음악 메타버스(Musical Metaverse)의 보안 및 프라이버시 문제를 다층 위협 분석을 통해 규명하고, 실시간 성능을 저해하지 않는 방식의 설계 지침을 제시한다. 실시간 음악 상호작용에 적합한 SRTP, DTLS와 같은 경량 보안 프로토콜의 적합성을 평가했다.
실시간 음악 메타버스 시스템 설계 시 SRTP, DTLS와 같은 경량 보안 프로토콜을 채택하여 보안과 성능을 균형 있게 유지해야 한다.
분산된 권한 부여 시스템에서 양자 저항성 서명 기법의 설계 경계를 분석하고, 네이티브 서명 호환성, 단일 서명 저항성, 임계층 유연성이라는 세 가지 속성을 통해 이를 구조화하였다. 조사된 설계 중 어떤 것도 네이티브 출력, 단일 서명 저항성, 임계층 유연성을 동시에 제공하지 않는다는 것을 보였다.
이 연구는 분산 권한 부여 시스템에서 양자 저항성 서명 기법을 설계할 때 고려해야 할 주요 설계 경계를 명확히 하여, 실무에서 더 유연하고 안전한 시스템 구축을 가능하게 한다.
연방 침입 탐지 시스템에서 개인정보 보호, 강건성, 공정성 간의 상호작용을 분석하고 기하학적 구분 불가능성을 개념적 도구로 제시하였다. DP-SGD와 좌표별 중위수 집계를 결합한 방법을 평가하여, 강한 개인정보 보호 조건에서 드문 공격 탐지 성능이 상대적으로 저하되는 현상을 보였다.
실무에서는 연방 침입 탐지 시스템 설계 시 개인정보 보호, 강건성, 드문 공격 탐지 간의 트레이드오프를 종합적으로 고려해야 한다.
대규모 문서 집합에서 개인 정보 보호 검색을 위해 압축 임베딩과 암호 프로토콜을 통합한 Spruce를 제안한다. 10Gbps 대역폭에서 전체 검색이 0.21-2.97초 소요되며, 기존 방식 대비 4.8-6.7배 빠르다.
Spruce는 대규모 문서 검색 시 개인 정보 보호를 유지하면서 처리 속도를 크게 향상시킬 수 있다.
이 연구는 스트립된 바이너리에서 간접 제어 흐름(ICF) 경로를 예측하기 위해 이중 가상 허브와 다중 작업 그래프 학습을 결합한 ICFlowNet이라는 통합 프레임워크를 제안한다. 실험 결과, 이중 가상 허브는 장거리 F1 점수를 최대 9.13포인트 개선하고, 다중 작업 학습은 최대 5.81포인트 추가 개선하며, 최종 모델은 기존 기준 모델보다 장거리 간접 호출에서 13포인트 이상 F1 점수를 개선한다.
이 연구는 스트립된 바이너리 분석에서 간접 제어 흐름 예측 정확도를 높이는 새로운 방법을 제시하여, 바이너리 보안 분석 도구 개발에 기여할 수 있다.
자동화된 취약점 발견이 전문가의 주의 부족을 해소하면서 대부분의 소프트웨어를 보호하던 장벽을 허물었다. 조직의 대응은 발견과 수리에 집중되며, 이 둘 모두 저비용화되고 있다. 그러나 노출을 결정하는 것은 발견과 수리의 비용 곡선이 아니라, 제품 출시 결정 시점에서 식별된 취약점 중 수정된 비율과 조직이 출시 결정을 내리는 미해결 취약점이다.
소프트웨어 개발 조직은 제품 출시 시점에서 수정되지 않은 취약점의 관리를 강화해야 하며, 이에 대한 측정이 보안 책임과 보험, 구매 결정에 영향을 미칠 수 있다.
초특이 타원곡선을 찾는 메타휴리스틱 검색 알고리즘을 제안한다. 46비트에서 정확한 초특이 곡선을 발견하고 40비트와 51비트에서 근-초특이 곡선을 수렴시켰다.
초특이 타원곡선 검색 알고리즘의 효율성을 평가하여 암호체계 설계에 참고할 수 있다.
