CNC 가공 센터에서 가공된 제품의 품질은 제조 장비에서 중요한 핵심 요인이다. 이상 탐지 및 예지보전 기능은 효율을 향상시키고 시간과 비용을 절감하는 데 필수적이다. 본 연구는 품질 보증 비용을 절감하고 AI 기반 예지보전 서비스를 도입함으로써 서비스 경쟁력을 강화하는 동시에, CNC 제조 장비를 위한 예지보전 시스템을 구축하는 것을 목표로 한다. 제안된 시스템은 예방정비, 시간 기반 정비, 상태 기반 정비의 전략을 통합한다. 장단기 메모리(long short-term memory, LSTM)에 기반한 연속 학습을 활용하여 이 시스템은 이상 탐지, 고장 예측, 원인 분석, 근본 원인 식별, 잔여유효수명(remaining useful life, RUL) 예측 및 최적 정비 시점 의사결정을 가능하게 한다. 또한 본 연구는 식품, 제약, 화장품 생산 등 포장 공정에서 필수적인 롤러 절단 장치에 초점을 맞춘다. 롤링 핀을 CNC 장비로 가공할 때 음향 데이터를 수집하기 위해 센서 시스템을 설치하고, 고장 패턴을 분석하며, RUL 예측 알고리즘을 적용한다. 본 연구에서 개발한 AI 기반 예지보전 시스템은 CNC 장비의 신뢰성과 운영 효율을 보장하는 한편, 스마트 팩토리 모니터링 플랫폼을 위한 기반을 마련함으로써 지능형 제조 환경에서의 경쟁력을 강화한다.

본 논문은 초고속 미디어를 위한 고속 SSD 캐싱 시스템인 FlashPage를 소개하며, 프록시 서버에서 웹 페이지 전송을 향상시키는 것을 목표로 한다. 전통적인 SSD 캐싱 기법은 주로 느린 HDD 기반의 주 저장장치를 전제로 설계되어, 주 저장장치로서 용량급 SSD에 적용할 경우 어려움에 직면한다. 이로 인해 캐싱 미디어의 고성능 역량이 제한된다. 이러한 문제를 해결하기 위해 FlashPage는 Linux 가상 파일시스템 계층 내에서 동작하여, 적중(hit) 처리 경로를 단축하고 조회(lookup) 오버헤드를 최소화한다. 또한, 캐시된 데이터를 빠르게 찾기 위해 컴팩트한 라딕스 트리(radix tree)를 포함한다. 이러한 접근법은 4kB 읽기 적중에 대한 소프트웨어 오버헤드를 5배 이상 감소시킨다. FlashPage는 높은 적중률을 유지하면서 플래시 마모를 최소화하기 위해 새로운 반입(admission) 및 퇴거(eviction) 정책도 사용한다. 2차 저장 캐시로서 FlashPage는 1차 저장 캐시(즉, page cache)에서 잠재적 강등(demotion) 후보들의 뜨거움(hotness)을 예측하며, 그 결과 LRU에 비해 적중률을 10.1% 더 높이고 기록 트래픽을 10.4% 줄인다. Varnish 및 Squid HTTP 캐시를 사용한 평가는 Bcache 및 DM-Cache(주류(mainline) Linux 커널의 최첨단 캐싱 기법)와 비교하여, 웹 요청 처리 속도가 최대 29.6% 및 38.2%까지 빨라지는 등 그 효과를 보여준다.

