컨테이너 탈출(Container Escape)은 호스트 커널을 공유하는 컨테이너 환경에서 가장 치명적인 위협 중 하나이다. 공격자는 시스템콜을 조작하여 커널 취약점을 악용하고, 상승된 권한을 통해 호스트에 대한 액세스 권한을 탈취함으로써 컨테이너를 탈출할 수 있다. Seccomp는 컨테이너에서 널리 사용되는 보안 메커니즘으로 Seccomp 프로필에 따라 악의적인 목적으로 호출되는 시스템콜을 필터링함으로써 컨테이너의 격리 수준을 강화한다. 하지만 시스템콜을 개별적으로 차단하는 Seccomp의 현재 필터링 메커니즘은 프로필에 의해 허용된 시스템콜 집합만을 사용하여 여전히 공격이 가능하다는 근본적인 한계를 지닌다. 따라서 본 논문에서는 정적 분석과 동적 분석을 결합한 하이브리드 분석을 통해 악성코드를 분석하여 시스템콜 시퀀스를 추출하는 프레임워크를 제시하였다. 이를 통해 동일한 악성코드에 대하여 적절한 시스템콜 프로필을 생성해, 기존의 개별 시스템콜 기반 필터링 메커니즘과 본 논문에서 제안하는 시스템콜 시퀀스(Sequence) 기반 필터링 메커니즘이 차단 가능한 악성코드의 개수를 비교하여 두 필터링 기법의 보안성을 분석하였다. 그 결과, 제안된 시스템콜 시퀀스 기반 필터링 메커니즘이 기존의 개별 시스템콜 기반 필터링 메커니즘의 보안성을 63%에서 98%까지 증가시켰다.
버퍼 교체 정책의 중요한 목적 중 하나는 버퍼 풀에 자주 접근되는 데이터를 캐싱하여 디스크 I/O를 최소화하는 것이다. 그러나, 버퍼 풀에 참조 빈도가 높은 페이지들이 효과적으로 저장됨에도 불구하고, 적은 양의 페이지들에 의해 과도하게 많은 디스크 I/O가 발생할 수 있다. 이는 버퍼 풀에서 페이지가 축출될 때, 상대적으로 참조 빈도가 높은 쓰기-웜 페이지(Write-Warm Page)가 쫓겨나 해당 페이지에 대한 버퍼 풀 반입과 반출 과정이 반복되기 때문이다. 본 논문에서는 이러한 현상을
객체 탐지 모델의 발전으로, 합성 개구 레이더(SAR) 및 전기 광학(EO) 위성 이미지와 같은 이미지들를 효율적으로 추론할 수 있다. 수평 경계 상자(HBB)를 사용하는 기존 탐지 모델 은 위성 이미지 상의 작고 밀집된 객체들을 탐지하기 어렵다. 이러한 문제를 해결하기 위해 본 논문에서는 Yolov7 객체 감지 모델의 구조를 효율적으로 변경하여, SAR 이미지에서 OBB(Oriented Bounding Box)로 표현된 객체를 정확하게 감지할 수 있는 알고리즘인 E^2RDet을 제안한다. 이 알고리즘은 객체 탐지 모델 아키텍처와 손실 함수를 수정하여 물체의 동적(orientation) 자세를 학습 가능하도록 개선한다. E^2RDet은 다양한 데이터셋을 학습에 활용하여 총 세 가지 벤치마크 SAR 데이터셋에서 성능 향상을 보였다. 이는 기존 객체 감지 모델들이 OBB로 표현된 객체도 학습 및 객체 탐지가 가능하다는 것을 의미한다.
대체어란 한 문장에서 특정 단어를 대신하여 사용해도 문장의 의미를 훼손하지 않는 단어이며, 이를 추출하는 기술은 데이터 증강 등 다양한 자연어처리 문제에 활용할 수 있다. 기존 대체어 추출 방법은 문맥에 부자연스러운 대체어를 추출할 수 있다는 문제가 있다. 이를 해결하기 위해 본 논문에서는 말뭉치에서 목표 단어가 포함된 문장을 샘플링하여 사전학습 BERT 기반 대체어 후보 생성 모델에 입력하고, 대체 토큰 감지 모델로 부적합한 대체어를 제외하여 대체어를 추출하는 방법을 제안한다. 국립국어원 문어 말뭉치 및 ㈜낱말 기본유의어 사전을 통해 검증한 결과, 본 제안 방법은 기존 방법에 비해 더 정확한 대체어를 추출한다. 또한 부적합한 대체어를 제외하는 모델로 사료될 수 있는 문법성 판단 모델보다 본 연구에서 제안한 대체 토큰 감지 모델의 대체어 추출 성능이 더 뛰어난 것을 확인하였다.
