최근 이슈
52권
10호,
10월
2025
전체 권/호
IoT 환경을 위한 보호키 기반 화이트박스 암호 테이블 생성 기법
http://doi.org/10.5626/JOK.2025.52.10.805
IoT 환경에서는 암호키 노출을 통한 위협이 존재하지만 자원 제약으로 인해 전통적인 하드웨어 기반 키 보호 기법 적용이 어렵다. 이를 해결하기 위해 본 논문에서는 시스템 외부에서 인코딩된 보호키를 삽입하고, 내부에서 이를 기반으로 참조 테이블을 생성하는 보호키 기반 화이트박스 암호 테이블 생성 기법을 제안한다. 본 알고리즘은 참조 테이블 생성 과정에서 암호키가 메모리에 평문으로 존재하지 않도록 설계되어 내부 연산 중 키 노출 가능성을 효과적으로 차단한다. 알고리즘의 결과가 기존 테이블 생성 알고리즘과 동일함을 수학적으로 검증하였으며, 시스템에 삽입되는 데이터(보호키) 크기를 약 1/270배 줄여 저장 및 전송 효율성을 확보하였다. 본 기법은 AES-128 기준으로 기술하였으나 다양한 SPN 구조의 암호 알고리즘에 확장 적용 가능하다. 이를 통해 제안한 기법이 IoT 환경에서 안전하고 실용적인 키 보호 및 전달 수단으로 활용될 수 있음을 보였다.
동적인 이벤트로 구동되는 차량 응용의 시뮬레이션 기반 최악 성능 예측
http://doi.org/10.5626/JOK.2025.52.10.813
SDV(Software Defined Vehicle) 확산과 중앙집중형 E/E 아키텍처 도입으로 ECU(Electronic Control Unit) 통합이 가속화되면서, 차량 응용의 통신 복잡도와 데이터 처리량이 증가하고 있다. 이벤트 기반 태스크 모델에서 이러한 환경의 비결정적 특성은 최악응답시간(Worst-Case Response Time, WCRT)과 메모리 요구량 예측을 어렵게 만든다. 본 논문은 이를 해결하기 위해, 시스템 프로파일링을 통해 수집한 실제 태스크 실행 로그를 기반으로, 상한 도착 곡선(Envelope Arrival Curve, EAC), 최상위 집합 기반 이벤트 경로 구성, 통계적 이벤트 분산 기법을 결합하여 보수적이면서도 현실적인 최악 실행 시나리오를 예측하는 방법론을 제안한다. 예측된 최악 실행 시나리오는 시뮬레이션 입력으로 사용되며, 이를 통해 WCRT와 이벤트 큐 및 글로벌 버퍼의 메모리 요구량을 산출하고, 실험을 통해 프로파일 구성 방식과 태스크 우선순위 조정이 시스템 성능에 미치는 영향을 검증하였다.
MedDRA 기반 의료 코딩에서 서브워드 토큰화를 활용한 최하위 용어 추천
http://doi.org/10.5626/JOK.2025.52.10.825
임상시험에서 연구자가 입력한 시험 대상자의 병력과 이상반응을 보고 용어(Reported Term, RT)라 한다. 같은 증상도 연구자마다 다르게 표현하므로 RT를 국제 표준 의학 사전인 MedDRA의 최하위 용어(Low-Level Term, LLT)로 매칭하는 의료 코딩 과정이 필수적이다. 영어권 시스템이 있으나 국내 연구는 한국어와 영어 혼용 문제가 있어, 본 연구는 한국어를 포함한 RT를 LLT로 변환하는 방법을 제안한다. 국내 임상시험에서 수집한 RT-LLT 쌍 4,398개를 학습 데이터셋으로 구축하였고, 다중 언어, 띄어쓰기, 오타 및 구둣점 등 잡음을 처리하기 위해 서브워드 토큰화 알고리즘인 SentencePiece와 WordPiece 기법을 적용하였다. 학습 단계에서 생성한 토큰 사전으로 새로운 RT를 분절하고 매칭 점수에 따라 top-k LLT를 추천하는 알고리즘을 구현했으며, 테스트 결과 평균 5개 후보 중 정답 LLT가 포함됨을 확인했다.