폐쇄성 수면무호흡증(obstructive sleep apnea, OSA)은 흔한 수면장애로, 특히 심혈관 질환을 포함한 다양한 다른 질환과 밀접하게 연관되어 있다. 통상적인 진단 방법인 야간 다원수면검사(nocturnal polysomnography, PSG)는 널리 사용되고 있음에도 불구하고 높은 비용과 장시간 소요로 인해 어려움이 있다. 최근에는 심전도 기반 진단 기법의 발전이 이러한 문제를 해결할 새로운 가능성을 열었으나, 대체로 특징 공학(feature engineering)에 대한 깊은 이해를 요구한다. 본 연구에서는 자동 특징 추출을 위한 멀티모달 전략과 합성(composite) 딥 컨볼루션 신경망 모델을 결합한 OSA 분류의 혁신적인 방법을 제안한다. 이 접근법은 원래의 데이터셋을 심박변이도 특성을 반영하는 스칼로그램(scalogram) 이미지로 변환하고, 시간적 특성을 드러내는 그라미안 각도장(Gramian angular field) 행렬 이미지를 생성하여 데이터 특징의 다양성과 풍부함을 향상시키고자 한다. 모델은 자동 특징 추출 및 특징 향상(feature enhancement) 구성요소로 이루어져 있으며 PhysioNet Apnea-ECG 데이터베이스에서 훈련 및 검증되었다. 실험 결과는 OSA 진단에서 모델의 뛰어난 성능을 보여주었으며, 정확도 96.37%, 민감도 94.67%, 특이도 97.44%, AUC 0.96을 달성하였다. 이러한 결과는 본 연구에서 제안한 모델이 OSA 진단을 위한 효율적이고 정확하며 편리한 도구로서의 잠재력을 지님을 시사한다.

기계학습과 딥러닝에 기반한 인공지능(AI)의 발전은 특정 의학 분야들을 변화시키고 있다 [...]

CNC 가공 센터에서 가공된 제품의 품질은 제조 장비에서 중요한 핵심 요인이다. 이상 탐지 및 예지보전 기능은 효율을 향상시키고 시간과 비용을 절감하는 데 필수적이다. 본 연구는 품질 보증 비용을 절감하고 AI 기반 예지보전 서비스를 도입함으로써 서비스 경쟁력을 강화하는 동시에, CNC 제조 장비를 위한 예지보전 시스템을 구축하는 것을 목표로 한다. 제안된 시스템은 예방정비, 시간 기반 정비, 상태 기반 정비의 전략을 통합한다. 장단기 메모리(long short-term memory, LSTM)에 기반한 연속 학습을 활용하여 이 시스템은 이상 탐지, 고장 예측, 원인 분석, 근본 원인 식별, 잔여유효수명(remaining useful life, RUL) 예측 및 최적 정비 시점 의사결정을 가능하게 한다. 또한 본 연구는 식품, 제약, 화장품 생산 등 포장 공정에서 필수적인 롤러 절단 장치에 초점을 맞춘다. 롤링 핀을 CNC 장비로 가공할 때 음향 데이터를 수집하기 위해 센서 시스템을 설치하고, 고장 패턴을 분석하며, RUL 예측 알고리즘을 적용한다. 본 연구에서 개발한 AI 기반 예지보전 시스템은 CNC 장비의 신뢰성과 운영 효율을 보장하는 한편, 스마트 팩토리 모니터링 플랫폼을 위한 기반을 마련함으로써 지능형 제조 환경에서의 경쟁력을 강화한다.

본 논문은 초고속 미디어를 위한 고속 SSD 캐싱 시스템인 FlashPage를 소개하며, 프록시 서버에서 웹 페이지 전송을 향상시키는 것을 목표로 한다. 전통적인 SSD 캐싱 기법은 주로 느린 HDD 기반의 주 저장장치를 전제로 설계되어, 주 저장장치로서 용량급 SSD에 적용할 경우 어려움에 직면한다. 이로 인해 캐싱 미디어의 고성능 역량이 제한된다. 이러한 문제를 해결하기 위해 FlashPage는 Linux 가상 파일시스템 계층 내에서 동작하여, 적중(hit) 처리 경로를 단축하고 조회(lookup) 오버헤드를 최소화한다. 또한, 캐시된 데이터를 빠르게 찾기 위해 컴팩트한 라딕스 트리(radix tree)를 포함한다. 이러한 접근법은 4kB 읽기 적중에 대한 소프트웨어 오버헤드를 5배 이상 감소시킨다. FlashPage는 높은 적중률을 유지하면서 플래시 마모를 최소화하기 위해 새로운 반입(admission) 및 퇴거(eviction) 정책도 사용한다. 2차 저장 캐시로서 FlashPage는 1차 저장 캐시(즉, page cache)에서 잠재적 강등(demotion) 후보들의 뜨거움(hotness)을 예측하며, 그 결과 LRU에 비해 적중률을 10.1% 더 높이고 기록 트래픽을 10.4% 줄인다. Varnish 및 Squid HTTP 캐시를 사용한 평가는 Bcache 및 DM-Cache(주류(mainline) Linux 커널의 최첨단 캐싱 기법)와 비교하여, 웹 요청 처리 속도가 최대 29.6% 및 38.2%까지 빨라지는 등 그 효과를 보여준다.

