발전기금
-
- [연구] 시스템보안연구실(지도교수 이호준), ACM SIGOPS ATC ’26 논문 2편 게재 승인 NEW
- 성균관대학교 시스템보안연구실(지도교수 이호준)의 논문 2편이 컴퓨터 시스템 분야의 최고수준 국제학술대회인 ACM SIGOPS Annual Technical Conference (ATC ’26)에 게재 승인되었다. 두 연구는 데이터 변조 공격에 대한 방어와 Rust 프로그램의 메모리 오류 탐지를 주제로, 소프트웨어 보안을 강화하면서 성능 부담을 줄이는 새로운 방법을 제시한다. 1. DVSR: 보안 판단에 쓰이는 값의 무작위화를 통한 경량 방어 기술 논문명: “Hardening Programs with Data Value Space Randomization of Semantically Arbitrary Values” 저자: 김재윤·임하정·조규원 박사과정 최근 프로그램의 실행 흐름을 보호하는 기술이 널리 도입되면서, 공격자들은 인증 여부나 권한 수준을 나타내는 데이터를 변조하는 데이터 전용(data-only) 공격에 주목하고 있다. 이러한 공격은 프로그램에 이미 존재하는 정상적인 실행 경로를 이용하므로, 실행 흐름을 보호하는 기존 기법만으로는 막기 어렵다. 예를 들어 인증 상태를 나타내는 변수를 ‘인증 성공’에 해당하는 값으로 덮어쓰면, 정상적인 인증 절차 없이도 접근 권한을 얻을 수 있다. 본 연구의 핵심 통찰은 ‘인증 성공을 반드시 1로 표현할 필요는 없다’는 점이다. 인증 상태나 권한 등급을 구분하는 숫자는 개발자가 정한 약속이므로, 프로그램 전체에서 관련된 값을 일관되게 바꾸면 정상 동작을 유지할 수 있다. DVSR(Data Value Space Randomization)은 이러한 값들을 실행마다 새로운 무작위 값으로 치환해, 공격자가 원하는 상태를 만들기 위해 어떤 값을 써넣어야 하는지 예측하기 어렵게 한다. 메모리 주소를 무작위화하는 ASLR의 원리를 보안 판단에 사용되는 값 자체로 확장한 접근이다. 이를 실현하기 위해 연구팀은 프로그램 전체의 값 전달 관계를 분석해 안전하게 무작위화할 수 있는 값과 변경 시 보존해야 할 관계를 자동으로 찾아내는 기술을 개발했다. 또한 컴파일러와 로더를 확장해 프로그램이 시작될 때 관련 상수들을 일관되게 치환하도록 했다. 값의 무작위화를 프로그램 시작 시 수행하므로 실행 중 반복적인 검사 부담을 낮출 수 있으며, nginx 웹 서버 성능 평가에서도 처리량 감소는 약 1.3% 수준이었다. 이번 연구는 기존 보안 기법과 함께 적용할 수 있는 실용적인 데이터 전용 공격 방어 방법을 제시한다. 2. RunaSan: Rust의 특성과 실행 맥락을 활용한 정밀 메모리 오류 검사 논문명: “RunaSan: A Rust-Native Sanitizer for Precise and Context-Sensitive Sanitization” 저자: 김종윤·조규원 박사과정 Rust는 메모리 안전성을 보장하도록 설계된 시스템 프로그래밍 언어이지만, 저수준 메모리 제어나 외부 코드와의 연동을 위한 unsafe 코드에서는 여전히 메모리 오류가 발생할 수 있다. 이러한 오류의 영향은 안전한 코드로도 전파될 수 있어, 실행 중 메모리 접근을 검사하는 도구인 새니타이저(sanitizer)가 필요하다. 그러나 Rust 프로그램의 상당 부분은 이미 안전성이 보장되므로, 필요한 검사 대상을 정밀하게 구분하는 것이 성능 부담을 줄이는 핵심 과제이다. RunaSan은 Rust의 언어 특성을 분석에 직접 활용하고, 같은 코드라도 실제로 전달되는 포인터에 따라 검사 필요성을 구분한다는 아이디어를 바탕으로 설계되었다. 기존 접근에서는 코드를 낮은 수준의 표현으로 변환하는 과정에서 Rust의 안전성 판단에 필요한 정보가 사라지고, 서로 다른 함수 호출 상황을 함께 분석하면서 불필요한 검사가 남는 한계가 있었다. 연구팀은 Rust의 언어 정보가 보존된 중간 표현(MIR)에서 위험의 전파를 분석하고, 함수가 어떤 맥락에서 호출되는지를 구분해 검사 대상을 더욱 정밀하게 식별했다. 복잡한 표준 라이브러리는 핵심 동작을 요약해 분석함으로써 분석의 효율성도 높였다. 또한 포인터에 안전성 정보를 나타내는 태그를 부여하고 실행 중 이를 확인해, 안전한 상황에서는 비용이 큰 메모리 검사를 건너뛰도록 했다. RunaSan은 23개 실제 Rust 벤치마크 평가에서 기존 오류 탐지 도구인 AddressSanitizer(ASan)보다 평균 약 3.25배 빠른 실행 속도를 보였다. 동시에 실험에서 재현한 메모리 오류를 동일하게 탐지해, 오류 탐지 능력을 유지하면서 검사에 드는 비용을 크게 줄였다. 이번 연구는 Rust의 특성과 실제 실행 상황을 활용해 메모리 오류 검사를 더욱 정밀하고 효율적으로 수행하는 방법을 제시한다. 연구실 홈페이지: 시스템보안연구실
