최근 자동차 산업의 기술 발전과 함께 네트워크 연결성이 증대되고 있다. CAN(Controller Area Network) 버스 기술은 차량 내 다양한 전자기기와 시스템 간의 신속하고 효율적인 데이터 통신을 가능하게 하여, 핵심 시스템부터 다양한 기능을 통합 관리할 수 있는 플랫폼을 제공한다. 그러나 이러한 연결성 증가는 외부 공격자가 자동차 네트워크에 접근하여 차량 제어를 장악하거나, 개인 정보를 탈취하는 등 네트워크 보안 우려를 초래할 수 있다. 본 논문은 CAN에서 발생하는 비정상 메시지를 분석하여, 메시지 발생 주기성 또는 빈도와 데이터 변화량이 비정상 메시지의 탐지에 중요한 요소임을 확인하였다. DBC 디코딩을 통해 CAN 메시지의 구체적인 의미를 해석하였다. 이를 바탕으로 메시지 발생의 주기성과 추이 분석을 위해 GRU 모델을 활용하여 일정 주기 이내에 발생한 메시지에 대해 예측 메시지와 발생한 메시지의 차이(잔차)를 비정상 측도로 이용한 비정상 분류 모델을 제안하고 비정상 메시지의 공격 기법에 대한 다중 분류에는 메시지와 발생 주기, 잔차를 이용한 랜덤 포레스트 모델을 도입하여 다중 분류기로 활용하여 성능 향상을 이루었다. 이 모델은 비정상 메시지 탐지에서 99% 이상의 높은 정확도를 달성하며 기존의 다른 모델보다 우수한 성능을 보여주었다.

클라우드 환경의 도입은 애플리케이션 배포와 관리 방식을 혁신적으로 변화시켰으며, 마이크로서비스 아키텍처와 컨테이너 기술이 그 중심에 자리 잡고 있다. 그러나 이러한 변화는 마이크로서비스와 같은 복잡한 서비스 환경에서 서비스 간 상호작용을 정확히 파악하고 내부 프로세스를 세밀하게 분석해야 하는 새로운 과제를 제기했다. 기존의 모니터링 기법은 이와 같은 복잡한 환경을 충분히 분석하는 데 한계를 보였으며, 이를 해결하기 위해 최근 eBPF(extended Berkeley Packet Filter) 기술이 주목받고 있다. eBPF는 리눅스 커널에서 발생하는 이벤트를 실시간으로 수집하고 분석할 수 있는 강력한 기술로, 커널 영역에서 발생하는 파일 시스템 활동을 비롯한 다양한 이벤트를 모니터링할 수 있다. 본 논문에서는 이러한 eBPF를 기반으로 한 컨테이너 활동 분석 시스템을 제안하며, 이 시스템이 컨테이너와 호스트 시스템의 커널 영역에서 발생하는 이벤트를 실시간으로 모니터링하고, 수집된 데이터를 분석하는 방법을 제시한다. 또한, eBPF를 활용한 대표적인 컨테이너 모니터링 시스템인 Tetragon, Falco, Tracee를 이벤트 탐지 방식, 기본 정책 적용 여부, 이벤트 유형 식별, 시스템 콜 차단 및 경고 생성 기능 측면에서 비교 분석하여 각 시스템의 장단점을 평가하고, 컨테이너 프로세스 감시 및 제한에 필요한 기능을 파악하였다. 나아가, 본 논문에서는 제안된 시스템을 컨테이너 메타데이터 수집, 내부 활동 모니터링, 시스템 메타데이터 연계의 세 가지 측면에서 설명하고 평가하며, 관련 연구와의 비교를 통해 eBPF 기반 모니터링 시스템의 효용성과 향후 발전 가능성에 대해 논의한다.

RISC-V는 오픈소스 명령어 집합 아키텍처로, 다양한 하드웨어 구현에서 사용되며, RV64I 기본 명령어 집합과 16개의 표준 확장을 통해 시스템 요구 사항에 맞게 유연하게 확장할 수 있다. 현재 RISC-V 아키텍처에서는 반환 주소를 보호하기 위해 쉐도우 스택 기법을 사용하고 있다. 본 논문에서는 RISC-V 아키텍처에서 컴팩트 쉐도우 스택 메커니즘과 병렬 쉐도우 스택 메커니즘의 성능을 SPEC CPU 2017 및 beebs 벤치마크를 사용하여 비교하였다. 실험 결과, 병렬 쉐도우 스택 메커니즘이 컴팩트 쉐도우 스택 메커니즘보다 더 높은 오버헤드를 보이는 것으로 나타났다. 이는 RISC-V 아키텍처의 한계로 인해 병렬 메커니즘의 효율성이 떨어짐을 시사하며, 따라서 컴팩트 쉐도우 스택이 RISC-V 아키텍처에 더 적합함을 보여준다. 또한 본 논문에서 기존 RISC-V 쉐도우 스택의 보안상 한계를 파악하고, RISC-V의 안전한 수행 환경을 보장하기 위해 쉐도우 스택 메커니즘의 성능과 보안성을 향상시키는 방향을 제시한다.

