Donghyun Kim

미신을 믿는 것은 오류임에도 불구하고 현대에도 미신이 여전히 널리 받아들여진다. 왜 사람들이 미신을 믿으며 미신을 믿는 것이 무엇이 잘못되었는가에 대해서는 과학과 논리학에 입각한 답변이 있지만, 기존의 답변은 몇 가지 점에서 만족스럽지 않다. 이에 본 논문은 다음 두 가지 질문에 대한 답을 모색한다. 첫째, 현대 사회에서조차 사람들은 여전히 미신적 믿음을 지닌다는 진술의 정확한 의미를 파헤친다. 둘째, 미신에 대한 믿음이 철학적 시각에서 무엇이 잘못되었는지를 분석한다. 이를 위해 필자는 먼저 미신에 관한 스피노자와 흄의 견해를 정리하고, 그로부터 미신에 대한 믿음은 개인적 믿음의 수준과 사회적 믿음의 수준으로 나누어 고찰해야 한다고 주장할 것이다. 개인적 믿음 수준의 미신 믿음의 원천은 불안이라는 심정적 요인이며 미신을 믿는 것이 잘못인 이유도 이를 통해 부분적으로 설명될 수 있다. 이어서 사회적 믿음 수준에서의 미신이 지니는 특징을 분석하고 이를 아도르노의 견해와 연결하여 서술할 것이다. 필자는 이로부터 사회적 믿음과 개인적 믿음 모두에 대해서 미신을 믿는 것이 잘못인 핵심으로 무비판적 수용을 지목할 것이다. 이를 뒷받침하기 위해, 정당화의 정합성에 대한 셀라스의 이론을 요약하고 정당화의 근거를 묻고 답하는 사회적 실천에서 미신에 대한 믿음이 벗어나 있다는 것이 오류의 핵심이라고 논증할 것이다. 끝으로 결론을 대신하여, 미신에 대한 믿음이 오류인 핵심은 탈진실의 문제와 유사성을 지닌다는 주장, 그리고 미신에 대한 오류 분석은 논증이 아닌 대화 더 넓게는 소통이라는 관점에서 살펴보아야 적절하다는 주장을 덧붙일 것이다.

인공지능 모델 생성은 학습 데이터 가공, 모델 학습, 모델 평가의 단계로 진행된다. 양질의 학습 데이터를 만드는 데이터 전처리 기법은 모델 정확도를 향상시키기 위한 방법 중 많은 기여를 한다. 기존의 전처리 기법은 모델 생성자의 경험에 많이 의존하는 경향이 있다. 경험을 기반으로 전처리를 수행하면 해당 전처리 기법을 선택한 근거를 설명하기 힘들다. 하지만 설계자가 경험에 의존할 수밖에 없는 이유는 학습 모델이 거대해지고 인간이 해석하기 힘든 수준으로 복잡해지기 때문이다. 따라서, 설명 가능한 인공지능을 도입하여 모델의 동작 방식을 설명하는 연구가 진행되고 있다. 본 논문에서는 설명 가능한 인공지능을 사용한 학습 데이터 전처리 시스템을 제안한다. 시스템 동작 과정은 전처리가 수행되지 않은 데이터로 학습시키며, 학습된 모델을 설명 가능한 인공지능 기법을 사용하여 동작 방식을 분석하여 그 정보를 기반으로 데이터 전처리 수행을 반복한다. 최종적으로 모델 성능을 향상시키고 전처리 신뢰성을 설명하며 시스템의 실용성을 보이겠다.

COVID-19 vaccine distribution route directly impacts the community's mortality and infection rate. Therefore, optimal vaccination dissemination would appreciably lower the death and infection rates. This paper proposes the Epidemic Vulnerability Index (EVI) that quantitatively evaluates the subject's potential risk. Our primary aim for the suggested index is to diminish both infection rate and death rate efficiently. EVI was accordingly designed with clinical factors determining the mortality and social factors incorporating the infection rate. Through statistical COVID-19 patient dataset analysis and social network analysis with an agent-based model that is analogous to a real-world system, we define and experimentally validate the capability of EVI. Our experiments consist of nine vaccination distribution scenarios, including existing indexes which estimate the risk and stochastically proliferate the contagion and vaccine in a 300,000 agent-based graph network. We compared the outcome and variation of the three metrics in the experiments: infection case, death case, and death rate. Through this assessment, vaccination by the descending order of EVI has shown to have a significant outcome with an average of 5.0% lower infection cases, 9.4% lower death cases, and 3.5% lower death rate than other vaccine distribution routes.

When the logic of a pseudo‐random number generator is followed by standards, the security of the generator depends on the entropy sources used in the seed construction, which are constructed through noise sources; thus, the noise sources are extremely important in cryptographic applications. The operation process of a cryptographic random number generator can be divided into an entropy collection stage and a pseudo‐random number generation stage. To ensure the security, the noise sources used to construct the entropy source must be securely collected. If a cryptographic analyst physically acquires a cryptographic module in the form of a black box, it may be possible to predict the cryptographic random number to be used in the future by analyzing the random number generation process of the module. Thus, even if the cryptographic algorithms and protocols are securely designed and implemented without vulnerabilities, if the random number generation process is analyzed, the cryptographic system may be exposed. Noise sources can be identified through information generated when they are collected. If the noise sources can be identified during the stage of collecting sources that provide unpredictability to the cryptographic module during random number generation, future values may be predicted according to the data characteristics. We identify noise sources that are used as entropy sources with our convolution neural network model. Therefore, we establish attack scenarios in which random numbers can be analyzed by identifying data used in the model learned through this study when a random cryptographic module is obtained.