-
- 작성일 2026-10-14
- 조회수 304
-
- [연구] 우홍욱 교수 연구실(CSI연구실), NeurIPS 2026 논문 게재 승인 (Oral 1편, Spotlight 1편, Poster 2편) NEW
- 우홍욱 교수 연구실(CSI연구실), NeurIPS 2026 논문 게재 승인 (Oral 1편, Spotlight 1편, Poster 2편) CSI연구실(지도교수: 우홍욱, https://csiagentgroup.com)의 연구결과가 인공지능 분야 주요 국제학회인 NeurIPS 2026(The Fortieth Annual Conference on Neural Information Processing Systems)에 총 4편의 논문(Oral 1편, Spotlight 1편 포함)으로 게재 승인(Accept)되었습니다. 논문은 2026년 12월 호주 시드니의 ICC Sydney에서 발표될 예정입니다. 1. [NeurIPS] 논문 “NeSyKC: Neurosymbolic Knowledge Compilation For Lifelong Learning Embodied Agents”는 소프트웨어학과 최원제(박사과정), 김주영(석사과정), 최세라(석박통합과정), 송영욱(석사과정) 연구원이 저자로 참여했습니다. (Spotlight; top 0.95%) 본 연구에서는 새로운 태스크가 지속적으로 주어지는 개방형 환경에서, 체화형 에이전트의 지속학습 프레임워크 Neurosymbolic Knowledge Compilation (NeSyKC)를 제안합니다. NeSyKC는 재사용 가능한 지식을 환경과의 상호작용을 설명하는 명시적 지식과 에이전트의 체화된 능력을 나타내는 절차적 지식의 두 가지 형태로 유지하며, 명시적 지식을 지속적으로 확장하면서 이를 절차적 지식으로 점진적으로 변환합니다. 구체적으로, 태스크 수행 과정에서 얻은 경험을 환경의 일반적인 규칙으로 추상화하고, 검증된 규칙으로부터 행동 절차를 도출하여 모델 추론에 적용 가능한 뉴럴 어댑터로 변환합니다. 이를 통해 에이전트는 경험이 쌓일수록 환경에 대한 지식을 확장하는 동시에, 이전에 학습한 내용을 보다 효율적으로 재사용할 수 있습니다. NeSyKC는 Neurosymbolic Generalization과 Neurosymbolic Proceduralization의 두 과정으로 구성됩니다. 먼저 Neurosymbolic Generalization은 에이전트가 태스크를 수행하며 얻은 경험을 언어 모델(LM)을 이용해 심볼릭 규칙으로 추상화하고, 심볼릭 도구를 통해 해당 규칙이 실제 경험과 일관되는지를 논리적으로 검증하여 심볼릭 규칙 집합을 지속적으로 확장하고 수정합니다. 이렇게 형성된 규칙 집합은 심볼릭 도구를 이용한 느리지만 검증 가능한 행동 계획 수립에 활용됩니다. 이어서 Neurosymbolic Proceduralization은 심볼릭 규칙 집합으로부터 실제 태스크 수행에 필요한 절차를 심볼릭 도구로 도출하고, 이를 LM 내부의 뉴럴 어댑터로 점진적으로 컴파일합니다. 이렇게 축적된 어댑터는 심볼릭 도구를 매번 호출하지 않고도 학습한 행동 절차를 빠르게 재사용할 수 있도록 합니다. 따라서 새로운 경험이 심볼릭 규칙을 개선하고, 개선된 규칙에서 도출된 행동 절차가 다시 모델 내부에 컴파일되는 과정이 반복되면서, 에이전트는 점차 심볼릭 도구 기반 추론 중심에서 효율적인 모델 추론으로 전환됩니다. 실험에서는 VirtualHome, ALFWorld, EB-Habitat, PDDLGym을 기반으로 구성한 네 가지 개방형 환경에서 NeSyKC의 지속학습 성능을 평가했습니다. NeSyKC는 태스크를 연속적으로 수행할수록 성능을 지속적으로 향상시켰으며, 학습에 사용되지 않은 미경험 태스크에서도 높은 일반화 성능을 보였습니다. knowledge compilation이 진행됨에 따라 경험한 태스크의 성공률은 20%에서 84%로, 미경험 태스크는 27%에서 77%로 증가한 반면, 평균 추론 시간은 각각 7.3초에서 0.5초, 7.9초에서 0.6초로 감소하여 지속학습이 진행되면서 성능과 추론 효율이 함께 향상되는 것을 확인했습니다. 