수 있는 문제점을 사전에 차단하여 대응하고자 하는 것이다. 그러나 현재 시큐어 코딩에는 오탐과 미탐의 문제가 발생한다는 단점이 있다. 따라서 본 논문에서는 오탐과 미탐이 발생하는 단점을 해결하고자 머신러닝 알고리즘을 활용하여 AI 기반으로 개발자의 실수나 논리적 오류를 탐지하는 시큐어 코딩 도구를 만들고자 한다. 다양한 모델을 사용하여 보안 취약점을 모아놓은 Juliet Test Suite를 전처리하여 학습시켰고, 정확도를 높이기 위한 과정 중에 있다. 향후 연구를 통해 정확도를 높여 정확한 시큐어 코딩 점검 도구를 개발할 수 있을 것이다.

본 연구는 커뮤니케이션 영역에서 인간의 AI 휴먼과의 차별성 확보를 위한 요인도출을 중심으로 스피치 역량 자기평가 척도를 개발하기 위한 목적으로 진행되었다. 이를 위해 문헌 연구와 함께 아나운서, 스피치 학원 강사 등으로 구성된 16명의 전문가집단을 대상으로 3차례의 델파이 조사를 실시하여 스피치 역량 자기평가 척도의 예비항목을 도출하였다. 다음으로 도출된 예비항목을 바탕으로 스피치 역량 자기평가 척도를 개발하고 개발된 척도의 타당도를 검증하기 위해, 다수의 청중을 대상으로 스피치를 해 본 경험이 있는 20대∼ 40대 성인을 대상으로 두 차례의 온라인설문조사를 실시하였다(1차 = 300명, 2차 = 300명). 연구 결과 스피치 역량 자기평가척도는 ‘전달력’, ‘감정표현’, ‘청중고려’, ‘내용구성’ 4개 요인과 16개 측정항목으로 구성되었다. 또한 개발된 척도의 모든 요인은 스피치 불안감과 부(-)의 상관관계를보였으며 스피치 효능감, 커뮤니케이션 능력과는 정(+)의 상관관계가 있는 것으로나타났다.

This research was conducted to develop a self-rating scale for human speech competency focusing on the derivation of factors to differentiate from AI human in communication, as technology advances and human speech competency is emphasized. For this purpose, literature research was performed, and three rounds Delphi surveys were conducted with a group of 16 experts, including announcers and speech school instructors, to derive preliminary questions for the speech competency self-rating scale. Next, we conducted two online surveys of adults in their 20s to 40s with experience speaking to large audiences for exploratory and confirmatory factor analysis (Round 1 = 300 respondents, Round 2 = 300 respondents). The results of the research showed that the speech competency self-rating scale consisted of 16 items based on four factors: Delivery, Emotional Expression, Audience Consideration, and Content Composition. All factors of the developed scale were negatively correlated with speech anxiety and positively correlated with speech efficacy and communication competency.

최근 웹 보안 분야의 시큐어 코딩(Secure Coding)은 안전한 소프트웨어 개발의 핵심 요소로 자리 잡고 있다. 그러나 시큐어 코딩은 복잡한 보안 개념 및 실습 과정의 어려움으로 인해 학습 진입 장벽이 높은 편이다. 본 연구는 AI 도구를 웹 보안 수업에서 교육적 도구로 활용했고, 특히 시큐어 코딩 학습에 미치는 영향을 분석하고자 한다. 40명 학습자 그룹을 대상으로 실습 수업을 진행했고, 수업 결과 보안 취약점 식별, 안전한 코드 작성, 복잡한 보안 문제 해결 등 학습 효율성이 크게 향상되었음을 확인했다. 또한, AI 도구의 실시간 피드백은 학습자의 이해도와 참여도를 높이는 데 기여한 것으로 나타났다. 본 연구는 AI 도구를 활용한 웹 보안 교육의 가능성을 탐구하고, 시큐어 코딩 교육 프로그램 설계 및 개발에 대한 기초 자료 제공에 의의를 갖는다.

In recent years, secure coding in the field of web security has become a key component of secure software development. However, the barriers to learning secure coding are high due to the complexity of the security concepts and the difficulty of the hands-on learning process. In this study, we investigate the use of AI tools as pedagogical tools in a web security class and specifically analyse their impact on secure coding learning. A group of 40 learners were given a hands-on lesson, and the results showed that the learning efficiency of identifying security vulnerabilities, writing secure code, and solving complex security problems was significantly improved. In addition, the real-time feedback from the AI tool contributed to the learners’ understanding and engagement. This study explores the potential of web security education using AI tools and provides a basis for the design and development of secure coding education programs.

본 연구의 목적은 빅데이터와 인공지능이 인사의 공정성을 증진하는데 도움을 줄 것인가의 여부와 그것이 어떻게 가능한가에 대한 시론적 논의를 전개하는 것이다. 그동안 인사행정에 정보통신기술(ICT)이 도입되면서 인사서비스의 새로운 패러다임이 조성되었으나 인사의 공정성에 장애로 작용하여 온 인사권한의 집중과 평가오류의 문제들을 해소하는 데에는 한계를 보였다. 그 한계들을 극복하기 위하여 빅데이터와 “약한 인공지능”은 두 가지 방식으로 활용될 것이다. 첫째, HR 애널리틱스의 개념을 도입하여 인사권자에 집중되어 있는 권한을 데이터기반 행정과 다양한 평가주체로 분산시킨다. 둘째, 빅데이터의 용량과 속도의 강점을 살려서 평가가 시간적으로 지연되어 나타나는 인지적 오류를 극복하고 정확한 평가 결과를 바탕으로 보상을 신속히 제공한다. 궁극적으로 인사의 공정성과 개인정보 수집의 최소화를 위하여 인간은 “강한 인공지능”에게 의존하게 될 것이다.

The purpose of this study is to develop a exploratory discussion on whether big data and artificial intelligence will help to improve the fairness of personnel and how it is possible. So far, the introduction of information and communication technology (ICT) in personnel administration has created a new paradigm for personnel service, but there have been limitations in solving the problems of concentration of personnel authority and evaluation errors, which have been an obstacle to the fairness of personnel. To overcome those limitations, big data and “weak AI” will be used in two ways. First, by introducing the concept of HR analytics, the authority concentrated on managers is distributed to the data-based administration and various evaluation subjects. Second, by utilizing the strengths of the capacity and speed of big data, it overcomes cognitive errors that appear due to delay in evaluation over time, and provides quick compensation based on accurate evaluation results. Ultimately, humans will rely on “strong AI” for fairness of personnel and minimizing the collection of personal information.