스마트팩토리의 핵심 설비인 협동 로봇에는 기기의 고장을 진단하기 위해 내부, 외부 센서로부터 데이터를 실시간으로 수집하고 결함을 예측하는 데이터 기반 결함 진단 방법이 도입되고 있다. 데이터 기반 결함 진단 방법은 학습을 위한 많은 양의 데이터가 필요하며, 특히 결함 상태로 레이블링된 대량의 데이터가 필수적으로 요구된다. 그러나, 산업 현장에서 실제 결함 데이터를 대량으로 얻기 어렵다. 따라서 본 논문에서는 비전 센서를 기반으로 협동 로봇 결함 상태의 출력을 정상 상태의 출력을 비교 분석하고, 분석된 출력 신호간의 편차를 바탕으로 모의 결함 주입 방법을 제안한다. 실제 결함 상태에서 수집된 협동 로봇 데이터는 제안하는 모의 결함 주입 상태에서 수집된 데이터로 대체 가능하다. 결함 주입 데이터로 학습된 모델의 성능과 실제 결함 데이터로 학습된 모델의 성능 비교 결과, 정확도의 경우 평균 0.97, 0.98로 차이가 거의 없음을 확인하여 제안하는 결함 주입 방법의 효용성을 검증하였다.
본 연구에서는 지식베이스로부터 질의에 대한 근거 문장을 생성하여 응답 추론 과정에 정보를 추가하고, 사람이 읽기 쉬운 형태의 근거 문장을 제공하고자 한다. 이를 위해 HotpotQA 데이터 내 근거 문서에 대한 디비피디아와 위키데이터 두 개의 지식베이스를 직접 수집하고, 수집된 트리플을 기반으로 근거 문장 생성 모델을 학습한다. 답변 생성 모델은 생성된 근거 문장과 질문을 입력으로 학습한다. 지식베이스를 기반으로 생성된 근거 문장은 디비피디아와 위키데이터에 관계없이 모두 응답 생성에 대해 긍정적인 추가 정보를 제공하여 응답 생성 성능을 향상시킬 수 있었고, 사람이 이해할 수 있는 문장을 생성할 수 있었다.
국내에서는 군용 항공기의 비행 안전성을 확보하고 국제적으로 통용되는 감항인증 기준을 적용함으로써 우리 항공기의 수출 경쟁력을 확보하기 위해서 2009년에 군용 항공기 비행 안전성 인증에 관한 법률 및 동법 시행령/시행규칙을 제정하였다. 이에 따라 국내에서 개발되는 군용 항공기는 의무적으로 감항인증 법령, 절차 및 기준에 따라 인증받도록 하고 있다, 감항성 심사의 기준이 되는 군용 항공기 표준감항인증기준은 방위사업청에서 제정되어 현재 7차까지 개정되었으며, 최근 변경 영향성이 가장 큰 분야는 소프트웨어와 관련된 15장 컴퓨터 시스템 및 소프트웨어 분야이다. 이는 무기체계내의 소프트웨어 개발 비중이 지속적으로 증가하는 상황에 발맞추어 관련 기준도 구체화 및 세분화되어 반영된 것이다. 이번 연구는 표준감항인증기준 개정으로 신규 반영된 소프트웨어 커플링 관련 기준에 대한 명확화 및 입증 방안을 제시하였다.
소프트웨어 개발에 있어 버그는 자주 발생한다. 버그의 심각도에 따라 심각하지 않은 오류와 심각한 오류로 분류할 수 있다. 그러나 버그의 심각도는 버그 리포트 작성자가 주관적인 판단으로 선택할 수 있어 심각도 판단에 오류가 발생할 수 있다. 이를 해결하기 위해 본 논문에서는 토픽별 심각 및 심각하지 않은 특징 추출을 적용하여 버그의 심각도를 예측한다. 먼저, 버그 리포트의 속성을 이용하여, Global 토픽, Product 토픽, Component 토픽 및 Priority 토픽을 구축하고, 각 토픽에 Severe, Non-Severe 기반으로 버그 리포트를 추출한다. Global 토픽에서 Severe, Non-Severe에 대해 심각성에 대한 특징을 추출한다. Product 토픽, Component 토픽, Priority 토픽도 동일하게 심각성 특징을 추출한다. 추출한 특징을 결합하여 CNN 알고리즘에 입력으로 넣고 모델을 학습한다. 제안한 모델의 효율성을 평가하기 위해 Eclipse, Mozilla, Apache, KDE 오픈 소스 프로젝트에서 제안한 모델과 베이스라인을 비교하였다. 제안한 모델이 더 좋은 성능을 보였다. 자세히는 Eclipse 97%, Mozilla 96%, Apache 95%, KDE 99%의 성능을 보였으며 베이스라인 대비 평균 약 24.59%의 성능 향상을 보였다. 추가적으로 통계적 검증에서도 유의미한 차이를 보였다.