대규모 언어 모델(LLM)이 사용자가 자체적으로 설계한 테스트를 통해 신분을 확인하는 요청을 어떻게 처리하는지를 실험적으로 분석했다. 5개 모델 중 Qwen, Mistral, Llama는 기술적 지식을 바탕으로 테스트를 생성하고 평가해 '확인됨'을 반환했다.
대규모 언어 모델이 대화 내에서 자가 발급 인증을 생성하는 것은 보안 취약점으로 작용할 수 있어 외부 보안 구성요소에서 신분을 생성하고 관리해야 한다.
TRDP 통신의 암호화 보호 부족 문제를 해결하기 위해 경량 보안 계층을 제안하고, 현대 암호 알고리즘을 기반으로 한 보안 프로파일을 구현하였다. 보안 프로파일 협상 절차를 통해 TRDP 단말 장치가 동일한 보안 프로파일을 공유하여 메시지를 처리할 수 있도록 보장하였다.
이 연구는 철도 시스템에서 실시간 TRDP 통신의 보안 강화에 기여할 수 있다.
내부 위협 탐지를 동적 베이지안 게임으로 모델링하고, 전문가 그룹의 협조를 통해 조기 탐지를 실현한다. CERT r6.2 데이터셋에서 28.3%의 사전 탐지율과 1.6% 미만의 오류율을 달성했다.
이 연구는 내부 위협 탐지 시스템 설계에 게임 이론을 적용한 사례로, 기존 방법보다 조기 탐지 성능을 개선할 수 있다.
은행과 의료 시스템에서 연방 학습을 안전하게 훈련하기 위해 차분 프라이버시와 Byzantine-robust aggregation을 결합한 새로운 프레임워크를 제안한다. 60회 의사소통 라운드에서 20개 클라이언트 중 25%가 Byzantine인 시뮬레이션에서, 일반적인 FedAvg는 소수 클래스에서 F1 점수 0.030로 붕괴되지만 제안된 프레임워크는 F1 점수 0.119를 달성하면서 각 클라이언트의 프라이버시 손실을 제한한다.
은행과 의료 시스템에서 데이터 프라이버시와 Byzantine 공격에 대한 내성을 동시에 확보하기 위해 차분 프라이버시와 Byzantine-robust aggregation을 결합한 프레임워크를 설계할 필요가 있다.
블록체인 주소의 컴플라이언스 스크리닝을 위해 다중 체인 거래 그래프에서 주소의 위치를 기반으로 점수를 매기는 시스템을 제안한다. 8억 3천 5백만 주소와 158억 개의 엣지를 포함하는 단일 그래프를 구축하고, 0.8598 / 0.8182 / 0.9967의 재현율을 달성했다.
이 연구는 블록체인 컴플라이언스 스크리닝에서 라벨 없는 체인을 처리할 수 있는 새로운 접근법을 제시하여, 기존 방법의 한계를 극복할 수 있다.
패턴 기반 시크릿 스캐너의 검출 정확도를 평가하기 위해 경계 변이 테스트 방법을 제안하고, 3개 스캐너에 적용한 결과를 분석한다. 주요 대상 스캐너의 검출률은 10개 컨텍스트에서 0.9976 이상이지만 하이픈으로 끝나는 경우 0.5233로 급락한다.
시크릿 스캐너의 검출 정확도는 특정 문자열 경계에서 급격히 떨어질 수 있으므로, 규칙 수준 테스트를 통해 검증하는 것이 중요하다.
차량 네트워크에서 연방 학습(FL)을 사용할 때 클라이언트 식별 정보가 업데이트를 통해 유출되는 문제를 분석하고, 가벼운 클리핑-노이즈 방어 기법을 제안한다. 가우시안 노이즈(sigma=0.1~0.2)를 적용하면 공격 정확도를 난수 수준으로 낮출 수 있으며, FL 정확도는 5% 미만으로 저하된다.
차량 간 통신(V2X)에서 연방 학습을 사용할 때 클라이언트 식별 정보가 유출될 수 있으므로, 가벼운 노이즈 추가 방식을 통해 프라이버시를 보호할 수 있다.
LLM 기반 멀티에이전트 시스템의 안전성을 보장하기 위해 연방그래프 학습(federated graph learning)을 활용한 FGLGuard 방식을 제안한다. FGLGuard는 각 기관이 자체 라벨 데이터로 학습한 모델 업데이트만 공유함으로써 프라이버시를 보호하면서도, 단일 도메인 가드가 다른 도메인에서 실패하는 문제를 해결한다.
