블록체인에서의 익명성 해제(de-anonymization) 공격은 공개 원장(public ledger)에서 사용자들의 프라이버시를 침해한다는 점에서 중대한 우려 사항이다. 이러한 공격은 네트워크 분석 및 거래 패턴(transaction patterns)의 형태로 이루어지며, 블록체인 주소를 해당 주소 소유자의 신원과 연결하여 민감한 정보를 잠재적으로 노출시키는 것을 목표로 한다. 연구자들은 블록체인에서의 익명성 해제에 대한 보호를 위해 Tor, VPN, i2P를 사용하는 다양한 해결책을 제안해 왔으나, 다음과 같은 한계가 있다: i) 비밀 거래의 비검증(non-verification), ii) 거래 그래프의 노출(reveal of the transaction graph), iii) 공격자에게도 취약한 신뢰된 설정(trusted setup)의 요구. 이 모든 요소는 익명성 해제 문제의 완전한 해결을 어렵게 만든다. 본 논문에서는 블록체인을 위한 새로운 프라이버시 보장 프레임워크를 제시한다. 제안한 프레임워크는 De-Anonymization Withstanding Solution (DAWS)이라 불린다. DAWS는 익명성 해제 공격에 대항하기 위한 최초의 프라이버시 보존 블록체인 프레임워크이다. DAWS는 프라이버시 분류를 수행하는 스마트 컨트랙트 실행과 Proof-of-Privacy (PoPri)라는 새로운 합의(consensus)를 사용한다. PoPri 및 DAWS에 대해 일련의 실험을 수행하였다. 사용자 정의 프라이버시 라벨(user-defined privacy labels)을 포함하도록 블록체인 거래를 수정하였다. DAWS는 우리의 위협 모델(threat model) 하에서 프라이버시 침해 확률이 <0.01%일 때 공격자 유리도(attacker advantage) ≥0.008을 처리할 수 있다. 또한 합의(consensus)에 대한 Hyperledger 구성을 사용했을 때, DAWS의 처리량(throughput)은 Ethereum에 비해 거의 80배 향상되는 것으로 관찰되었다. 가스 소비(gas consumption) 개선은 20%였다. 나열된 모든 기능은 블록체인 익명성 해제 공격에 대한 견고한 프라이버시 보존 해결책으로서 제안된 DAWS의 매력을 높인다.

소비자 전자제품에 블록체인 기술을 통합하는 것은 웨어러블 건강 모니터, 스마트 의료기기, 전자건강기록 같은 기기에서 데이터 보안을 강화하고 운영을 간소화함으로써 의료 분야를 변화시키고 있다. 그러나 이러한 통합은 특히 스마트 계약과 같은 자동화된 프로세스를 통해 데이터가 유출될 가능성에 관한 중대한 개인정보 보호 우려를 야기한다. 전통적인 프라이빗 정보 검색(Private Information Retrieval, PIR) 방법은 데이터 접근성과 환자 기밀성 사이의 균형을 맞추는 데 어려움을 겪는다. 이로 인해 계산 효율성의 비효율성과 상호운용성 문제들이 발생하여, 블록체인 상에서 표준화된 개인정보 보호 조치의 구현을 저해한다. 본 연구에서는 환자 및 의료서비스 제공자(HSP) 데이터의 저장과 검색에서 핵심적인 개인정보 보호 문제를 해결하는 새로운 솔루션인 다차원 프라이버시 달성(MUltli-Dimensional pRivacy Attainment, MUDRA) 프레임워크를 제안한다. MUDRA는 민감한 데이터가 블록체인에 공개되지 않으면서 개인건강정보(Personal Health Information, PHI)를 안전하게 검색하기 위해 혁신적인 듀얼 서버 링 프라이빗 정보 검색(Dual Server Ring Private Information Retrieval, DS-RPIR) 프로토콜을 활용한다. 이를 통해 향상된 개인정보 보호를 보장하고 무단 접근을 방지한다. 또한 MUDRA는 인터플래니터리 파일 시스템(Interplanetary File System, IPFS)을 통합하여 데이터 기밀성을 보존하고, 시간 제어형 폐기를 지원함으로써 환자가 의료기록에 대해 기간 한정 접근을 설정할 수 있으며, 지정된 기간이 종료되면 접근이 자동으로 폐기되도록 한다. 본 프레임워크는 거래 프라이버시를 정량화하고 민감 데이터의 프라이빗 검색을 평가하기 위한 새로운 지표인 Privacy Attainment(PA)를 도입한다. 이를 Hyperledger Fabric 네트워크에 구현한 결과, MUDRA는 3.5% 더 높은 처리량(59 TPS), 감소된 시간 복잡도 $O(nlogn)$ , 그리고 8 ms 지연—기존 솔루션 대비 2.25 ms 감소—을 달성하였다. 이러한 성능 향상과 견고한 개인정보 보호 기능을 결합함으로써, MUDRA는 빠르게 진화하는 의료 소비자 전자제품 분야에서 개인정보 보호 우려를 해결하기 위한 선도적 솔루션으로 자리매김한다.

