Earticle

최근 인공지능(AI) 기술의 발전으로 기존 침입 탐지 시스템(NIDS)의 한계를 극복하기 위한 연구가 활발히 이루어지고 있 다. 기존 서명 기반 또는 단일 딥러닝 모델은 새로운 공격 유형이나 제로데이 공격 탐지에 취약하며 네트워크 플로우 간 구조 적 관계를 충분히 반영하지 못한다. 이에 본 연구는 SAGEConv-GNN과 Transformer Encoder를 결합한 하이브리드 NIDS를 제안한다. GNN은 국부 구조 정보를, Transformer는 장기 의존성과 전역 문맥을 학습하며 Gated Fusion으로 이를 통합한다. 또 한 positional encoding, Early Stopping, label smoothing, class weight 등을 적용해 학습 안정성을 확보하였다. UNSW-NB15 (약 50,000 flows) 실험 결과 본 모델은 GCN, GAT, GraphSAGE, Transformer보다 우수했으며 Accuracy 99.70%, Precision 96.44%, Recall 99.08%, F1-score 97.2%를 달성했다. 이는 불균형 데이터 환경에서도 높은 탐지 성능과 낮은 오탐지율을 유지 함을 보이며 AI 기반 하이브리드 NIDS의 실용 가능성을 제시한다.

With recent advances in AI, overcoming the limits of traditional NIDS has become crucial: signature-based or single deep learning models struggle with novel/zero-day attacks and fail to capture structural relations among flows. We propose a hybrid NIDS combining SAGEConv-GNN (local structure) and a Transformer Encoder (global context/long-range dependencies), integrated via Gated Fusion, with positional encoding, early stopping, label smoothing, and class weighting for stable training. On UNSW-NB15 (~50k flows), our model outperforms GCN, GAT, GraphSAGE, and Transformer baselines, achieving 99.70% Accuracy, 96.44% Precision, 99.08% Recall, and 97.2% F1. This demonstrates strong detection performance and low false positives in imbalanced settings, underscoring the practicality of AI-based hybrid NIDS.

본 연구는 국가·민간·국방 분야의 실제 침해사례를 분석하여 공통적인 공격 패턴과 핵심 위협요소를 구조화하고, 이를 사 이버공방훈련체계에 적용 가능한 프레임워크로 제시하였다. 세 영역 모두에서 초기 침투–내부 정찰–권한 상승–지속성 확 보라는 반복적 공격 단계가 확인되었으며, 이를 바탕으로 전술·기술 중심의 위협요소 재배치와 공격–방어 연계 분석 체계를 구축하였다. 제안된 프레임워크는 다양한 환경에서 일관된 기준으로 훈련 시나리오를 설계하고, 분야별 요구에 맞춘 맞춤형 적용이 가능하다. 비록 실제 훈련 운영이나 실증 실험은 수행하지 않았지만, 사례 기반 구조화 연구로서 사이버공방훈련체계 의 표준화·고도화에 기여한다. 향후 시나리오 자동 생성, 정량 평가, AI 기반 위협 추천 등으로 확장될 수 있는 가능성도 확인되었다.

This study analyzes incident cases from national, private, and defense sectors to extract shared attack patterns and threat elements. All cases exhibit a common progression of initial access, reconnaissance, privilege escalation, and persistence. Based on this, a structured framework for cyber range training scenarios was developed for consistent and domain-adaptive use. Although not empirically tested, the framework contributes to standardizing and improving cyber training design. Future work may enable automated scenario generation and AI-driven threat element recommendation.