패션 산업과 비전 연구의 결합으로 딥 러닝을 활용한 이미지에서의 패션 객체 감지 연구가 활발히 진행되고 있다. 그러나 학습 기반 인식 모델의 특성상 학습에 사용된 이미지와 다른 특성을 지닌 이미지에서는 그 성능을 제대로 내지 못하는 단점이 있다. 본 논문에서는 이러한 다른 특성을 지닌 데이터를 도메인으로, 각 도메인적 특성을 스타일로 정의하며, 학습 도메인의 스타일을 혼합하여 새로운 스타일을 만드는 증강 기법을 통해 도메인 변화에 강한 패션 객체 인식 모델을 만들고자 한다. 또한, 어텐션 기법을 활용하여 모델이 이미지로부터 인식에 중요한 요소를 추출할 수 있도록 하였다. 이를 통해 스타일이 가미된 패션 객체 감지 데이터 세트인 styled-deepfashion2를 활용하여 모델이 도메인 변화와 상관없이 균등하며, 전체적으로 상승된 결과를 보임을 확인하였다.
본 연구는 교차 프로젝트 결함 예측을 위한 능동 학습 기반 시스템에 대한 실용적 개선 방법을 제안한다. 교차 프로젝트 결함 예측의 성능을 실용적으로 높이기 위해 능동 학습을 적용하는 연구가 시도된 바 있다. 그러나 능동 학습 대상 선정과 결함 예측에 수제 특징을 입력으로 사용하는 전통적 기계학습 모델을 사용했기 때문에 특징 추출에 많은 비용이 들고 성능 한계가 있었으며, 입력 프로젝트의 선택에 따른 성능 편차 문제가 남아있었다. 본 연구에서는 다음의 방법을 제안한다. 첫째, 모델 구축 비용을 낮추고 예측 성능을 높이기 위해 소스 코드를 입력으로 사용할 수 있는 딥러닝 모델을 사용한다. 둘째, 딥러닝 모델로 능동 학습 대상을 선정하기 위한 방법으로 베이지안 합성곱 신경망을 적용한다. 셋째, 다중 프로젝트들로부터 학습 데이터 세트를 자동 추출하는 방법을 적용한다. 본 연구를 7개 오픈 소스 프로젝트들에 적용한 결과, 기존 연구 대비 평균 13.58% 개선된 예측 성능을 확인하였다.
ECG 데이터는 비교적 쉽게 얻을 수 있고, 부정맥의 진단에 결정적인 역할을 하기 때문에 심장 질환의 예방 목적 연구에 자주 사용된다. MIT-BIH 부정맥 데이터셋은 심장병의 원인 중 하나인 부정맥 분석 연구에 많이 사용되지만, 발병률에 차이가 존재하므로 부정맥 클래스 불균형 문제를 지니고 있다. 부정맥의 클래스 간 불균형은 부정맥 분류 성능에 영향을 주기 때문에, 본 논문에서는 부정맥 클래스의 불균형 문제를 해결하고자 증강된 데이터를 이용하여 서로 다른 4가지 분류 방법을 제시하였다. 증강에 따른 분류 성능 평가를 위하여 VAE 이외의 다른 증강 방법과 비교하였으며, 분류 모델에 따라 CNN과 CNN-LSTM도 비교 분석하였다. 결론적으로 VAE 증강을 적용하여 균형 데이터를 학습 후 CNN을 이용하여 부정맥 데이터를 분류한 결과, 98.9%의 정확도를 달성하였으며, 최신 연구 결과와 비교하면 제안한 모델이 민감도에서 다른 부정맥 분류 모델에 비해 효과적임을 확인하였다.
