5G는 산업용 사물인터넷(IIoT)의 기반이 되어, 스마트하고 지능적인 IIoT 생태계를 구성하는 틀 안에서 인공지능과 클라우드 컴퓨팅의 보다 효과적인 저지연 통합을 가능하게 하며, 전체 산업 절차를 향상시키고 있다. 그러나 이는 기반이 되는 제어 시스템의 기능적 복잡성을 증가시키고, 심각한 보안 및 데이터 프라이버시 위험으로 이어질 새로운 강력한 공격 경로를 도입한다. 악성코드 공격은 취약하지만 고도로 연결된 IoT 장치를 표적으로 하기 시작했으며, 이러한 시나리오에서 보안과 프라이버시의 중요성이 부각되고 있다. 본 논문은 IIoT에서의 악성코드 공격을 분류하기 위한 딥러닝 기반 아키텍처를 포함하는 5G 연동 시스템을 설계한다. 우리의 방법론은 악성코드를 이미지로 표현한 표현(image representation)에 기반하며, 다양한 악성코드 공격을 구분하도록 설계된 합성곱 신경망(convolutional neural networks)을 사용한다. 제안된 아키텍처는 여러 층을 결합하여 상호보완적인 판별 특성을 추출하며, 그 결과 정확도 97%를 달성한다.

소비자용 전자기기는 얼굴 인식 및 생체 인증을 위해 점점 더 온디바이스 비전 모델에 의존하고 있다. 현대의 소비자 시스템에서는 얼굴 이미지가 엣지 컴퓨팅 노드 또는 개인 클라우드 게이트웨이를 통해 추가로 처리되거나 저장되는 경우가 흔하며, 이는 이미지를 로컬 기기 밖으로 공유하는 순간 프라이버시 위험을 확대한다. 기존의 프라이버시 메커니즘은 주로 데이터 전송이나 저장을 보호하지만, 이미지가 단순한 시각 형태로 노출될 때에는 효과가 없다. 본 논문은 소비자 전자기기를 위한 경량의 이미지 수준 프라이버시 보호 메커니즘으로서 시각적으로 감지하기 어려운 적대적 교란을 조사한다. 제안된 접근법은 시각적 품질 및 사용자 경험을 보존하면서 신원 인식의 신뢰도를 저하시킨다. 실제 배치 시나리오를 반영하기 위해 백박스 및 블랙박스 위협 모델을 모두 고려하였다. 실험 결과는 현실적인 교란 및 질의 제약 하에서 신원을 효과적으로 교란함을 보여준다.

사이버–물리–사회 시스템(CPSSs)의 급속한 확장은 진정한 디지털 상호작용에 대한 결정적인 필요성을 부각시킨다. 그러나 이러한 발전은 시스템의 보안과 신뢰를 훼손할 수 있는 딥페이크 기술로 인해 위협받고 있다. 기존 딥페이크 탐지 모델은 효과적임에도 불구하고, 통상적으로 중앙집중형 데이터가 필요하여 중대한 개인정보 및 보안 취약성을 야기한다. 또한 단일 양식의 RGB 데이터에 의존하기 때문에 정교한 위조를 탐지하는 능력이 제한된다. 본 연구는 두 가지 문제를 동시에 해결하는 새로운 프레임워크를 제안한다. 우리는 민감한 데이터를 공유하지 않고도 개인정보를 보존한 채로 협력적 모델 학습을 가능하게 하기 위해 연합학습(FL)을 활용한다. 탐지 정확도를 향상시키기 위해 단일 양식 입력을 넘어, 조작을 시사하는 고주파 특징을 추출하기 위한 공간 풍부 모델(SRM)을 통합한다. 이후 이러한 특징을 RGB 데이터와 함께 특화된 모듈을 통해 시너지 있게 융합함으로써 모델의 판별력을 개선한다. FF++ 데이터셋에 대한 실험 결과, 제안 방법은 정확도 92.00% 및 AUC 97.69%를 달성하였으며, 이는 다른 경쟁 방법들을 능가한다. 이러한 결과는 멀티모달 융합 전략과 연합학습 패러다임의 효과를 입증한다.

차량 연관(vehicle association)은 다양한 카메라 각도, 시간 프레임, 지리적 위치에 걸쳐 특정 차량을 검색하기 위해 필요한, 그러나 복잡한 핵심 과제이다. 자율주행과 6G 네트워크를 지원하는 환경에서는 초고속·저지연 6G 통신을 통해 차량의 위치 및 상태 정보를 실시간으로 공유할 수 있으므로, 이 과제는 도시 감시 및 교통 관리에서 중요한 역할을 수행한다. 검색 모델의 성공은 추출된 표현(representation)의 품질에 크게 좌우되며, 이는 배경 다양성 및 가림(occlusions)과 같은 요인의 영향을 받을 수 있다. 본 연구는 배경이나 환경 변화와 무관하게 차량의 공간적 위치를 판별하는 데 필요한 식별력(discriminative power)을 유지하면서, 서로 다른 도메인 전반에서 일관된 표현을 추출하는 방법을 제안한다. 이를 위해 Generic Representation Learning (GRL)이라 불리는 프레임워크를 도입한다. GRL에서는 대규모로 사전 학습된 기반 모델을 활용하여 차량에 대한 공간적 사전지식(spatial priors)을 제공하며, 구체적으로는 객체 검출을 위한 Grounding DINO 모델과 객체 분할을 위한 SAM 모델을 사용한다. 이들 모듈은 객체의 공간적 맥락을 네트워크가 이해하도록 협력하여, 간섭을 최소화하면서 특징 추출기가 식별에 유리한 영역에 집중할 수 있도록 한다. 또한, 메모리 뱅크(memory bank)를 기반으로 한 상호보완적 특징 정렬(feature alignment) 메커니즘을 도입하여, 학습된 객체 표현 속에서 전역적으로 적용 가능한 지식을 탐색한다. 이러한 구성 요소들은 함께 SRP를 형성하여 차량 검색에서 탁월한 성능을 발휘할 수 있는 능력을 향상시킨다. 광범위한 실험 결과, SRP는 널리 알려진 벤치마크에서 기존 모델들에 비해 유의미하게 우수한 성능을 보임이 입증되었다.