양방향 장단기 메모리 레즈넷을 이용한 심전도 이상 감지
http://doi.org/10.5626/JOK.2025.52.10.833
최근 인공지능(AI)의 발전은 의료 분야, 특히 심전도(ECG)와 같은 신호 분석 기반 분류 작업의 성능을 크게 향상시켰다. 본 연구는 ECG 신호 분석을 통해 폐쇄성 수면 무호흡증(OSA)을 감지하는 데 중점을 둔다. 이를 위해, 양방향 장기 단기 기억 네트워크(Bi-LSTM)와 잔차 신경망(ResNet)을 결합한 하이브리드 모델을 제안한다. 이 모델은 ECG의 깊은 특징과 시간적 의존성을 활용해 OSA 패턴을 효과적으로 식별한다. PSG-Audio 데이터셋을 사용한 실험에서 본 모델은 평균 정확도 94.65%(최대 97.84%), 정밀도 94.65%(최대 98.13%), 민감도 93.92%(최대 100%), F1 점수 0.94(최대 0.979)를 달성하며 Bi-LSTM-CNN 모델보다 우수한 성능을 보였다. 이 결과는 본 모델이 개인 건강 모니터링 시스템에서도 실용적이고 비침습적인 OSA 조기 감지 솔루션이 될 수 있음을 시사한다.
거대 언어 모델 평가를 위한 과학기술정보 도메인 한국어 벤치마크
고동혁, 육정훈, 이병호, 임경태, 이경하, 김태훈, 박천음
http://doi.org/10.5626/JOK.2025.52.10.841
본 논문에서는 거대 언어 모델의 과학기술정보 분야의 전문 지식을 평가하기 위해 한국어 벤치마크를 구축한다. 범용 분야 벤치마크와 차별화된 도메인 특화 데이터 구축을 위하여 과학기술정보 전문 분야 8가지 카테고리를 정의하고 각 문제의 난이도와 평가 기준을 수립한다. 본 논문에서 제안한 2단계 데이터 자동 생성 방법은 벤치마크 품질과 전문성을 향상시키며, 구축 시간을 단축한다. 거대언어모델 실험 결과, 다중 선택(all) 문제 유형에서 정확도가 0.17 0.32로 나타나 과학기술정보 도메인 벤치마크의 유효성을 확인하였다. 이는 범용 인공 지능(AGI)을 목표로 학습된 언어 모델의 도메인 특화 평가 연구에 중요한 토대를 마련할 것으로 보인다.
효율적인 딥러닝을 위한 비동기 병렬화 기반 날카로움-인지 최소화 기술
http://doi.org/10.5626/JOK.2025.52.10.851
날카로움-인지 최소화 기법(SAM)은 기계학습 모델의 일반화 성능을 향상하는 최적화 기법이지만 모델 교란을 위한 높은 계산 비용으로 인해 실제 응용에 널리 사용되고 있지 않다. 본 논문은 모델 교란과 모델 업데이트 간의 데이터 의존성을 제거하는 비동기 병렬화 기술을 통해 기울기 크기를 효율적으로 감소시키는 새로운 비동기 병렬 SAM 기법을 제안한다. 비동기 SAM은 시스템 성능에 따라 교란 배치 크기를 조절함으로써, CPU-GPU와 같은 이종 자원을 효과적으로 활용해 정확도 손실없이 모델 교란에 소요되는 시간을 완전히 은닉한다. 제안한 기술은 CIFAR, Oxford Flowers102 등의 벤치마크에서 SGD 대비 평균 1-4%p 높은 정확도를 보이며, 전통적인 SAM의 정확도를 상회한다. 또한, 최근 소개된 SAM의 변형 기술들과 유사한 정확도를 유지하면서, CIFAR-10/ResNet-20 실험에서는 SGD와 유사한 수준(약 1.02배)의 처리 속도를 보인다.
Sylender: 한국어 특성을 반영한 음절 기반 확장 트랜스포머 인코더 모델
http://doi.org/10.5626/JOK.2025.52.10.860
음절 단위 토크나이징은 한국어의 언어적 및 문법적 정보를 잘 보존한다는 장점이 있으나, 토큰의 의미적인 정보가 서브워드 토큰보다 적어, 서브워드 방식보다 성능이 떨어지는 경향이 있다. 따라서 본 논문에서는 기존 사전학습 서브워드 모델에 음절 모듈을 추가적으로 결합한 Sylender 모델을 제안한다. Sylender는 기존 서브워드 모델의 각 레이어에 음절 기반 모듈을 병렬적으로 결합한 구조이며 서브워드 임베딩과 음절 임베딩을 함께 사용한다. 이를 통해 언어 모델의 표현력을 유지하면서도, 음절 수준의 정보를 효과적으로 결합해 한국어의 문법 구조 및 형태론적 특성을 효과적으로 반영한다. 제안된 모델은 다양한 한국어 일반 데이터에 대한 실험 결과, Sylender는 대부분의 기존 베이스라인은 물론 일부 태스크에서는 약 2.5배, 1.5배의 파라미터 크기를 가진 대형 모델보다도 우수한 성능을 보였으며, 이는 한국어의 언어적 특성을 반영한 정보 결합 방식이 성능 향상에 매우 효과적임을 입증한다.