본 연구에서는 모바일 디바이스로 슈팅 게임을 플레이하거나 감상하는 상황에서 사용자 경험의 향상을 위한 실시간 다중촉감 청-촉각 변환 시스템을 제시한다. 해당 시스템에서는 실시간으로 모바일 디바이스에서 발생하는 소리가 햅틱 피드백을 제공하기에 적절한지 감지하며, 감지된 소리를 기존 햅틱 피드백으로 주로 사용하는 진동 뿐 아니라 짧고 강한 힘의 임팩트 효과로도 표현한다. 이를 위해, 슈팅 게임 상황에서 진동과 비교했을 때 임팩트 햅틱 피드백의 적합성을 확인하였다. 그리고 음향심리학적 척도와 서포트 벡터 머신을 이용한 두 종류의 충격음 감지기를 개발하고, 기존 연구의 감지기와 그 성능을 비교하여 본 연구에서 개발한 두 가지 감지기가 기존 연구의 감지기보다 향상된 성능을 보임을 확인하였다. 최종적으로 전체 시스템의 사용자 경험을 아홉 가지 측면에서 사용자 실험을 통해 평가한 결과 본 연구에서 제시하는 시스템을 사용하였을 때가 그렇지 않은 상황에 비해 유의미하게 사용자 경험을 향상시켰다.
시간의 흐름에 따라서 발생하는 사건과 이와 관련된 개체 간의 변화되는 정보를 정형화된 형식으로 표현하는 것은 여러 면에서 유용하다. 이에 온톨로지를 이용하여 사건의 시간 정보를 표현하는 다양한 연구가 있었다. 리니지(Lineage) 개념은 시간의 흐름에 따른 사건의 상태 변이와 연결성을 효과적으로 표현 가능하게 한다. 이에 따라 본 논문에서는 수많은 사건과 이와 관련된 개체의 시간별 변이 과정을 정형화된 형식으로 표현하기 위해서 온톨로지 기반의 사건 리니지와 개체 리니지를 활용하는 방법을 제안한다. 제안하는 방법은 시간 형식을 instant, interval, duration, periodic으로 분류하여 온톨로지 인스턴스로 표현하고 각 사건은 하나의 시간 형식을 가지도록 하고 이를 바탕으로 온톨로지 인스턴스로 표현된 사건과 이와 관련된 개체 정보를 리니지로 표현하였다. 본 연구의 적절성과 유용성을 검증하기 위해 Allen의 Temporal Relation을 이용한 시간 관계 질의를 처리하는 실험을 수행한 결과 응답 시간이 15.02% 향상되었다.
빅데이터 시대가 도래하면서 대용량 데이터를 처리하기 위해 이종 가속기가 사용되고 있다. 대표적인 빅데이터 분석 프레임워크인 Apache Spark는 Scala 언어로 구현되어 있으므로 Scala로 구현된 프로그램을 CUDA, OpenCL 등으로 재작성 해야 이종 가속기를 사용할 수 있다. TornadoVM은 Java 컴파일지시문을 사용하여 Java 프로그램을 OpenCL로 자동변환한다. Scala는 컴파일 결과물로써 동일한 형태의 바이트코드를 Java와 공유하지만 현재 Scala 컴파일러는 TornadoVM이 OpenCL로 변환하는데 필요한 수준의 컴파일지시문을 지원하지 않는다. 본 논문에서는 Scala에서 컴파일지시문을 지원하여 TornadoVM을 통해 Scala 프로그램을 OpenCL로 변환할수 있도록 개선했고, 그 성능을 검증하였다. 이를 사용하여 Apache Spark 등의 Scala 프로그램에서 GPU 가속기를 쉽게 사용할 수 있을 것으로 기대한다.
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.
전립선암은 전 세계적으로 남성에서 두 번째로 흔하게 발생되는 암이며, 악성도에 따라 재발 가능성 및 치료의 효과가 달라지기 때문에 전립선암의 악성도를 예측하는 것이 필수적이다. 본 연구는 다중 파라미터 자기공명영상에서 전립선암의 악성도를 예측하기 위해 크기 정규화를 적용하여 작은 종양에 대한 정보를 강화한다. 또한, 시각적 특징이 유사하지만 악성도가 다른 종양을 구분하기 위해 다중 손실함수를 제안한다. 실험 결과, ADC 맵 크기 정규화 패치로 학습한 제안된 모델은 정확도 76.28%, 민감도 76.81%, 특이도 75.86%, AUC 0.77의 성능을 보인다. 또한 1.5cm 미만인 작은 종양에서 종양 중심 패치와 비교하여 크기 정규화된 ADC 맵이 정확도 76.47%, 민감도 90.91%, 특이도 69.57%로 각각 17.65%, 27.27%, 13.05%의 향상된 성능을 보인다.