본 연구는 MediNet이라는 약물 안전성 검토 분류를 위한 혁신적인 접근법을 제시한다. 이 방법은 FastText, ELMo, GloVe의 세 가지 단어 임베딩 접근법의 장점을 결합하는 동시에 EfficientNetB4 및 MobileNet 모델의 앙상블을 통합한다. 이러한 독특한 단어 임베딩의 조합은 문맥 비의존적 표현과 문맥 의존적 표현을 모두 포착하여, 약물 리뷰 내의 복잡한 언어적 뉘앙스를 모델이 이해할 수 있게 한다. 앙상블 아키텍처는 EfficientNetB4의 확장성과 MobileNet의 효율성을 활용함으로써 MediNet이 강력하면서도 자원 효율적이도록 설계되었다. 제안된 모델 MediNet은 약물 안전성 검토의 포괄적 데이터셋에 대한 성능을 평가하였으며, 95.69%의 정확도, 96.46%의 정밀도, 98.30%의 재현율, 97.22%의 F1 점수를 달성하는 놀라운 결과를 보였다. MediNet의 일반화 가능성은 교차검증 기법을 사용하여 평가하였고, 그 결과는 통계적으로 유의미함을 나타냈다. 또한 MediNet의 결과를 여섯 가지 다른 잘 알려진 전이학습 모델과 비교하였으며, 모든 지표에서 일관되게 다른 모델들보다 우수한 성능을 보였다. 이러한 결과는 MediNet이 약물 안전성 검토를 분류하는 데 매우 효과적인 해결책이며, 기존 모델에 비해 정확도와 신뢰성을 유의하게 향상시킬 수 있음을 시사한다. 제안된 접근법은 자연어처리 및 의료 분야 적용을 위한 향후 연구에서 유망한 방향을 제공한다.

의료 질병 진단에서 인공지능을 활용하는 일은 정확하고 신속하며 신뢰할 수 있는 결과를 제공한다는 점에서 최근 들어 크게 증가하고 있다. 조직 구조가 복잡하고 다양하기 때문에 조직병리 영상(histopathology images)을 이용한 결장암 진단은 의료 영상 처리 분야에서 지속적인 과제로 남아 있다. 신속한 진단과 효율적인 치료 계획 수립을 위해서는 정밀한 분류가 필수적이다. 본 연구는 이러한 문제를 해결하기 위해 정교한 딥러닝 알고리즘을 활용한 혁신적인 방법을 제시한다. 분류 효율을 향상시키기 위해 DenseNet169 및 GoogleNet(InceptionV3) 등 고도화된 모델들을 조합하여 사용하였다. 다양한 모델의 장점을 결합하는 앙상블 방법은 Colorectal Cancer Histology MNIST 데이터셋에서 주목할 만한 정확도 88.56%를 달성하였다. DenseNet의 조밀 연결(dense connectivity)은 특징 추출을 강화하였고, GoogleNet의 inception 모듈은 다중 스케일 처리(multiscale processing)를 가능하게 하여 모델의 견고성(robustness)을 향상시켰다. 모델 최적화를 강화하기 위해 조기 중단(early halting)과 데이터 증강(data augmentation)을 포함한 고급 방법론을 적용하였다. 본 연구는 암 진단을 변화시키기 위한 의료 영상 분야에서 딥러닝의 상당한 잠재력을 보여준다. 앙상블 방법은 민감도(sensitivity), 특이도(specificity) 및 전체 분류 정확도를 유의미하게 향상시켜 의료 치료의 새로운 시대를 예고한다. AI 기반 솔루션은 자동화를 통해 질병 검출의 정밀도를 향상시켜 환자 예후를 개선하고, 의료와 결과 및 환자 데이터의 기밀성을 변화시킬 수 있다.