또한 FR3와 UR7e를 이용한 실제 로봇 실험에서는 실행 과정에서 얻은 새로운 경험이나 다른 로봇의 시연을 통해 심볼릭 규칙을 수정하고, 이를 행동 절차로 컴파일하여 다양한 태스크 변형에 재사용할 수 있음을 검증했습니다. 2. [NeurIPS] 논문 “Skill-Adaptive Noise Scheduling for Diffusion Policies”는 소프트웨어학과 김우경(박사과정), 유광표(로보로스, 박사), 인공지능학과 박은영(석사과정) 연구원이 저자로 참여했습니다. 기존 Diffusion 정책은 모든 행동 차원에 같은 고정 노이즈 스케줄을 적용합니다. 그러나 접촉이 많은 Contact-Rich 조작과 다지 손을 사용한 Dexterous 조작에서는 접촉 제약과 힘의 평형이 행동 차원들을 강하게 결합하고, 그 결합 패턴은 스킬마다 다릅니다. 고정 스케줄은 이 차원 간 의존성을 활용하지 못해 느슨한 ELBO를 낳고, 그 결과 Denoising 스텝을 늘려도 넘을 수 없는 성능 상한이 생깁니다. 본 연구는 이를 해결하기 위해 Skill-Adaptive Noise Diffusion (SaND) 프레임워크를 제안합니다. SaND는 스킬 임베딩을 조건으로 행동 차원별 노이즈 스케줄을 학습하여, 스킬마다 예측이 쉬운 차원을 먼저 확정하고 접촉에 민감한 차원을 나중에 정제합니다. 학습된 스케줄이 스킬과 무관한 고정 스케줄로 붕괴하지 않도록, SaND는 스케줄 미분의 Legendre 계수로부터 스킬 임베딩을 복원하는 역 스케줄을 함께 학습합니다. 나아가 SaND는 Legendre 계수 공간에서 스킬을 군집화하고 군집별로 필요한 최소 Denoising 스텝 수를 정하는 적응형 Denoising을 통해, 추론 시 정밀한 접촉 스킬에는 더 많은 연산을, 단순한 이동 스킬에는 더 적은 연산을 배분합니다. 실험에서 SaND는 가장 강한 기준선인 SkillDiffuser보다 평균 성공률이 MimicGen 벤치마크에서 11.7%p, DexMimicGen 벤치마크에서 13.0%p 높았고, Bi-DexHands 벤치마크에서도 최고 누적 보상을 기록했습니다. 적응형 Denoising은 성능 저하 0.7%p 이내로 Denoising 스텝을 45.6–63.2% 줄였으며, 스케줄 학습 자체의 추가 비용은 FLOPs 0.31%에 불과했습니다. UR7e와 Robotiq 2F-85 그리퍼를 사용한 실로봇 실험에서도 SaND는 Diffusion Policy(DP)보다 평균 55%p 높은 성공률을 보였습니다. 3. [NeurIPS] 논문 “Reconfiguring Procedural Knowledge for Compositional Robot Skill Adaptation”에는 성균관대학교 소프트웨어학과 이대희(석박통합과정), 안상현(석박통합과정) 연구원과 미국 텍사스대학교 오스틴(UT Austin) 이동수(박사과정), 삼성전자 유민종 박사가 저자로 참여했습니다. 그림 1 제한된 작업 정보로 로봇 스킬을 재구성하는 RecPo 프레임워크의 개념도 본 연구에서는 로봇이 기존에 보유한 행동 기술(스킬)을 재조합하여 새로운 복합 작업에 적응하는 RecPo 프레임워크를 제안합니다. 기존 방법은 저장된 동작을 개별적으로 검색하거나 미리 구성된 연결 구조를 활용하므로, 목표와 일부 중간 상태만 주어지는 상황에서 적절한 실행 순서를 구성하는 데 한계가 있습니다. RecPo는 실행 기록에 담긴 상태 변화와 연결 관계를 활용하여 이러한 문제를 해결합니다. RecPo는 절차 지식베이스(Procedure Knowledge Base)와 작업 구체화(Task Materialization)의 두 부분으로 이루어져 있습니다. 절차 지식베이스는 스킬 실행 기록을 객체 상태 등 서로 다른 정보 요소에 주목하는 ‘절차 뷰’로 나누어 저장합니다. 작업 구체화 과정에서는 새로운 작업에 필요한 상태 변화를 같은 뷰로 해석하고, 저장된 기록의 전이 관계를 연결해 실행 가능한 스킬 시퀀스를 생성합니다. 확장된 Franka Kitchen 시뮬레이션에서 RecPo는 하위 작업을 제시된 순서대로 완료한 비율이 평균 91.3%로, 기존 스킬 검색 및 연결 방식보다 높은 성능을 보였습니다. 