하드-라벨 블랙박스 텍스트 공격에서 공격 성공률과 퍼트رب레이션을 균형 있게 조정하는 공격자 시퀀스 최적화 방법을 제안한다. 여러 데이터셋과 대상 모델, 대형 언어 모델에서 실험한 결과, 기존 단일 공격 기반의 강력한 기준 모델과 수동적으로 구성된 체인을 꾸준히 초과하는 성능을 보인다.
텍스트 기반 블랙박스 공격 시 공격자 시퀀스 최적화를 통해 공격 성능을 향상시킬 수 있다.
가상현실(VR) 환경에서 새로운 지식 기반 인증 방법인 Adaptive Direction-Based Authentication(ADBA)를 제안하고, 66명의 참여자를 대상으로 2-3주간의 장기적 연구를 통해 기존 6자리 PIN과 비교하였다. ADBA는 기억력이 우수하고 인지 부하가 낮으며, 일부 환경에서는 암호의 동일성이 관찰되었으나, 전반적으로 PIN보다 우수한 보안성을 제공한다.
가상현실 환경에서 ADBA는 PIN 대신 사용할 수 있는 기억력과 보안성이 높은 인증 방법으로, 실무에서 VR 인증 시스템 개선에 참고할 수 있다.
보안 인증에서 시각 환경적 위험 인식 능력을 평가하는 새로운 벤치마크인 SpatialTrust를 제안한다. SpatialTrust는 민감 요인 탐지, 직접/간접 요인 식별 및 설명 능력을 평가하며, 현재 MLLMs가 간접 위험을 이해하고 설명하는 데 어려움을 겪는다는 것을 보인다.
이 연구는 보안 인증에서 MLLMs의 환경적 위험 인식 능력 향상을 위한 벤치마크와 추론 방법 개발의 필요성을 강조한다.
벤치마크 오염을 기존 완화책별로 분류하는 새로운 체계를 제안하고, 평가 프로토콜과 실증 결과를 제시한다. 41개 문서에 대한 측정에서 변수별 내부일치도가 0.00~0.35로 나타났으며, 일부 항목은 기준 이하인 것으로 드러났다.
벤치마크 오염 분류체계를 활용해 연구 공개 수준을 체계적으로 평가할 수 있으며, 이는 모델 평가의 신뢰도를 높이는 데 기여할 수 있다.
AI 에이전트의 체크포인트 및 롤백 기술의 보안 문제를 체계적으로 분석하고, 5가지 핵심 실패 모드를 제시한다. 헤르메스, 클라인, 랭그래프에서 실제 공격을 통해 악성코드 검증 우회, 비인가 이메일 전달, 이중 결제를 보인다.
AI 에이전트 시스템의 체크포인트 및 롤백 기술은 보안 취약점이 존재하므로, 실행 연속성 관리 시 주의가 필요하다.
Git 커밋 서명 기능의 실제 사용 경험과 도입 장애물을 조사하기 위해 22명의 컴퓨터 공학 학생을 대상으로 3개월간 연구를 진행했다. 대부분의 참여자는 커밋을 성공적으로 서명했지만, 설정, 다중 장치 구성, 저장소 검증 과정에서 어려움을 겪었으며, 이상 커밋을 식별하는 능력도 낮았다.
Git 커밋 서명의 보안 효과를 극대화하려면 단순한 도구 개선뿐 아니라, 서명 검증, 키 관리, 이상 서명 식별에 대한 교육과 도구 개선이 필요하다.
기존 비디오 워터마킹 시스템은 대칭 방식으로 공유 비밀키가 필요했으나, 이 연구는 공유 비밀키 없이 Ed25519 서명을 사용하는 비대칭 방식을 제안한다. 99.3%의 실제 클립에서 검증 가능한 서명을 삽입했으며, 잘못된 공개키를 1000번 시도 중 단 한 번도 수용하지 않았다.
이 연구는 공유 비밀키 없이도 비디오 워터마킹을 가능하게 하여 보안성을 향상시켰으며, 실무에서 보다 안전한 저작권 보호 기술로 활용될 수 있다.
다중 사용자 및 다중 도전 환경에서의 방송 인증 암호화 키워드 검색(BAEKS)의 새로운 보안 정의를 제안하고, 이 구조의 적응적 강력한 은폐 보안성을 증명한다. 이 구조는 이중 선형 결합 그룹에서 구현되며, 실험을 통해 평가된다.
이 연구는 다중 사용자 및 다중 도전 환경에서의 BAEKS 구조의 강력한 보안성을 제시하여, 관련 암호화 기술의 설계와 분석에 기여할 수 있다.
3D Gaussian Splatting(3DGS)에 공격을 적용하는 새로운 입력 트리거 방식의 백도어 기법인 GhostSplat을 제안한다. 실험 결과, 최대 96%와 100%의 공격 성공률을 달성하면서 JPEG, 블러, 리샘플링 공격에 견디는 것을 보였다.
이 연구는 공유된 3D 생성 모델에 지속적인 조작을 유발할 수 있는 새로운 백도어 공격 방식을 제시하여, 공격자들이 공유된 생성 모델을 악용할 수 있는 잠재적 위험성을 드러냅니다.
LLM 워터마킹 기법의 한계를 분석하고, 스파스 Mixture-of-Experts(MoE) 모델의 구조적 특성을 활용한 새로운 텍스트 프로바네이스 방법인 Watermarking of Experts(WoE)를 제안한다. 8개의 MoE 모델에서 평가한 결과, 1%의 거짓 긍정률에서 평균 90.1%의 진짜 긍정률을 달성했으며, 최대 94.9%에 달했다.