심층 신경망의 학습은 계산 집약적이고 오랜 시간이 걸리기 때문에, 학습의 가속화를 위해 다수의 GPU가 장착된 GPU 클러스터를 사용하여 학습을 분산시키는 방법이 널리 사용되고 있다. 심층 신경망의 분산 학습은 계산이 가장 느린 straggler 노드에 의해 속도와 확장성이 저하되어 straggler 문제를 해결하기 위한 선행 연구들이 제안되었다. 그러나 기존의 방식은 이미지와 같이 모든 데이터 샘플들이 일정한 크기를 가지고 있다고 가정했기 때문에 영상이나 음성 데이터와 같이 데이터 샘플들의 크기가 서로 다른 불균형 데이터를 사용한 분산 학습의 문제점을 인지하지 못했다. 본 논문에서는 데이터 샘플들 간 크기의 차이로 인해 발생하는 straggler 문제를 발견하고 이를 해결하기 위해 데이터 불균형을 고려한 데이터 불균형 최소화 기법 (Data Imbalance Minimization, DIM) 을 제안한다. 여덟 대의 NVIDIA Tesla T4 GPU가 장착된 클러스터에서 DIM의 성능을 평가한 결과 DIM은 최신 시스템에 비해 최대 1.77배의 학습 속도 향상 및 비슷한 수준의 확장성을 가진다.
한국어 형태소 분석이란 주어진 문장을 형태소 원형으로 복원하고 품사 태그를 부착하는 태스크이다. 형태소 분석은 다른 자연어 처리 태스크의 전처리 단계로서 활용되기 때문에 빠르고 정확하게 분석되어야 한다. 최근 학습 기반 한국어 형태소 분석기들은 인코더-자동회귀 디코더를 활용하여 순차적으로 형태소 분석 결과들을 생성하여 정확한 결과를 생성하지만 생성 속도가 느리다는 단점이 있다. 본 논문에서는 비자동회귀 한국어 형태소 분석기를 제안한다. 제안한 한국어 형태소 분석기는 인코더-두개의 비자동 회귀 디코더로 구성되어 있으며, 각 디코더가 형태소 및 품사 시퀀스를 각각 생성함과 동시에 디코더-디코더 크로스 어텐션으로 형태소와 품사가 서로 정보를 주고 받아 정확한 결과를 생성하도록 한다. 또한, 어절 정보를 활용하여 형태소 분석 결과 길이를 예측하고 비자동회귀 디코더에 길이를 제공해 형태소 분석 성능을 향상시킨다. 실험 결과, 제안한 방법은 단순 비자동회귀 디코더 기반 형태소 분석기들보다 좋은 결과를 얻었으며, 자동회귀 디코더 기반 분석기보다 비슷한 성능에 최대 14.76배 빠르게 분석함을 보인다.
딥러닝의 발전과 함께 주목받고 있는 이미지 묘사 기술은 이미지 속 내용을 파악하는 컴퓨터 비전 분야와 문장으로 번역하는 자연어 처리 분야의 기술이 복합적으로 사용된다. 본 논문에서는 이미지 묘사 기술에 대한 연구를 3가지 카테고리(템플릿 기반의 방법, 시각적/의미적 유사도 검색 기반의 방법, 딥러닝 기반의 방법)로 정리한 후, 그 성능을 비교한다. 성능 비교를 통해서 우수한 성능을 보이는 모델의 특징이 무엇인지 파악함으로써 앞으로의 연구 방향을 제시하려고 한다. 또한, 최근 대부분의 방법론에서 사용하고 있는 딥러닝이 실제로 이미지 묘사 모델에서 우수한 성능을 보이는지도 살펴본다. 이런 과정을 통해, 지금까지의 이미지 묘사 기술에 대해 전반적인 내용을 정리하는 것을 목표로 한다. 각 연구의 성능은 일반적으로 많이 사용되는 Flickr30K, MS COCO 데이터셋에 대한 METEOR, BLEU 점수를 비교하고, 이에 대한 결과를 제공하지 않는 경우에는 테스트 이미지와 이에 대해 생성된 문장을 확인한다.
