신생아의 경우, 특히 재태 연령이 낮은 미숙아이면서 저체중 출생아 및 고위험 영아에서는 이동식 X선이 빈번히 사용된다. 그러나 이동식 X선의 영상 품질은 표준 성인 또는 소아 X선에 비해 현저히 낮아, 이상 소견을 식별하는 데 상당한 어려움이 발생한다. 영상 품질 문제를 해결하기 위해 딥러닝을 도입하려는 시도가 있었음에도 불구하고, 영상 자체의 저품질은 딥러닝 모델의 학습을 저해하여, 영상 향상의 필요성을 더욱 강조한다. 또한 신생아는 세포 분열 속도가 높고 방사선에 매우 민감하므로, 영상 품질을 개선하기 위해 방사선 노출량을 증가시키는 것은 실행 가능한 해결책이 아니다. 따라서 딥러닝 모델을 학습하기 전에 전처리를 통해 영상 품질을 향상시키는 것이 중요하다. 다양한 영상 향상 방법이 제안되어 왔지만, Contrast Limited Adaptive Histogram Equalization (CLAHE)은 대비 기반 영상 개선에 효과적인 기법으로 알려져 있다. 그러나 광범위한 연구에도 불구하고, CLAHE의 하이퍼파라미터를 설정하는 과정은 여전히 무차별적인 방식의 수동 접근에 의존하고 있어 비효율적이다. 이러한 문제를 해결하기 위해, 우리는 BO-CLAHE(Bayesian Optimization CLAHE)라는 방법을 제안하며, 이는 베이지안 최적화를 활용하여 미숙아 및 고위험 신생아에서 폐 질환을 진단하는 데 사용되는 X선 영상의 최적 하이퍼파라미터를 자동으로 선택한다. BO-CLAHE로 향상된 영상은 여러 분류 모델에서 우수한 성능을 보였고, 특히 신생아 일과성 빈호흡(Transient Tachypnea of the Newborn, TTN)의 진단에서 현저한 개선이 관찰되었다. 이 접근법은 방사선 노출을 감소시킬 뿐 아니라, AI 기반 진단 도구의 개발에도 기여함으로써 미숙아 및 고위험 신생아의 조기 진단과 치료에 중요한 역할을 한다.

신생아의 경우, 특히 재태 연령이 낮은 미숙아이면서 저체중 출생아 및 고위험 영아에서는 이동식 X선이 빈번히 사용된다. 그러나 이동식 X선의 영상 품질은 표준 성인 또는 소아 X선에 비해 현저히 낮아, 이상 소견을 식별하는 데 상당한 어려움이 발생한다. 영상 품질 문제를 해결하기 위해 딥러닝을 도입하려는 시도가 있었음에도 불구하고, 영상 자체의 저품질은 딥러닝 모델의 학습을 저해하여, 영상 향상의 필요성을 더욱 강조한다. 또한 신생아는 세포 분열 속도가 높고 방사선에 매우 민감하므로, 영상 품질을 개선하기 위해 방사선 노출량을 증가시키는 것은 실행 가능한 해결책이 아니다. 따라서 딥러닝 모델을 학습하기 전에 전처리를 통해 영상 품질을 향상시키는 것이 중요하다. 다양한 영상 향상 방법이 제안되어 왔지만, Contrast Limited Adaptive Histogram Equalization (CLAHE)은 대비 기반 영상 개선에 효과적인 기법으로 알려져 있다. 그러나 광범위한 연구에도 불구하고, CLAHE의 하이퍼파라미터를 설정하는 과정은 여전히 무차별적인 방식의 수동 접근에 의존하고 있어 비효율적이다. 이러한 문제를 해결하기 위해, 우리는 BO-CLAHE(Bayesian Optimization CLAHE)라는 방법을 제안하며, 이는 베이지안 최적화를 활용하여 미숙아 및 고위험 신생아에서 폐 질환을 진단하는 데 사용되는 X선 영상의 최적 하이퍼파라미터를 자동으로 선택한다. BO-CLAHE로 향상된 영상은 여러 분류 모델에서 우수한 성능을 보였고, 특히 신생아 일과성 빈호흡(Transient Tachypnea of the Newborn, TTN)의 진단에서 현저한 개선이 관찰되었다. 이 접근법은 방사선 노출을 감소시킬 뿐 아니라, AI 기반 진단 도구의 개발에도 기여함으로써 미숙아 및 고위험 신생아의 조기 진단과 치료에 중요한 역할을 한다.