폐쇄성 수면무호흡증(obstructive sleep apnea, OSA)은 흔한 수면장애로, 특히 심혈관 질환을 포함한 다양한 다른 질환과 밀접하게 연관되어 있다. 통상적인 진단 방법인 야간 다원수면검사(nocturnal polysomnography, PSG)는 널리 사용되고 있음에도 불구하고 높은 비용과 장시간 소요로 인해 어려움이 있다. 최근에는 심전도 기반 진단 기법의 발전이 이러한 문제를 해결할 새로운 가능성을 열었으나, 대체로 특징 공학(feature engineering)에 대한 깊은 이해를 요구한다. 본 연구에서는 자동 특징 추출을 위한 멀티모달 전략과 합성(composite) 딥 컨볼루션 신경망 모델을 결합한 OSA 분류의 혁신적인 방법을 제안한다. 이 접근법은 원래의 데이터셋을 심박변이도 특성을 반영하는 스칼로그램(scalogram) 이미지로 변환하고, 시간적 특성을 드러내는 그라미안 각도장(Gramian angular field) 행렬 이미지를 생성하여 데이터 특징의 다양성과 풍부함을 향상시키고자 한다. 모델은 자동 특징 추출 및 특징 향상(feature enhancement) 구성요소로 이루어져 있으며 PhysioNet Apnea-ECG 데이터베이스에서 훈련 및 검증되었다. 실험 결과는 OSA 진단에서 모델의 뛰어난 성능을 보여주었으며, 정확도 96.37%, 민감도 94.67%, 특이도 97.44%, AUC 0.96을 달성하였다. 이러한 결과는 본 연구에서 제안한 모델이 OSA 진단을 위한 효율적이고 정확하며 편리한 도구로서의 잠재력을 지님을 시사한다.

기계학습과 딥러닝에 기반한 인공지능(AI)의 발전은 특정 의학 분야들을 변화시키고 있다 [...]

자율주행과 같은 안전성에 민감한 분야에서는 소프트웨어 구성요소 간 간섭이 증가하고 있다. 차량 통신과 같은 저중요도(LC) 작업은 가속과 같은 고중요도(HC) 작업을 제어할 수 있다. 이러한 경우 HC 작업이 LC 작업에 의존하므로 LC 작업 역시 HC 작업으로 간주되어야 한다. 그러나 이러한 LC 작업을 보장하는 데에는 모든 작업에 대해 필요로 하는 차량 도메인의 전자제어장치(ECU)와 같은 컴퓨팅 자원의 재앙적 비용이라는 어려움이 있다. 본 논문에서는 분산 시스템에서 인접 시스템의 연산 능력을 활용함으로써 추가 하드웨어 구성요소의 필요성을 없애고, LC 작업에 대해 이론적 및 실무적으로 안전이 보장되면서도 비용이 저렴한 스케줄링을 제공한다. 그 결과, 제안한 접근법은 HC 작업을 침해하지 않으면서 LC 작업의 스케줄링 가능성을 확장하였다. 마감기한 테스트(deadline test)에 따르면, 작업 수준(task-level) MC 스케줄러와의 호환성은 시스템 수준(system-level) MC 스케줄러보다 높았으며, 그로 인해 작업 수준에서는 모든 중단된 LC 작업이 복구된 반면 시스템 수준에서는 복구가 25.5%에 그쳤다. 반대로, 위반된 HC 작업에 대한 최악 사례 측정(worst-case measurement)에서는 작업 수준 MC 스케줄러가 시스템 수준 MC 스케줄러보다 더 자주 HC 작업을 위반하였고, 평균 응답 시간 오버헤드는 각각 70.3%와 15.4%였다. 결론적으로, HC 작업 비율이 전체 작업 시스템에서 47% 미만이고 총 이용률 80%에서의 조건 하에서, 작업 마이그레이션을 포함한 작업 수준 접근법은 LC 작업에 대해 현저히 높은 지속가능성을 가진다.