최근 GPT-4, LLaMA와 같은 초거대 언어모델을 활용한 서비스가 공개되며 많은 주목을 받고 있다. 이 모델들은 사용자들의 다양한 질문에 유창하게 응답할 수 있지만, 한국어 데이터의 학습량이 부족하여 한국 문화 및 한국어에 대한 잘못된 정보를 제공할 가능성이 있다. 본 논문에서는 한국어 데이터를 학습한 주요 공개 모델 8개를 선정하여, 5개 분야(한국어 이해 및 문화 영역으로 구성)에 대한 평가 데이터셋을 통해 한국 문화 이해 능력을 평가하였다. 그 결과, 상용 모델인 HyperClovaX가 전 분야에서 가장 뛰어난 성능을 보였으며, 공개용 모델 중에서는 Bookworm이 한국어 구사 능력에서 우수한 성과를 보였다. 또한, 한국어 이해 및 문화와 관련된 부문에서는 LDCC-SOLAR 모델이 뛰어난 성능을 확인할 수 있었다.

Large Language Model(LLM)의 급격한 발전은 자연어 처리 분야에 혁신을 불러 일으켜 이를 적절하게 활용하는 것이 중요한 주제로 떠오르고 있다. 방대한 데이터로 훈련된 LLM은 다양한 주제에 대한 텍스트 생성이 가능하여 콘텐츠 생성, 기계 번역, 챗봇 등 여러 방식으로 적용이 가능하나 특정 유형이나 전문적 지식이 부족할 수 있어 일반화하기 어렵다는 단점이 존재한다. 모델 훈련이 완료된 이후의 최신 정보로 즉각 업데이트되기도 어려우며, 모델이 실제로 존재하지 않는 정보나 오류에 대해 그럴 듯하게 답변하는 환각 현상(Hallucination) 역시 주요 문제점이다. 이를 극복하기 위해 지속적으로 업데이트되는 최신 정보를 포함한 외부 데이터베이스에서 정보를 검색해 응답을 생성하는 Retrieval-Augmented Generation(RAG, 검색 증강 생성) 모델을 도입하여 LLM의 환각 현상을 최소화하고 효율성과 정확성을 향상하기 위한 연구가 활발히 이루어지고 있다. 본 논문에서는 RAG의 기본 아키텍처를 소개하고, LLM에 RAG를 적용하기 위한 연구 및 최적화의 최신 동향을 분석한다. RAG를 평가하기 위한 다양한 기법들을 소개하고, 실제 산업에서 RAG를 활용하기 위해 성능을 최적화하거나 응용한 사례들을 분석한다. 이를 바탕으로 향후 RAG 모델이 발전할 수 있는 연구 방향성을 제시하고자 한다.

코딩 스타일을 준수하는 것은 코드의 가독성이 좋아지고, 테스트 및 유지 보수에 필요한 비용을 줄일 수 있어 기업과 개발자 모두에게 중요하다. 하지만 프로그래밍 언어 수업에서 코딩 스타일을 교육하는 데 어려움이 있다. 왜냐하면 코딩 스타일 학습을 위한 환경 구축도 힘들고, 초보자를 위한 코딩 스타일 규칙이 따로 정의되어 있지 않다. 학습자 측에서는 코딩 스타일을 준수하지 않더라도 학점에 반영되지 않으므로, 학습의 필요성이 별로 와닿지 않는다. 본 논문에서는 온라인 평가 시스템을 위한 코딩 스타일 검사 시스템을 소개한다. 제안 시스템은 C와 Java, Python 코딩 스타일을 검사하고 평가할 수 있도록 구현하였다. 또한, 언어별 도구에서 제공하는 규칙 1,023개 중 23.08%인 234개를 반영하여 수업 진도에 따라 코딩 스타일 규칙을 적용할 수 있게 하였으며, 기본 점수에 품질 점수를 추가로 부여하여 학습자들의 코딩 스타일 학습 동기를 부여하였다. 코딩 스타일 교육 시스템을 도입한 후 최초 제출 시 점수가 1주 차에서 25점 이상을 받은 학생이 18명이었지만, 6주 차에서 44명으로 149.47% 증가했다. 학습자는 코딩 스타일 검사 시스템을 이용하여 코딩 스타일 규칙을 적용하는 방법을 학습하고, 이후 코드를 구현할 때 제시한 코딩 스타일을 준수하여 코드를 구현할 수 있었다.