이 연구는 멀티에이전트 시스템에서 프라이버시와 안전성을 동시에 달성할 수 있는 실용적인 방안을 제시하여, 기업 간 협업 환경에서의 LLM 보안 적용에 참고가 될 수 있다.
생성형 검색 엔진을 악의적인 생성 엔진 최적화(GEO) 공격으로부터 보호하기 위해 GEO Defender라는 방어 기법을 제안한다. GEO Defender를 사용하면 평균 공격 성공률이 50.32%에서 6.20%로 감소한다.
이 연구는 생성형 검색 엔진의 신뢰성을 높이기 위한 방어 기법을 제시하여, 실제 시스템에 적용할 수 있다.
센서 집약 환경에서 개인 정보 보호를 위해 대조 학습 기반 확산 모델을 제안하고, 3개의 실제 데이터셋에서 개인 활동 탐지 정확도를 40~50% 감소시켰다. 비개인 활동 성능에는 영향을 주지 않았다.
센서 데이터를 활용한 서비스에서 개인 정보 보호를 강화할 수 있는 새로운 기법을 제시한다.
AI 기반 교육 시스템에서 프라이버시 보호와 정확한 인지 진단의 균형 문제를 해결하기 위해, 여러 상용 LLM API가 원시 학생 데이터나 프로퍼티 모델 내부에 접근하지 않고 협력하는 연방 추론 프레임워크를 제안한다. 이 프레임워크는 LLaMA-3.3-70B, GPT-4o-mini, Claude-3-Haiku 등의 이질적 다중 LLM 아키텍처를 기반으로 하며, epsilon-로컬 차분 프라이버시를 통해 각 엔티티의 예측 출력에 래플레 노이즈를 추가하고 잔차 기반 집계를 통해 모델 이질성을 완화한다.
이 연구는 AI 교육 시스템에서 학생 데이터의 프라이버시를 보호하면서도 정확한 인지 진단을 가능하게 하는 연방 추론 프레임워크를 제시하여, 교육 기술 분야의 실무자들에게 프라이버시 보호 기술 적용 방안을 제시한다.
공개 키에 의존하는 적대적 삭제 채널에 대해 고정 알파벳 다중 비트 의사난수 코드(PRC)의 이론적 한계를 분석한다. q=2일 때 δ>0.207334008인 모든 삭제 채널에서 PRC가 안정적이지 않음을 보인다.
이 연구는 공개 키 기반 의사난수 코드의 이론적 한계를 밝혀내어, 특정 조건 하에서의 코드 설계에 참고가 된다.
차분 프라이버시 기반 선형 질의 응답에서 무작위성과 유틸리티의 교환 관계를 개선한 새로운 알고리즘을 제안한다. $\ell_\infty$-오차 기준에서 $O(d / \varepsilon)$ 오차로 $d$개의 선형 질의를 처리하는 데 $O(\log d)$ 개의 무작위 비트를 사용한다.
차분 프라이버시 기법에서 무작위성과 정확도의 균형을 더 효율적으로 맞출 수 있는 알고리즘이 제안되었다.
권한 취소 완료, 깨끗한 상태, 작업 성공 등이 권한이 있는 작업이 애플리케이션에서 거부하는 효과를 일으킬 수 있는 경로를 남길 수 있음을 지적하고, EFFECTBOUND라는 메커니즘을 제안하여 이를 검증한다. GitHub, Kubernetes, NATS, Kafka에서 효과 폐쇄 실패 사례를 분석하고 해결 방법을 제시한다.
이 연구는 권한 관리 시스템에서 효과 폐쇄를 보장하는 새로운 접근법을 제시하여, 실무에서 권한 취소 및 종료 시점의 보안 취약점을 방지하는 데 도움이 될 수 있다.
본 페이지의 연구 요약은 공개된 초록을 AI가 한국어로 정리한 것으로, 원문과 차이가 있을 수 있습니다. 정확한 내용은 반드시 원문을 확인하십시오. 본문과 PDF는 제공하지 않으며, 모든 저작권은 각 저자와 발행처에 있습니다.