능동 학습(AL)은 주석 비용을 최소화하면서 모델 성능을 극대화하는 것을 목표로 한다. 딥러닝의 빠른 확산에 따라, AL 접근법은 현재의 요구에 부응하기 위해 발전해 왔다. 본 연구는 2018년부터 2025년 5월까지 발표된 문헌을 체계적으로 검토하였으며, 네 가지 핵심 동향에 초점을 맞춘다: 배치 모드 선택, 전이 학습 통합, 다중 전략 질의, 그리고 다양한 적용 분야로의 확장. 아울러 고전적 AL 접근법을 요약한다. 관찰 결과, AL과 딥러닝을 결합하면 데이터 효율성이 크게 향상되지만, 중요한 한계는 연구들 간 표준화된 평가 프로토콜이 부재하여 정확한 비교를 어렵게 한다는 점이다. 그럼에도 불구하고, 우리는 AL이 현대적 동향과 잘 부합함을 확인하였으며, 머신러닝 커뮤니티에서 향후 연구를 안내할 수 있는 상대적으로 덜 탐색된 기회에 대한 통찰을 제공한다.

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.

암호화 네트워크 프로토콜은 현대 네트워크 환경에서 안전하지 않은 매체를 통해 데이터를 교환할 수 있도록 하는 데 핵심적인 역할을 한다. 그러나 사소한 취약점조차도 프로토콜을 사이버 공격자에게 손쉬운 표적으로 만들 수 있다. 따라서 암호화 네트워크 프로토콜에서 비롯되는 위협과 취약점을 조사하는 것이 필수적이다. 또한 암호화 프리미티브를 사용하는 네트워크 프로토콜의 약점을 종합적으로 규명하여 잠재적 공격 지점을 사용자와 개발자에게 알릴 필요가 있다. 본 종합 조사는 암호화 방식과 네트워크 프로토콜 간의 관계를 고찰하고, 관련된 위협과 취약점에 대해 심층적인 검토를 제시한다. 대부분의 암호화 프로토콜이 전송 제어 프로토콜/인터넷 프로토콜(Transmission Control Protocol/Internet Protocol, TCP/IP) 프로토콜 스택의 전송 계층(Transport layer) 및 응용 계층(Application layer)에서 동작한다는 점을 고려하여, 본 연구는 주로 전송 계층 보안(Transport Layer Security, TLS)과 보안 셸(Secure Shell, SSH)과 같은 대표적이고 주목할 만한 암호화 네트워크 프로토콜이 사용하는 암호화 알고리즘에 초점을 맞춘다. 또한 이미 확인되었고 기존에 존재하는 취약점을 악용하기 위한 공격자들의 방법을 심층적으로 살펴봄으로써, 이러한 프로토콜을 손상시키기 위해 사용되는 메커니즘을 이해하고자 한다. 본 조사를 통해 우리는 현대 암호화 프로토콜과 관련된 기존 및 새로운 취약점에 대해 독자들이 심층적으로 이해할 수 있도록 하고, 이를 효과적으로 보안하기 위한 유용한 통찰을 제공하고자 한다. 아울러 본 연구에서는 이 분야에서의 기존 과제와 향후 연구 방향에 대해서도 논의한다.