스마트 홈 기기의 인기는 스마트 홈에서 발생하는 보안 사고의 증가로 이어지고 있다. 이러한 사고를 피하기 위한 핵심 조치 중 하나는 사용자가 스마트 기기와 상호작용하기 전에 사용자를 인증하는 것이다. 그러나 현재의 방법들은 종종 추가 하드웨어를 필요로 한다. 본 논문은 이러한 스마트 홈 기기에서 이미 제공되는 음성 인터페이스 위에 구축된, 제스처 기반 인증 시스템을 제안한다. 이는 새로운 하드웨어를 추가하지 않으면서 저 SNR 환경과 더 먼 거리에서도 도플러가 존재하는 프레임을 식별하고 반사의 도래 방향(Direction of Arrival)을 감지하는 제스처 처리 파이프라인을 사용하여 사용자를 인증하는 효과적인 제스처 기반 인증 방법이다. 또한 제스처 기반 인증의 특성상, 이 시스템은 원격 공격자로부터의 리플레이 및 합성 공격을 방지하기 위해 사용자 생체성(liveness)도 검출할 수 있다. 평가는 기기와 1.5m 이내의 사용자에 대해 False Accept Rate(FAR) 0.08%, False Reject Rate(FRR) 3.10%로 높은 정확도를 보였다.

무선 인프라와 스마트 기기의 급속한 확장에 따라, 단문(숏폼) 비디오 플랫폼은 현대 디지털 생태계의 필수 요소가 되었으며 편의성을 제공하는 동시에 새로운 위험도 수반하고 있다. 그중 하나의 위험은 불법적 홍보 콘텐츠(IPC)로, 플랫폼 정책을 위반하면서 제품, 서비스 또는 행사 등을 홍보하기 위해 의도된 기만적 또는 사기성 자료를 포함한다. 이러한 플랫폼의 인기가 높아질수록 IPC의 위협 또한 증가하고 있으며, 이 위협은 단문 비디오 형식에 적응하여 나타나는데, 본 연구에서는 이를 Short Video-Illicit Promotional Content (SVIPC)로 지칭한다. SV-IPC의 탐지는 특히 미성년자를 포함한 이용자들을 사기성 수법과 유해한 자료로부터 보호하는 데 결정적으로 중요하다. 현재의 탐지 접근법은 주로 이미지 처리, 텍스트 분석, QR 코드 탐지에 의존하고 있어 단문 비디오 플랫폼에서의 효과를 제한하고 있다. 본 논문은 SV-IPC 및 그 회피 기법에 관한 포괄적인 조사를 제공함으로써 불법 홍보의 기반 생태계를 드러낸다. 이러한 과제를 해결하기 위해 본 연구는 자연어 처리와 비디오 분석을 통합한 하이브리드 탐지 프레임워크를 제안한다. 중국 TikTok을 대상으로 수행한 광범위한 실험은 제안된 방안의 우수한 성능을 입증하였으며, F1-score 90.7%, 재현율 90.3%, 정밀도 91.2%로 높은 효과를 보였다. 본 연구는 SV-IPC가 지닌 보다 광범위한 사회적 함의와 향상된 탐지 메커니즘의 중요성을 강조한다.

IDS는 네트워크가 다양한 공격에 더욱 취약해짐에 따라 점점 더 중요해지고 있다. 그러나 전통적인 ML 및 DL 기반 IDS는 개방형 적대적 네트워크 데이터셋의 부재와, 학습 과정에서 잠재적 데이터 유출이 발생할 수 있다는 벤더들의 우려로 인해 정확도와 오탐(false positive) 비율이 제한적이다. 이러한 과제를 해결하기 위해 VAE 및 GAN 기반 네트워크 패킷 생성 모델이 등장했으나, 여전히 데이터 충실도(data fidelity)가 낮다는 문제가 있다. 이러한 맥락에서 TabDDPM은 데이터 분포 특성을 보다 정확하게 포착하고 네트워크 패킷 포맷의 고유한 구조를 효과적으로 학습함으로써 VAE와 GAN을 능가하므로 네트워크 패킷 생성에 적합한 선택지이다. 그럼에도 불구하고 네트워크 패킷 생성에 TabDDPM을 적용하는 연구는 아직 탐색되지 않았다. 본 논문에서는 충실도와 개인정보 보호 보장 모두를 유지하면서 적대적 네트워크 트래픽을 생성할 수 있도록 하는 새로운 프레임워크 DP-NetDDPM을 제안하고 평가한다. 구체적으로, 확산(diffusion)을 사용하여 적대적 네트워크 패킷 데이터셋을 생성하는 방식을 검토하고, 이를 기준(baseline) 모델과 성능을 비교한다. 우리의 프레임워크는 데이터 충실도, 기계학습 응용을 위한 적응성, 데이터 프라이버시라는 세 가지 핵심 기준에 초점을 둔다. 그 결과, DP-NetDDPM은 충실도와 적응성 모두에서 기존 모델을 능가하였으며, 기준 모델 대비 충실도는 72% 향상, 적응성은 45% 향상에 해당하는 유의미한 개선을 달성하였다.