실제 Franka 로봇의 커피 따르기 실험에서도 절차 뷰와 실행 기록을 일부 갱신하여 작업별 재학습 없이 실행 절차를 조정할 수 있음을 확인했습니다. 이러한 결과는 기존 경험을 재사용하면서 변화하는 작업과 환경에 효율적으로 적응할 수 있음을 보여줍니다. 4. [NeurIPS] 논문 “HeMeR: Heterogeneous Memory Reconciliation for Embodied Agents via Structured KV Reuse”에는 성균관대학교 소프트웨어학과 천세헌(석박통합과정), 최원제(박사과정), 장진우(석박통합과정) 연구원과 인공지능학과 곽태윤(석사과정) 연구원이 저자로 참여했습니다. (Oral; top 0.36%) 기존 Memory-Augmented Embodied Agent는 Declarative, Procedural, Working Memory를 함께 활용하지만, 각 단계에서 메모리가 갱신되면 전체 Memory Context를 새로운 입력처럼 처리하는 경우가 많습니다. 이 때문에 대부분의 내용이 유지되어도 KV Cache를 다시 계산해야 하며, 반대로 기존 KV를 그대로 재사용하면 위치, 의존 관계, Adapter 변화로 인해 잘못된 상태를 사용할 수 있습니다. 따라서 장기 작업에서는 변경된 메모리와 재사용 가능한 메모리를 구분하는 것이 중요합니다. 본 연구는 이를 해결하기 위해 HeMeR (Heterogeneous Memory Reconciliation)를 제안합니다. HeMeR는 Memory Context를 Memory Type, Semantic Role, Dependency, KV Range, Adapter 정보를 포함하는 Memory Chunk로 구조화하고, 단계 사이의 삽입, 제거, 재배치를 추적해 변경된 KV Range만 다시 계산합니다. 위치만 바뀐 Chunk는 RoPE Remapping으로 재사용하며, Procedural Memory의 LoRA Adapter 변화도 KV 호환성 조건에 포함해 Adapter 전환 시에도 유효한 KV State를 유지합니다. 실험에서 HEMER는 ALFWorld에서 71.43% 성공률과 0.18초/step, Habitat에서 76.28%와 1.82초/step을 기록해 MemRL보다 높은 성능과 낮은 지연시간을 보였습니다. 실제 UR7e 로봇 환경에서도 83.20% 성공률과 1.87초/step으로 MemRL 대비 성공률을 18.92%p 높이고 지연시간을 2.94초에서 1.87초로 줄였습니다. 또한 50개 Memory Chunk에서 Full Rebuild의 TTFT가 148.59ms인 반면 HeMeR는 73.49ms로, 메모리 변화 상황에서도 높은 KV 재사용 효율을 유지했습니다. CSI연구실은 Embodied AI, Vision-Language-Action Model, Reinforcement Learning 기술을 활용하여 범용 인공지능 에이전트 연구와 로봇 지능 연구 등을 수행하고 있습니다. 우홍욱 | hwoo@skku.edu | CSI Lab | https://csiagentgroup.com
-
- 작성일 2026-10-08
- 조회수 758
-
- [연구] [구형준 교수] SecAI 연구실, Annual Computer Security Applications Conference 2026 (ACSAC '26) 논문 게재 승인
- SecAI 연구실 (지도교수 구형준, https://secai.skku.edu) 전미진 학생 (석사과정)의 "Localizing Vulnerabilities under Function Inlining Toward Precise Binary Patching" 논문이 보안 분야 우수 학회인 Annual Computer Security Applications Conference (ACSAC) (ACSAC '26)에 게재가 승인되어 2026년 12월에 발표할 예정입니다. 컴파일러의 함수 인라이닝 (Function Inlining)은 프로그램의 성능을 높이기 위해 한 함수의 코드를 다른 함수 내부에 삽입하는 대표적인 최적화 기법입니다. 하지만 이 과정에서 취약 함수의 경계가 사라지거나 코드가 여러 영역으로 분할될 수 있어, 바이너리에서 취약 코드의 정확한 위치를 찾는 것이 어려워집니다. 