디지털 라이브러리[ 검색결과 ]
운영체제 지원 기반의 GlibC Memory Allocator에 대한 Use-After-Free 공격 방지 기법
http://doi.org/10.5626/JOK.2023.50.7.541
Use-After-Free는 많은 소프트웨어 취약성의 원인이 되는 메모리 안전 문제로 많은 대응 기법들이 연구되어 있다. 이런 기법들 중 하나는 힙 청크에 대한 허상 포인터가 없을 때까지 힙 청크 해제를 지연시켜 위험하지 않은 청크만 재사용되도록 하는 것으로, 기존 연구인 MarkUs는 이 기법이 많은 벤치마크에서 상대적으로 낮은 오버헤드로 구현될 수 있음을 보여줬다. 우리는 더 나아가 운영체제 커널 수준 지원에 의해 뒷받침되는 Use-After-Free 방지를 위한 지연된 해제 기법인 MarKern을 제시한다. MarKern은 MarkUs와 같은 기존 Mark-and-Sweep 방식이 사용자 수준에서만 구현되어 발생하는 한계점들을 찾아 커널 수준 지원을 통해 해결한다. 또한 기존 기법과 달리 glibc(GNU C Library) Allocator를 대상으로 개발되었다. 실험 결과, SPEC CPU 2017에서 glibc malloc으로 실행되는 프로그램들에 대해 평균 실행 시간(기하 평균) 기준 18.50%의 오버헤드를 가짐을 확인할 수 있었다.
LTSM 신경망을 이용한 당뇨병 입원환자의 혈당 예측
http://doi.org/10.5626/JOK.2020.47.12.1120
당뇨병은 심각한 합병증을 유발하는 만성 질환으로 의료 현장에서는 의사가 환자의 과거 혈당 추이를 참고하여 향후 혈당의 변동을 예측하고 진료를 시행하고 있다. 최근에는 5분마다 혈당을 자동으로 측정하여 연속적인 혈당 변화를 파악할 수 있는 CGM(Continuous Glucose Monitoring) 측정 기기가 도입되어 임상에서도 널리 사용되고 있다. 의사는 CGM 혈당 측정 결과를 반영하여 당뇨 환자의 인슐린 투여 시기, 고위험 시기 등을 예측하고 진료하고 있다. 본 논문에서는 CGM 혈당 측정 데이터를 기반으로 미래의 혈당을 예측하는 딥 러닝 기반 신경망 모델을 설계하고 제안한다. 제안된 모델은 LSTM(Long Short-Term Memory) 기반의 신경망으로 설계하고, 과거의 혈당 데이터뿐만 아니라 HbA1c(당화혈색소), BMI(체질량 지수) 등 환자 개인의 특성 변수도 고려하여 설계하며, 대학 종합병원의 2형 당뇨병 입원 환자들의 CGM 혈당 데이터를 사용하여 적용하고 테스트하였다. 환자의 특성을 고려한 제안된 혈당 예측 신경망 모델이 기존의 LSTM 모델보다도 혈당 예측 정확도가 최대 50% 향상되었다.
