디지털 라이브러리[ 검색결과 ]
자율주행차 환경에서 자연 요소를 포함한 물리적 적대적 공격을 통한 취약점 분석
http://doi.org/10.5626/JOK.2024.51.10.935
인공지능 기술의 발전은 컴퓨터 비전 분야에 많은 영향을 줌과 동시에 강제로 모델의 오분류를 일으켜 공격하는 적대적 공격에 대한 많은 취약점이 발견되었다. 특히, 물리적 환경에서의 적대적 공격은 자율주행차 시스템에서 심각한 위협이 될 수 있음이 발견되었다. 이 중, 적대적 패치처럼 인위적으로 생성하여 부착하는 공격 외에도 자연 요소를 활용하여 오분류를 일으키는 공격들이 존재한다. 특히, 낙엽과 같은 자연 요소에 의해 차량 표지판이 방해받는 상황은 자율주행 환경에서 자주 발생되는 요소 중 하나이다. 이는 수시로 움직이므로 찰나의 순간에도 오분류가 발생되는 취약점이 반드시 존재한다. 따라서 본 논문에서는 낙엽을 자연적 장애 요소로 제안하여 적대적 패치 공격에 대한 연구를 수행하였다. 구체적으로 기존 적대적 공격의 연구 동향을 살펴보고 자연 요소 기반의 실험 환경을 제시하며 실험 결과를 분석하여 물리적 환경에서의 낙엽을 활용한 적대적 공격이 자율주행차에 미치는 취약점을 분석한다.
효율적인 신경망 기반 암호키 교환 기술
http://doi.org/10.5626/JOK.2019.46.2.208
키교환 문제는 암호학에서 중요한 관심사 중 하나이다. 최근 신경망 학습을 기반으로, 기존의 키 교환 방식보다 효율적인 키교환 기법들이 제안되었다. 최초의 신경망 기반 키교환 기법이 제안된 이후 많은 안전성 분석과 공격 기법들이 연구되었다. 공격들 중 가장 강력한 다수 공격(Majority attack)에 대해 기존에 제안된 헤비안 학습(Hebbian learning)은 취약점이 존재한다. 다수 공격에 안전한 안티 헤비안 학습(Anti Hebbian learning)은 효율성에 한계가 존재하며, 결론적으로 랜덤 워크 학습(Random walk learning)에 기반한 신경망 암호만이 안전하고 효율적인 방법으로 우리가 사용할 수 있음이 보여졌다. 하지만 랜덤 워크 학습을 사용하면 신경망 암호의 장점인 효율성이 다른 학습을 사용하는 것보다 감소한다. 이에 본 논문에서는 기존의 랜덤 워크 학습과 이를 사용한 신경망 암호에 대해 분석하고, 이것을 바탕으로 기존의 랜덤 워크 학습보다 효율적인 새로운 방식의 학습을 제안한다. 또한, 새로운 학습을 사용한 키교환 기술에 대한 이론적 분석과 더불어 다수 공격을 직접 구현하여 제안 방식의 효율성과 안전성을 검증한다.
메시지 복구 공격에 안전한 형태보존암호
http://doi.org/10.5626/JOK.2017.44.8.860
최근 국내에서 개인정보 안전성에 관한 법률이 제정됨으로써 개인정보 암호화에 많은 관심이 집중되었다. 그러나 기존의 암호화 기법을 그대로 사용한다면, 데이터의 형태를 보존할 수 없기 때문에 데이터베이스의 스키마를 변경해야하며 이는 많은 비용을 발생시킬 수 있다. 따라서 기존의 데이터베이스 스키마를 그대로 유지하고 데이터의 기밀성을 보존할 수 있는 형태보존암호가 핵심 기술로 대두되고 있다. 이에 따라 NIST는 FF1과 FF3를 형태보존암호의 표준으로 공표했지만, 최근 메시지 복구 공격에 대한 FF1과 FF3의 안전성에 문제점이 발견되었다. 본 논문에서는 형태보존암호의 표준인 FF1과 FF3, 그리고 메시지 복구 공격에 대해 연구하고 분석하였다. 또한 이를 바탕으로 메시지 복구 공격에 안전할 수 있는 형태보존암호를 연구하고, 표준화된 FF1과 FF3을 직접 구현하여 제안 방식의 효율성을 검증하였다.