다양한 언어를 지원하는 통합 개발 환경(IDE)에서 코드 분석, 유지보수, 마이그레이션을 위한 도구와 방법론의 필요성이 커지면서, 현대 소프트웨어 개발의 복잡성이 증가하고 있다. 또한 최근에는 소프트웨어 개발 과정의 보안 요구에 따라, 공급업체가 자사 제품에 포함해야 하는 소프트웨어 공급망 명세서(Software Bill of Materials, SBOM)의 도입이 이루어졌다. 소프트웨어의 생산 및 배포 속도를 높이기 위해 자동화 도구의 필요성은 필수적이다. 현재의 코드 개발 환경에서는 자동화된 프로그래밍 언어 식별(Programming Language Identification, PLI)이 코드 유지보수, 레거시 시스템 관리, 코드 분석, 품질 보증, 소프트웨어 현대화, 마이그레이션 및 코드 검색에 대한 프로그래밍 결과를 심층적으로 파악함으로써 보안성 높은 소프트웨어 개발을 돕는다. 검출 방법에서 기계학습(Machine Learning, ML) 모델의 성공이 증가함에 따라, 연구자들은 소스 파일 확장자에 기반한 기본 식별 방법에 비해 더 우수한 검출 성능을 보이는 PLI를 위해 이를 활용한다. 본 논문에서는 ML 기반 PLI 방법에 대한 최초의 설문조사를 제시하고, 해당 분야의 현재 상태에 대한 통찰을 제공하며 PLI를 위한 미래 지향적 도구 개발로의 방향을 제시한다. 우리는 프로그래밍 언어를 인식하는 다양한 ML 기법을 평가한다. 이러한 기법에는 전통적 기법, 연산 기반 기법, 데이터 소스 기반 기법이 포함된다. 본 연구는 텍스트, 이미지, 비디오에서 프로그래밍 언어를 식별하는 데 있어의 장점과 한계를 고찰한다. 또한 소프트웨어 개발 관행을 개선하는 기존 솔루션의 역량을 강조한다. 더 나아가 본 설문조사는 GitHub의 Linguist, Pygments, highlight.js, Ace, Google의 Code Prettify, SourcererCC, Guesslang, SonarLint와 같은 기존 코드 검출 도구의 강점과 한계를 분석한다. 아울러 향후 연구자를 위한 일부 개방형 연구 문제도 제시한다.

비즈니스 모델링은 종종 방대한 데이터 수집과 분석을 수반하며, 이로 인해 개인정보 침해 우려가 제기된다. 비즈니스 모델 내에 개인정보 정보검색(Privacy Information Retrieval, PIR) 메커니즘을 통합하는 것은 개인정보 우려를 해소하고, 규정 준수를 보장하며, 민감한 데이터를 보호하고, 이해관계자와의 신뢰를 유지하기 위해 중요하다. 그러나 PIR은 아직까지 기존의 비즈니스 모델에 포함되어 있지 않다. 본 논문에서는 PIR을 활용하는 최초의 분산형 비즈니스 모델을 제안한다. 우리는 제안 모델을 PIR을 사용하는 분산형 비즈니스 모델(DEcentralized Business model with PIR, DEBPIR)이라 명명한다. DEBPIR는 PIR을 위한 스마트 계약과 암호화를 사용하여 분류된 정보의 개인정보를 공유한다. 우리는 DEBPIR에 대해 철저한 일련의 실험을 수행하고, 개인정보 달성도, 지연 시간, 처리량을 기준으로 결과를 평가한다. 또한 제안한 DEBPIR와 기존 모델 간의 비교 분석을 수행하며, DEBPIR가 기존 모델보다 성능이 우수하고 $95\%$의 개인정보 달성도를 제공함을 관찰하였다. 제안한 DEBPIR의 지연 시간과 처리량은 기존 모델에 비해 증가하지 않는다. 따라서 DEBPIR는 비즈니스 모델을 위한 효율적인 해결책이다.