One of the most common task of electromyography (EMG)-based human?machine interface (HMI) is the hand gesture recognition. Robust and accurate predictions leveraging the surface EMG (sEMG) is a key challenge. In this paper, we present a 3D hand gesture prediction application, leveraging the sEMG signal and the optical hand tracking information. A transformer?encoder classifier (TEC) module is introduced in an IPC-system to predict the 3D-hand gestures using eight monopolar channels from sEMG as input. An experimental testbed is setup to acquire, train, and predict the 3D hand gestures within a feasible range of performance. The performance has been evaluated in terms of percentage of correctly classified keypoints (PCK). PCK is measured by first estimating the euclidean distance between the actual and the predicted keypoints. The percentage of keypoints within a threshold distance value are then calculated. Results from the ablation study indicate that the proposed scheme shows a percentage of correctly classified keypoints of up to 72.8%, 92.7%, 97.2%, and 98.6% with a PCK threshold of 5 mm, 10 mm, 20 mm, and 30 mm, respectively.

형태소 분석은 의미를 가지거나 문법적 기능을 하는 언어의 최소 단위인 형태소를 분리하고, 각 형태소의 품사를 결정하는 작업으로, 개체명 인식, 의존구문 분석 등과 같은 자연어 처리 작업에서 중요한 역할을 한다. 현대 자연어처리의 많은 부분은 딥러닝 기반 언어 모델에 의존하고 있으며, 딥러닝 기반 한국어 형태소 분석은 크게 시퀀스-투-시퀀스 방식과 순차적 레이블링 방식으로 나뉜다. 본 연구에서는 트랜스포머 인코더를 활용한 순차적 레이블링 방식으로 음절 단위 품사 태깅을 수행한 후, 기분석 사전을 통해 형태소 복원 및 품사 태깅을 진행하는 형태소 분석 방식을 제안한다. 또한, CBOW 방식을 사용하여 음절 단위 임베딩을 낮은 차원으로 추출함으로써 파라미터 수를 줄인 경량화 형태소 분석기 모델을 설계하였다. 제안된 모델은 낮은 파라미터 수와 빠른 추론 속도를 통해 자원이 제한된 환경에서도 효율적으로 활용될 수 있다.

Morphological analysis involves segmenting morphemes, the smallest units of meaning or grammatical function in a language, and assigning part-of-speech tags to each morpheme. It plays a critical role in various natural language processing tasks, such as named entity recognition and dependency parsing. Much of modern natural language processing relies on deep learning-based language models, and Korean morphological analysis can be broadly categorized into sequence-to-sequence methods and sequential labeling methods. This study proposes a morphological analysis approach using the transformer encoder for sequential labeling to perform syllable-level part-of-speech tagging, followed by morpheme restoration and tagging through a pre-analyzed dictionary. Additionally, the CBOW method was used to extract syllable-level embeddings in lower dimensions, designing a lightweight morphological analyzer model with reduced parameters. The proposed model achieves fast inference speed and low parameter usage, making it efficient for use in resource-constrained environments.

자전거는 대중교통과 연계된 편리한 출퇴근, 통학, 단거리 이동을 지원함으로써, 일상생활에서 시민의 편리한 이동을 보장한다. 동시에 자전거는 자가용을 대체함으로써 온실가스 배출을 획기적으로 줄일 수 있는 중요한 이동 수단이기도 하다. 서울의 강서구는 다른 자치구들과 달리 공공자전거(따릉이) 이용자수가 유난히 높은데도 불구하고, 서울 전체 지역에 대해 이용률 차이에 주목한 연구가 부족하다. 본 연구는 자전거 이용이 가장 많은 ‘9월부터 11월 사이의 평일 따릉이 이용 데이터’를 기준으로, 강서구의 자전거 이용이 다른 자치구와 비교해 큰 차이로 높은 요인을 분석했다. 이를 위해 수백만 건 데이터에서 미묘한 차이를 추출할 수 있는 분석 방법으로서, 범주형과 연속형 표 형식(tabular) 데이터에서 임베딩(embedding) 품질이 좋을 뿐 아니라, 차이가 존재하는 잠재 공간(z) 학습에 뛰어난 딥러닝 모델인 ‘테이블형 트랜 스포머 인코더(Tabular Transformer Encoder)’를 사용했다. 분석 결과, 인근 지하철역 이용자 규모나 상권 특성, 자치구의 인구 같은 변수보다는, ‘낮은 경사’라고 하는 지리적 요인이 다른 자치구에 비해서 강서구의 자전거 이용 증가에 유의미한 영향을 주는 것으로 나타났다. 자치구별 자전거 이용의 차이를 줄이기 위한 하나의 대안으로서, 언덕과 경사 이동에 적합한 전기자전거 등이 고려될 수 있음을 시사한 연구 결과다.