사중항 분석을 통한 페르소나 추출 시스템
http://doi.org/10.5626/JOK.2025.52.10.869
개인화된 대화를 생성하는 인공지능 시스템 구축에 있어 페르소나(Persona)는 사용자의 특성을 반영하는 핵심적인 역할을 한다. 본 연구에서는 발화로부터 페르소나 정보를 정교하게 추출하고 응답 생성에 활용하기 위한 새로운 표현 방식으로 [핵심, 표현, 감성, 범주]의 형태로 구성된 사중항(Quadruple) 구조를 제안한다. LLM을 이용한 자동 주석 생성 방식으로 사중항 데이터셋을 구축하고, 다양한 방식의 추출 모델을 각각 구현하여 비교하였다. 학습된 모델을 활용하여 추가 검수를 통해 데이터 품질을 개선하였고, 재학습을 통해 최종 모델을 구현하였다. 추출한 사중항 정보를 응답 생성 모델에 제공하여 페르소나 구성 방식에 따른 성능 차이를 평가하였고, 우수한 성능을 보였다. 본 연구는 동적 페르소나 정보를 단순 의미 추출을 넘어 감성 및 범주 수준까지 구조화함으로써, 더욱 세밀하고 효과적인 페르소나 추출 시스템을 구현하였다.
시계열 분류 성능 향상을 위한 GraphSAGE 기반 임베딩
http://doi.org/10.5626/JOK.2025.52.10.879
최근 그래프 연구가 활발해짐에 따라 시계열을 그래프 도메인에서 분석하는 연구가 소개되고 있다. SimTSC는 시계열을 그래프로 변환하고 이를 노드 분류에 적용한 새로운 접근법인데, 노드의 특징 임베딩 과정에서 노드 사이 관계는 고려하지 않는 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 GraphSAGE로 노드의 특징을 임베딩하는 SbCM(SAGE-based Classification Model)을 제안한다. 또한, GraphSAGE의 이웃 노드 선택을 위해 원본 시계열을 사용한 새로운 그래프 구성 방법을 제안한다. GraphSAGE는 이웃 노드 정보를 활용하는 임베딩 모델로, 타겟 노드와 이의 이웃 노드를 함께 활용한 특징 임베딩이 가능하다. UCR 데이터를 사용한 실험 결과, 제안하는 SbCM은 대용량 데이터, 다수의 클래스 하에서 기존 SimTSC 대비 최대 2.5배까지 분류 성능을 향상시킨 것으로 나타났다.
사용자/항목의 선호도 추론 경로를 활용한 거대 언어 모델 기반 대화형 추천 시스템
http://doi.org/10.5626/JOK.2025.52.10.890
대화형 추천시스템은 사용자와의 상호작용을 통해 취향을 파악하고, 맞춤형 항목을 추천하는 것을 목표로 한다. 최근 거대언어모델(LLM)의 발전으로 대화 속 잠재적 선호를 효과적으로 추론할 수 있게 되었으나, 불필요한 정보가 포함되면서 의도치 않은 추천으로 이어질 수 있다. 본 연구는 LLM의 추론 경로를 구축하고 표면적 문맥을 넘어 잠재적 선호 정보를 포착하는 대화형 추천 프레임워크 RNCRS (Reasoning paths and Neighbor enhanced CRS)를 제안한다. 제안 방법은 (1) 항목 추론 경로를 활용하여 다면적 항목 특성을 반영하고, (2) 협업 지식을 활용하여 이웃 사용자의 집단적 선호 패턴을 반영하며, (3) 대화-항목 간 직접적인 콘텐츠 유사도로 추론 경로에서 누락될 수 있는 명시적 선호를 보완함으로써, 학습 없이도 강건한 추천을 가능하게 한다. 실험 결과, 본 방법은 기존 모델 대비 Recall@50 기준 최대 12.7%의 성능 향상을 기록하였다.