환자의 교모세포종 뇌종양 조직의 분할(segmentation)은 임상 진단과 예후 평가에 중요하다. 본 연구는 다중 모달 뇌 MRI 영상에서 뇌종양 및 그와 연관된 내부 조직을 자동으로 분할하기 위한 3단계 방법론을 제안한다. 첫 번째 단계에서는 신경망 모델을 사용하여 FALIR MR 시퀀스에서 전반적인 종양(WT) 영역의 위치와 초기 분할을 결정한다. 두 번째 단계에서는 초기 분할을 능동 윤곽(active contour) 모델에 입력하여 WT의 정확한 경계를 분할한다. 능동 윤곽 모델과 신경망의 결합은 WT 분할 성능을 크게 향상시킨다. 최종 단계에서는 강화 종양(enhancing tumor, ET)이라 불리는 종양의 유의미한 내부 부분을 퍼지 클러스터링 기반 방법으로 분할한다. 앞선 단계에서 절단(cropped)된 영상에서 ET를 식별하기 위해 12개의 스케일로 다중스케일 퍼지 C-평균(multiscale fuzzy C-means, MsFCM) 분류 기법을 사용한다. WT, ET 및 정상 조직(HGG)의 분할 이후, 입력 종양을 저등급 교종(low-grade glioma, LGG)과 고등급 교종(high-grade glioma, HGG)으로 범주화한다. 이를 위해 국소 이진 패턴 알고리즘(local binary pattern, LBP)과 그레이 레벨 공기행렬(gray-level co-occurrence matrix, GLCM)을 사용하여 분할된 조직에서 특징을 추출한다.

블록체인에서의 익명성 해제(de-anonymization) 공격은 공개 원장(public ledger)에서 사용자들의 프라이버시를 침해한다는 점에서 중대한 우려 사항이다. 이러한 공격은 네트워크 분석 및 거래 패턴(transaction patterns)의 형태로 이루어지며, 블록체인 주소를 해당 주소 소유자의 신원과 연결하여 민감한 정보를 잠재적으로 노출시키는 것을 목표로 한다. 연구자들은 블록체인에서의 익명성 해제에 대한 보호를 위해 Tor, VPN, i2P를 사용하는 다양한 해결책을 제안해 왔으나, 다음과 같은 한계가 있다: i) 비밀 거래의 비검증(non-verification), ii) 거래 그래프의 노출(reveal of the transaction graph), iii) 공격자에게도 취약한 신뢰된 설정(trusted setup)의 요구. 이 모든 요소는 익명성 해제 문제의 완전한 해결을 어렵게 만든다. 본 논문에서는 블록체인을 위한 새로운 프라이버시 보장 프레임워크를 제시한다. 제안한 프레임워크는 De-Anonymization Withstanding Solution (DAWS)이라 불린다. DAWS는 익명성 해제 공격에 대항하기 위한 최초의 프라이버시 보존 블록체인 프레임워크이다. DAWS는 프라이버시 분류를 수행하는 스마트 컨트랙트 실행과 Proof-of-Privacy (PoPri)라는 새로운 합의(consensus)를 사용한다. PoPri 및 DAWS에 대해 일련의 실험을 수행하였다. 사용자 정의 프라이버시 라벨(user-defined privacy labels)을 포함하도록 블록체인 거래를 수정하였다. DAWS는 우리의 위협 모델(threat model) 하에서 프라이버시 침해 확률이 <0.01%일 때 공격자 유리도(attacker advantage) ≥0.008을 처리할 수 있다. 또한 합의(consensus)에 대한 Hyperledger 구성을 사용했을 때, DAWS의 처리량(throughput)은 Ethereum에 비해 거의 80배 향상되는 것으로 관찰되었다. 가스 소비(gas consumption) 개선은 20%였다. 나열된 모든 기능은 블록체인 익명성 해제 공격에 대한 견고한 프라이버시 보존 해결책으로서 제안된 DAWS의 매력을 높인다.