본 연구는 Layer Importance Evaluation을 통해 도출된 화재 감지에 최적화된 딥러닝 아키텍처를 제안한다. 기존의 합성곱 신경망(Convolutional Neural Network, CNN) 기반 화재 감지 시스템의 불필요한 복잡성과 연산을 초래하는 문제점을 해결하기 위해, Layer Importance Evaluation 기법을 통해 가중치 및 활성화 값에 근거한 모델의 내부 레이어의 동작을 분석하고, 화재 감지에 기여도가 높은 레이어를 식별한 뒤, 식별한 레이어만으로 모델을 재구성하여, 기존 모델과의 성능 지표를 비교 분석하였다. Xception, VGG19, ResNet, EfficientNetB5 등 네 가지 전이 학습 모델을 사용하여 화재 데이터를 학습시킨 후, Layer Importance Evaluation기법을 적용하여 각 레이어의 가중치와 활성화 값을 분석한 뒤 기여도가 가장 높은 상위 랭크 레이어들을 선별하여 새로운 모델을 구축하였다. 연구 결과, 구현된 아키텍처는 기존 모델 대비 약 80% 가량 경량화 된 파라미터로도 동등한 성능을 유지하며, 약 3~5배가량 신속한 학습 속도를 가지면서도 기존의 복잡한 전이학습 모델에 비해 정확도, 손실, 혼동행렬 지표에서 동등한 성능을 출력함으로써, 화재 감시 장비의 효율성을 높이는 데 기여할 수 있음을 확인하였다.

자연어 처리를 활용한 생성 AI 기술의 최근 발전은 텍스트, 이미지 및 비디오 제작에 큰 영향을 미쳤다. 이러한 발전에도 불구하고, AI가 생성한 출력의 일관성 및 재사용 가능성과 관련하여 상당한 문제가 있다. 이는 캐릭터와 특정 객체를 생성하는 것이 중요한 만화 제작 분야에서 문제가 될 수 있다. 이를 해결하기 위해 언어 분석 기반 요구사항 엔지니어링과 만화 엔지니어링의 접목을 제안한다. 제안된 방법은 자연어 분석을 위한 Chomsky와 Fillmore의 언어학을 적용하고 객체의 상호작용을 표현하기 위한 UML 시퀀스 모델 사용하여 일관적인 3D Objects를 생성한는 것이다. 또한 자연어 입력에서 창작자의 의도를 체계적 해석한다. 이를 통해 캐릭터 또는 객체가 정의되면 다양한 패널과 에피소드에서 정확하게 재사용해 시각적, 맥락적 무결성을 유지하게 한다. 이 접근 방식은 만화에서 캐릭터 묘사의 정확성과 일관성을 향상시켜 캐릭터와 장면이 원래 요구 사항과 밀접하게 일치시킨다. 따라서 본 연구에서 제안하는 방법은 자연어 텍스트에서 복잡한 시각적 콘텐츠의 재현이 필요한 다른 분야에서도 적용할 수 있을 것으로 기대된다.

개인 맞춤형 경력 개발은 학생 성공에 필수적이지만, 많은 공립 고등 교육 기관에서 자원 부족으로 인해 소외된 학생들에게 충분한 진로 상담이 제공되지 않는 경우가 많다. 본 논문에서는 언어 모델(LLMs) 및 prompt engineering 기법, agent 기법을 활용하여 학생들의 미래 진로 개발을 위한 솔루션을 제안한다: (1) 이력서를 분석하여 후보 직업을 식별하고, (2) 이력서 외에 학생들이 기 제춣한 학습 과제와 같은 외부 자원을 사용하여 채용공고 대비 학생의 실제 기술 격차 (skill gap)를 정확히 찾아내며, (3) 기술격차에 기반한 맞춤형 학습 경로를 제안한다. 이 도구는 실제 환경에서 채용공고를 정확하게 매칭하고, 거짓 긍정(false positive) 줄이면서 학생의 이력서와 채용공고와의 기술 격차를 정확히 식별하며, 교수진으로부터 높은 만족도를 받는 개인별 학습 경로를 제공한다. 향후 연구에서는 다양한 외부 자원을 추가로 활용하고 더 진화된 prompt engineering 및 agent 기법을 적용하는 솔루션 개발을 목표로 하고 있다.

도심 지역에서의 굴착 작업은 지반 변형을 유발할 수 있으며, 이는 인근 인프라에 피해를 줄 수 있다. 지반 변형으로 인해 작업 현장 근처의 보도블록에 변위가 발생할 수 있다. 변위를 정확하게 측정하여 지반 변형의 잠재적인 위험을 평가하는 지표로 사용할 수 있다. 본 논문에서는 UGV에 장착된 3D 레이저 라인 센서를 이용한 강건하고 효율적인 보도블록 이격 측정 방법을 제안한다. 제안 방법은 2D 투영 기반 객체 탐지와 CPLF 알고리즘을 통한 측정의 두 단계로 구성된다. 실험 결과, CPLF 알고리즘이 PLF에 비해 효율적임을 확인했으며, CPLF 알고리즘이 1.36 mm의 오차와 10.76ms의 처리 시간을 보여 제안 방법이 다양한 유형의 보도블록과 환경적 요인이 존재하는 실제 환경에서도 UGV에서 3D 레이저 라인센서를 이용하여 강건한 온라인 측정을 보장하면서도 높은 정확성을 유지할 수 있음을 확인했다.