WoE는 도난당한 모델 가중치나 유출된 체크포인트로 생성된 텍스트를 추적할 수 있는 새로운 워터마킹 방법으로, 악의적인 행위자에게 추가적인 모델 적응이나 텍스트 재작성 작업을 요구한다.
대규모 언어 모델(LLM)이 음성 대 텍스트 요청에 따라 보호적 개입이 달라지는지 실험했다. 음성 인터페이스에서 보호 행동이 줄어드는 경향을 관찰했으며, 응답 길이와 무관하게 나타났다.
LLM의 보호적 개입이 요청 수신 방식에 따라 달라질 수 있으므로, 보호 정책 설계 시 인터페이스 차이를 고려해야 한다.
ERC-8319에서 제안한 규제 조치 의미를 형식화하고, 이에 대한 위조 가능성과 경계 증거를 분석했다. 49개 핵심 의무와 24개 필수 지원 의무를 모두 충족하는 7개의 증거 패키지를 검증했다.
이 연구는 보안 토큰의 규제 조치를 형식적으로 검증할 수 있는 기반을 제공하여, 향후 규제 준수 토큰 표준의 신뢰성 향상에 기여할 수 있다.
클라우드-엣지 협력 디코딩에서 프라이버시 유출 위험을 분석하고, CoVeil이라는 방어 메커니즘을 제안한다. CoVeil은 디코딩 시 유출을 최대 87.2%까지 줄이며 정확도 손실은 최소화한다.
CoVeil을 통해 클라우드-엣지 협력 시스템에서 프라이버시와 유틸리티의 균형을 실현할 수 있다.
3D 얼굴 위조 공격을 탐지하기 위해 무선 신호를 활용한 사용자 독립적 3D 얼굴 생체 인증 방식을 제안한다. 실사용자에 대한 정확도는 93.25%이다.
이 연구는 3D 얼굴 인증 시스템의 위조 공격 탐지 정확도를 높이는 새로운 방법을 제시한다.
LLM 시대의 언어 스테가노그래피 분야를 체계적으로 정리하고, 148개의 방법, 60개의 대응책, 23개의 평가 지표, 9개의 개방적 과제를 분류하고 분석한다. LLM 시대의 5가지 패러다임 변화를 식별한다.
이 서베이를 통해 실무자는 LLM 시대의 언어 스테가노그래피 기술 동향과 주요 과제를 파악할 수 있다.
연방 학습(FL)에서 악의적인 클라이언트에 대한 취약성을 개선하기 위해 CARVY-FL이라는 새로운 방어 기법을 제안한다. MNIST와 Fashion-MNIST에서 FLCert보다 높은 인증 정확도(CA)를 보였다.
CARVY-FL은 연방 학습 환경에서 악성 클라이언트의 영향을 줄이는 데 실무적으로 활용될 수 있다.
확산 모델의 지적 재산권 보호를 위해 훈련 시간에 워터마크를 삽입하는 기존 방법의 한계를 극복한 새로운 소유권 검증 프레임워크를 제안한다. MiO는 ROC-AUC와 true-positive rate 지표에서 성능을 보인다.
이 연구는 확산 모델의 지적 재산권 보호를 위한 실용적인 방안을 제시하여, 모델 도용 방지를 위한 실무 전략에 기여할 수 있다.
행동 생체 인증(BBA) 시스템에서 신원을 인증하는 임베딩이 성별, 나이, 키 등의 민감한 인구통계 정보를 우연히 유출할 수 있음을 보인다. 11개 모델과 9개 데이터셋을 사용한 체계적 분석을 통해 4가지 억제 기법의 성능을 평가한다.
BBA 시스템 설계 시 인구통계 정보 유출을 방지하기 위한 억제 기법을 고려해야 한다.
SQL 인젝션 공격 탐지를 위해 DistilBERT-Stacked 앙상블 파이프라인을 설계하고 최적화하여 탐지 효율과 견고함을 향상시켰다. 최적화된 앙상블은 정확도 99.81%를 달성했으며, 단일 모델 대비 140배 빠른 추론 속도를 기록했다.
이 연구는 실시간 SQL 인젝션 탐지에 적합한 고정확도, 고속도의 방화벽 구축 방법을 제시한다.
BERT와 그래프 신경망(GNN)을 결합한 하이브리드 모델을 설계하여 SQL 인젝션 공격 탐지 정확도를 향상시켰다. 99.67% 정확도, 99.71% 정밀도, 99.39% 재현율, 99.55% F1 점수를 달성했다.
BERT-GNN 하이브리드 모델은 웹 애플리케이션 방화벽의 SQL 인젝션 탐지 성능을 현저히 향상시킬 수 있다.
다크넷 환경에서 자주 사용되는 자바스크립트 없는 CAPTCHA를 대형 언어 모델(LLM)로 해결하는 방법을 연구하고, 정확도 90% 이상의 하이브리드 프레임워크를 제안한다. 실험 결과, LLM과 전통적 컴퓨터 비전 기법을 결합한 시스템이 90% 이상의 성공률을 보였다.
이 연구는 LLM과 전통적 컴퓨터 비전 기법을 결합한 하이브리드 시스템이 CAPTCHA 해결에 효과적임을 보여주어, 보안 설계 시 이러한 결합 방식을 고려해야 한다는 시사점을 제공한다.
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.