소비자 전자제품에 블록체인 기술을 통합하는 것은 웨어러블 건강 모니터, 스마트 의료기기, 전자건강기록 같은 기기에서 데이터 보안을 강화하고 운영을 간소화함으로써 의료 분야를 변화시키고 있다. 그러나 이러한 통합은 특히 스마트 계약과 같은 자동화된 프로세스를 통해 데이터가 유출될 가능성에 관한 중대한 개인정보 보호 우려를 야기한다. 전통적인 프라이빗 정보 검색(Private Information Retrieval, PIR) 방법은 데이터 접근성과 환자 기밀성 사이의 균형을 맞추는 데 어려움을 겪는다. 이로 인해 계산 효율성의 비효율성과 상호운용성 문제들이 발생하여, 블록체인 상에서 표준화된 개인정보 보호 조치의 구현을 저해한다. 본 연구에서는 환자 및 의료서비스 제공자(HSP) 데이터의 저장과 검색에서 핵심적인 개인정보 보호 문제를 해결하는 새로운 솔루션인 다차원 프라이버시 달성(MUltli-Dimensional pRivacy Attainment, MUDRA) 프레임워크를 제안한다. MUDRA는 민감한 데이터가 블록체인에 공개되지 않으면서 개인건강정보(Personal Health Information, PHI)를 안전하게 검색하기 위해 혁신적인 듀얼 서버 링 프라이빗 정보 검색(Dual Server Ring Private Information Retrieval, DS-RPIR) 프로토콜을 활용한다. 이를 통해 향상된 개인정보 보호를 보장하고 무단 접근을 방지한다. 또한 MUDRA는 인터플래니터리 파일 시스템(Interplanetary File System, IPFS)을 통합하여 데이터 기밀성을 보존하고, 시간 제어형 폐기를 지원함으로써 환자가 의료기록에 대해 기간 한정 접근을 설정할 수 있으며, 지정된 기간이 종료되면 접근이 자동으로 폐기되도록 한다. 본 프레임워크는 거래 프라이버시를 정량화하고 민감 데이터의 프라이빗 검색을 평가하기 위한 새로운 지표인 Privacy Attainment(PA)를 도입한다. 이를 Hyperledger Fabric 네트워크에 구현한 결과, MUDRA는 3.5% 더 높은 처리량(59 TPS), 감소된 시간 복잡도 $O(nlogn)$ , 그리고 8 ms 지연—기존 솔루션 대비 2.25 ms 감소—을 달성하였다. 이러한 성능 향상과 견고한 개인정보 보호 기능을 결합함으로써, MUDRA는 빠르게 진화하는 의료 소비자 전자제품 분야에서 개인정보 보호 우려를 해결하기 위한 선도적 솔루션으로 자리매김한다.

본 연구는 MediNet이라는 약물 안전성 검토 분류를 위한 혁신적인 접근법을 제시한다. 이 방법은 FastText, ELMo, GloVe의 세 가지 단어 임베딩 접근법의 장점을 결합하는 동시에 EfficientNetB4 및 MobileNet 모델의 앙상블을 통합한다. 이러한 독특한 단어 임베딩의 조합은 문맥 비의존적 표현과 문맥 의존적 표현을 모두 포착하여, 약물 리뷰 내의 복잡한 언어적 뉘앙스를 모델이 이해할 수 있게 한다. 앙상블 아키텍처는 EfficientNetB4의 확장성과 MobileNet의 효율성을 활용함으로써 MediNet이 강력하면서도 자원 효율적이도록 설계되었다. 제안된 모델 MediNet은 약물 안전성 검토의 포괄적 데이터셋에 대한 성능을 평가하였으며, 95.69%의 정확도, 96.46%의 정밀도, 98.30%의 재현율, 97.22%의 F1 점수를 달성하는 놀라운 결과를 보였다. MediNet의 일반화 가능성은 교차검증 기법을 사용하여 평가하였고, 그 결과는 통계적으로 유의미함을 나타냈다. 또한 MediNet의 결과를 여섯 가지 다른 잘 알려진 전이학습 모델과 비교하였으며, 모든 지표에서 일관되게 다른 모델들보다 우수한 성능을 보였다. 이러한 결과는 MediNet이 약물 안전성 검토를 분류하는 데 매우 효과적인 해결책이며, 기존 모델에 비해 정확도와 신뢰성을 유의하게 향상시킬 수 있음을 시사한다. 제안된 접근법은 자연어처리 및 의료 분야 적용을 위한 향후 연구에서 유망한 방향을 제공한다.