기존 바이너리 코드 유사도 분석 (Binary Code Similarity Detection, BCSD) 및 취약점 위치 식별 기법들은 주로 독립적인 함수 단위의 비교를 전제로 하기 때문에, 이처럼 다른 함수 내부에 포함된 취약 코드를 탐지하는 데 한계가 있었습니다. 본 연구에서는 함수 인라이닝이 적용된 바이너리에서도 취약 코드의 위치를 정밀하게 식별하는 PinPoint를 제안합니다. 핵심 기술은 인라이닝 이후 취약 코드의 형태를 네 가지 유형으로 구분하고, 전체 함수, 기본 블록, 토큰 단위로 탐색 범위를 단계적으로 세분화하는 3단계 검색 방식으로, 취약 함수가 다른 함수 내부에 포함되거나 분할된 경우에도 해당 코드 영역을 탐색할 수 있습니다. 9개 오픈소스 프로젝트의 73개 CVE를 대상으로 BinShot, SAFE, Trex 등 기존 BCSD 모델에 적용한 결과, 취약 함수가 비취약 함수 내부에 인라이닝된 경우 BinShot의 Top-1 정확도를 26.9%에서 65.5%로 향상시켰으며, 전체 Top-1 정확도 역시 58.6%에서 72.9%로 개선했습니다. 또한 탐지된 함수 내부의 실제 취약 코드 영역을 94.0%의 정확도로 식별하여, 기존 함수 단위 분석이 놓칠 수 있는 인라이닝된 취약점까지 정밀하게 찾아낼 수 있음을 실험을 통해 입증했습니다. Abstract: The time to weaponize disclosed vulnerabilities has collapsed from years to days, while AI-driven pipelines now discover and validate exploitable bugs faster than remediation can respond, making the patch-compile-test-deploy cycle the critical bottleneck. Precise binary patching can narrow this exposure window by repairing only the vulnerable code in a running binary, but it first requires accurate location in which the vulnerable code resides. Compiler function inlining complicates this task: a vulnerable callee can be absorbed into a larger inliner or fragmented across non-contiguous regions, no longer surviving as an independent function. Existing binary code similarity detection (BCSD) and vulnerability localization approaches operate at function granularity and therefore miss such inlined vulnerabilities. We present PinPoint, a system to be able to localize known vulnerabilities under such function inlining, which is backbone-agnostic over token-based BCSD models. It employs a threshold-gated three-stage cascade using a different window size: whole function, basic block, and token. To this end, we introduce a four-type taxonomy according to inlining relationships. Our evaluation demonstrates the effectiveness and efficiency of PinPoint on 73 CVEs across nine open-source projects using three BCSD backbones. PinPoint improves Top-1 retrieval from 49.4% to 55.2% for vulnerable inlinees, achieving 94.0% vulnerable-code range localization with a reasonable overhead.