고령화 사회의 도래와 함께 신체 활동 부족은 주요한 우려 사항으로 부상하였으며, 이로 인해 다양한 연령 관련 질환이 발생한다. 이러한 문제를 예방하기 위해 보행을 개선하기 위한 웨어러블 로봇에 관한 연구가 활발히 진행되어 왔다. 그중 널리 사용되는 접근인 엑소스켈레톤 로봇은 효과적인 제어를 위해 사용자의 보행 주기(gait cycle)에 대한 정확한 이해가 필요하다. 다양한 연구에서 보행 로봇 플랫폼의 유형 및 센서 사용 여부에 따라 보행 주기 검출 및 예측 방법을 탐색해 왔다. 그러나 보행 주기 예측 알고리즘에서 여전히 핵심 과제로 남아 있는 것은 비선형적인 예측 궤적(nonlinear predictive trajectories) 문제이다. 본 연구에서는 근육 보조 시스템과 통합된 향상된 보행 위상 추정(enhanced gait phase estimation, GPE) 알고리즘을 구현하기 위해 로봇 고관절 엑소스켈레톤(RHE)을 활용하였다. 참가자들은 초기 보행 수행에 따라 두 그룹(그룹 A 및 그룹 B)으로 나누고, 보행 재활 훈련의 효과를 평가하였다. 그 결과, 10미터 보행 검사(10MWT)에서 그룹 A는 약 5% 감소, 그룹 B는 약 27% 감소로 보행 시간이 줄었다. 6분 보행 검사(6MinWT)에서는 그룹 A는 약 1% 증가, 그룹 B는 약 14% 증가로 보행 거리가 늘었다. 초기 보행 수행이 더 낮았던 그룹 B는 초기 보행 수행이 더 높았던 그룹 A에 비해 더 큰 보행 수행 향상률을 보였다. 두 그룹의 보행 수행 결과를 통해 근육 보조 기반 GPE 알고리즘의 적용 가능성이 확인되었다.

최근 소프트웨어 정의 네트워킹(Software-Defined Networking, SDN)은 가상화 기능과 유연성 덕분에 점점 더 인기 있는 네트워크 패러다임으로 부상하고 있다. 그러나 링크 연결성(link connectivity)에 대한 강건성은 링크 플러딩 공격(Link Flooding Attacks, LFAs)으로 인해 위협받고 있다. LFAs를 수행하기 위해 공격자는 네트워크 토폴로지를 추론하고 병목(bottleneck)이 있는 표적 링크를 식별하기 위한 탐사(probing) 도구를 사용한다. 따라서 SDN 토폴로지가 유출(disclosure)되지 않도록 보호하는 것은 시스템 보안을 보장하고 인프라 기능을 보존하기 위해 중요하다. 본 연구는 SDN에서 적대적 정찰(adversarial reconnaissance)에 대응하기 위해 네트워크 토폴로지를 동적으로 난독화하는 사전적 방어 시스템인 TEPS(Tunnel-Enabled Programmable Switches)를 제안한다. TEPS는 P4 언어를 사용하여 탐사 패킷을 조작하고 맞춤형 터널을 구성하는 한편, 대두되는 프로그래머블 스위치의 유연성을 활용함으로써 허위 토폴로지를 생성한다. 이를 통해 공격자가 네트워크 토폴로지에 대한 정확한 지식을 얻는 것을 방지하여, 실제 토폴로지를 재구성하기 어렵게 만든다. 또한 TEPS는 패킷 지연과 라우팅 트래픽을 동적으로 조정하여 RTT(Round-Trip Time) 변동을 은폐함으로써 RTT 기반 지문추적(fingerprinting) 공격에 대응한다. 평가 결과, TEPS는 최신 사전적 방어 방법과 비교하여 네트워크 토폴로지에서 링크 중요도(link importance)의 분포를 효과적으로 감소시키며, 그 결과 병목을 은폐하고 RTT 기반 지문추적 시도를 포함한 적대적 토폴로지 정찰을 교란하는 것으로 나타났다. 더불어 P4 스위치의 기능을 활용함으로써 TEPS는 최소한의 네트워크 오버헤드를 도입하며, 처리율(throughput)은 최대 3% 감소하고 자원 활용(resource utilization)은 9.57% 증가에 그쳐 실제 운영 환경에서의 실용 가능성을 보여준다. TEPS를 구현함으로써 네트워크 관리자는 LFAs에 대해 SDN 인프라의 보안을 강화하고, 경량 접근 방식으로 견고한 연결성을 유지할 수 있다.