Bicycles ensure convenient daily mobility for citizens by supporting efficient commuting to work and school, as well as short-distance travel integrated with public transit. Simultaneously, they serve as a crucial mode of transportation that can drastically reduce greenhouse gas emissions by replacing private vehicles. Despite Gangseo-gu in Seoul exhibiting an exceptionally high usage rate of public bicycles compared to other districts, there remains a lack of research focusing on the disparities in usage rates across the entire region. This study analyzed the factors driving the significantly higher bicycle usage in Gangseo-gu relative to other districts, utilizing ‘weekday Ttareungi usage data from September to November,’ the period with the highest weekday bicycle ridership. To this end, the study employed a ‘Tabular Transformer Encoder.’ As an analytical method capable of extracting subtle nuances from millions of data records, this deep learning model not only generates high-quality embeddings for categorical and continuous tabular data but also excels in learning the latent space(z) where these differences reside. The analysis revealed that the geographical factor of a ‘low slope’(gentle gradient) had a significant impact on the increased bicycle usage in Gangseo-gu compared to other districts, outweighing variables such as the volume of nearby subway station users, commercial district characteristics, or district population. These findings suggest that electric bicycles, which are well-suited for navigating hills and inclines, could be considered as a viable alternative to mitigate the disparity in bicycle usage across different districts.

Automatic spacing in Korean is used to correct spacing units in a given input sentence. The demand for automatic spacing has been increasing owing to frequent incorrect spacing in recent media, such as the Internet and mobile networks. Therefore, herein, we propose a transformer encoder that reads a sentence bidirectionally and can be pretrained using an out-of-task corpus. Notably, our model exhibited the highest character accuracy (98.42%) among the existing automatic spacing models for Korean. We experimentally validated the effectiveness of bidirectional encoding and pretraining for automatic spacing in Korean. Moreover, we conclude that pretraining is more important than fine-tuning and data size.

지난 수십 년 동안 다양한 딥러닝 방법이 개발되고 있으며 수문 분야에서는 이러한 딥러닝 모형이 기존의 수문모형의 역할을 대체하여 사용할 수 있다는 가능성이 제시되고 있다. 본 연구에서는 딥러닝 모형 중에 트랜스포머 모형에 다중 인코더를 사용하여 중장기 기간 (1 ~ 10일)의 리드 타임에 대한 한국의 유출량 예측 전망의 가능성을 확인하고자 하였다. 트랜스포머 모형은 인코더와 디코더 구조로 구성되어 있으며 어텐션 (attention) 기법을 사용하여 기존 모형의 정보를 손실하는 단점을 보완한 모형이다. 본 연구에서 사용된 다중 인코더 기반의 트랜스포머 모델은 트랜스포머의 인코더와 디코더 구조에서 인코더를 하나 더 추가한 모형이다. 그리고 결과 비교를 위해 기존에 수문모형을 활용한 스태킹 앙상블 모형 (Stacking ensemble model) 기반의 예측모형을 추가로 구축하였다. 구축된 모형들은 남한 전체를 총 469개의 대규모 격자로 나누어 각 격자의 유출량을 비교하여 평가하였다. 결과적으로 수문모형보다 딥러닝 모형인 다중 인코더 기반의 트랜스포머 모형이 더 긴 리드 타임에서 높은 성능을 나타냈으며 이를 통해 수문모형의 역할을 딥러닝 모형이 어느 정도는 대신할 수 있고 높은 성능을 가질 수 있는 것을 확인하였다.