Recently, users have used open‐source intelligence (OSINT) to gather and obtain information regarding the data of interest. The advantage of using data gathered by OSINT is that security threats arising in cyberspace can be addressed. However, if a user uses data collected by OSINT for malicious purposes, information regarding the target of an attack can be gathered, which may lead to various cybercrimes, such as hacking, malware, and a denial‐of‐service attack. Therefore, from a cybersecurity point of view, it is important to positively use the data gathered by OSINT in a positive manner. If exploited in a negative manner, it is important to prepare countermeasures that can minimize the damage caused by cybercrimes. In this paper, the current status and security trends of OSINT will be explained. Specifically, we present security threats and cybercrimes that may occur if data gathered by OSINT are exploited by malicious users. Furthermore, to solve this problem, we propose security requirements that can be applied to the OSINT environment. The proposed security requirements are necessary for securely gathering and storing data in the OSINT environment and for securely accessing and using the data collected by OSINT. The goal of the proposed security requirements is to minimize the damage when cybercrimes occur in the OSINT environment.

본 논문은 협대역(수십kHz) 무선 전술 네트워크에서 동영상 스트리밍을 수행하는 영상 압축 및 전송 시스템의 설계, 구현 및 검증 결과에 대해 기술한다. 제안 시스템은 실시간 동영상 전송을 위한 충분한 주파수 대역폭 확보가 어려운 협대역 무선 전술 네트워크 환경에서 고품질의 동영상 서비스 제공을 목표로 설계되었으며, 이를 달성할 수 있도록 응용계층 부호화, 선택적 재전송 등의 영상전송 네트워크 기술, 소프트웨어기반 high efficiency video codec (HEVC) 코덱 및 영상 전처리 등의 영상 압축 기술 등을 통합하여 구현되었다. 구현된 시스템은 실내 및 실외 환경에서 검증되었으며 주어진 전송속도에 따라 설정된 영상 프로파일에 의해 영상품질 요구 성능을 만족하는 것을 확인하였다.

This paper proposes a novel data-owner-driven privacy-aware cloud data acquisition framework for intelligent big data analytics for service providers and users. To realize this idea, we propose three main components. The first one is a new global identity provider concept to support fine-grained access control for a federated outsourcing cloud, namely called P-FIPS (Privacy-enhanced Federated Identity Provider System), in which data owners perform identity access control with the operator of the federated outsourcing cloud so that the service providers can selectively use their encrypted data on the cloud for various purpose such as intelligent big data analytics. In P-FIPS, data owners manage the access privilege of service providers over their encrypted data on the cloud by (a) labeling the scope of use (e.g., user connection, user disconnection, user tracking) on each encrypted data on the cloud, and (b) by selectively providing the information regarding the data owners to the service provider. The label also includes the attributes related to the data owner’s identity, and this allows service providers to locate the target data with the assist of cryptographic computation according to the scope of the use at the cloud outsourcing server. The second one is a new ambiguous data acquisition mechanism integrated with P-FIPS from a cloud to a service provider. The last one is the Decentralized Audit and Ordering (DAO) Chain mechanism which provides the correctness of obtained data to the service provider as well as ensures the owners that their data is being used for the approved purpose only. Most importantly, we show that our framework is much more efficient than the existing alternative in the scheme.

The potential growth in data mining has an important aspect on security due to the consideration of the data as an asset. The provisioning of protection in a public infrastructure fails to ensure privacy disclosure of an individual’s information. Differential Privacy (DP) is a promising solution for assuring privacy protection by injecting noise using the Laplace mechanism or Exponential mechanism. The access of data by analysts is performed via edge devices. A common problem identified from previous research work is the leakage of privacy at the edge layer and data accessed by unauthorized people. To address the problem, this paper proposes DP-FCNN, that implements Differential Privacy using a Fuzzy Convolution Neural Network (FCNN) with Laplace Mechanism for injecting noise. The processes handled here are data processing and query processing. The dataset is uploaded by the data owner to the data provider, who is responsible for injecting noise and then encrypting with Piccolo encryption before uploading it into the cloud. Based on the uploaded dataset, the data owner constructs a hash index from the extracted key attributes by using the BLAKE2s algorithm for performing hashing. The hash index is fed into the edge server to form a Merkle hash tree due to the data leakage at the edge is eliminated. On the other hand, requests/queries by the data analyst are authenticated by the data provider. The hash tree in the edge server then searches for the corresponding data, extracting it from the cloud and delivers it to the data analyst in an encrypted format. Every authenticated data analyst is provided with a decryption key for retrieving the query result. This is implemented using Java and the results show better efficiency in terms of scalability, processing time and accuracy.

본 논문은 불안정한 협대역 네트워크에서 높은 품질의 영상을 실시간 전송하기 위한 시스템을 제안한다. 제안한 시스템은 협대역에서 안정적인 데이터 전송을 제공하기 위해 순방향 오류정정 코드인 랩터 코드를 적용하였다. 랩터 코드의 매개변수(소스 심볼 크기, 소스 심볼 수, 코드율)를 네트워크 상황 및 송/수신 버퍼 상태에 따라 적응적으로 제어함으로써, 불안정한 협대역 네트워크에서도 높은 품질의 스트리밍 서비스를 제공한다. 제안하는 시스템은 실제 안드로이드 단말을 통해 실제 구현되었으며, 제안한 시스템은 불안정환 협대역 환경에서 높은 품질의 스트리밍 서비스를 제공하는 것을 검증하였다.