-
- 작성일 2026-09-29
- 조회수 908
-
- [교수동정] 2026 SKKU Teaching Award 수상자 선정(조재민 교수)
- 2026 SKKU Teaching Award 수상자 선정
-
- 작성일 2026-09-22
- 조회수 210
-
- [연구] 시스템보안연구실(지도교수 이호준), IEEE S&P 2027 논문 게재 승인
- 시스템보안연구실(지도교수 이호준)의 임하정, 김재윤이 저자로 참여한 논문 “OBLIVIAC: A Principled Virtual Architecture for Oblivious Computation”이 세계 4대 보안학회 중 하나인 IEEE Symposium on Security and Privacy (IEEE S&P) 2027에 게재 승인되었습니다. 신뢰 실행 환경(Trusted Execution Environment, TEE)은 외부로부터 민감한 데이터와 연산을 보호하기 위한 기술입니다. 그러나 최근에는 프로그램의 실행 시간이나 메모리 접근 흔적을 관찰해 비밀 정보를 추론하는 부채널 공격이 발전하면서, TEE로 보호된 프로그램에서도 정보가 유출될 수 있음이 밝혀지고 있습니다. 이러한 위협에 대응하려면 데이터의 내용뿐 아니라 프로그램이 실행되는 과정에서 드러나는 흔적까지 보호해야 합니다. 본 연구의 핵심 통찰은 “인터프리터의 관점에서는 프로그램 코드도 입력 데이터다(Code is now data)”라는 점입니다. 프로그램을 읽고 실행하는 인터프리터에는 코드와 데이터가 모두 입력으로 주어집니다. 따라서 입력에 따라 관찰 가능한 실행 흔적이 달라지지 않도록 인터프리터 자체를 설계하면, 데이터뿐 아니라 프로그램 코드의 기밀성까지 같은 원리로 함께 보호할 수 있습니다. 이는 개별 프로그램을 복잡하게 분석하고 변환해야 하는 부담을 줄이면서, 다양한 프로그램에 공통으로 적용할 수 있는 실행 환경 자체에 보안 원칙을 내재화하는 접근입니다. ▲ OBLIVIAC 가상 아키텍처 개요. 균일한 명령어 실행, 레지스터 기반 내부 상태 보호, 일정한 주기의 메모리 접근을 결합해 프로그램의 코드와 데이터를 보호한다. 연구팀은 이러한 통찰을 바탕으로 가상 아키텍처 OBLIVIAC을 설계하고 구현했습니다. OBLIVIAC은 가상 명령어들을 정해진 순서로 모두 실행하되, 실제로 필요한 연산의 결과만 내부 상태에 반영합니다. 이를 통해 동일한 가상머신 설정에서는 서로 다른 프로그램과 입력 데이터를 처리하더라도 외부에서 관찰되는 명령어 실행 순서와 메모리 접근 양상이 균일하게 유지되도록 했습니다. 코드와 데이터에 대한 보호를 가상머신의 실행 방식 자체로 실현한 것입니다. 또한 프로세서 레지스터를 활용한 캐시와 일정한 주기의 메모리 접근 방식을 결합해, 실행 흔적을 숨기는 데 필요한 메모리 보호 연산의 부담을 줄였습니다. 하나의 실행 주기에서 여러 유효 연산을 처리하는 최적화도 도입해 실행 효율을 높였습니다. WebAssembly 바이너리를 지원한다는 점에서 기존 프로그램에 대한 적용 가능성과 이식성도 확보했습니다. 연구팀은 실험을 통해 서로 다른 프로그램의 실행 흔적이 균일하게 유지됨을 확인하고, 34개 알고리즘과 실제 암호화 라이브러리인 libsodium 및 Mbed TLS의 15개 테스트 사례를 활용해 성능과 호환성을 평가했습니다. 기존 기법인 Obelix와의 비교 실험에서는 메모리 접근 패턴을 숨기는 ORAM의 접근 횟수를 평균 약 21~22분의 1로 줄였으며, 데이터 규모가 커질수록 성능상의 이점이 커지는 결과를 보였습니다. 이번 연구는 민감한 연산을 보호하기 위한 가상 실행 환경의 보안성과 확장성을 함께 높이는 설계 방향을 제시합니다. 연구실 홈페이지: https://sslab.skku.edu
-
- 작성일 2026-09-15
- 조회수 1202
-
- [교수동정] 2026 SKKU Rising-Fellowship 교수 선정(허재필, 아에스아부하메드타메르 교수)
- 2026 SKKU Rising-Fellowship 교수 선정
-
- 작성일 2026-09-07
- 조회수 216
-
-
- [연구] 우홍욱 교수 연구실(CSI연구실), IROS 2026 과 ECCV 2026 논문 게재 승인
- CSI연구실(지도교수: 우홍욱, https://csiagentgroup.com)의 논문이 로봇공학 분야 우수학회인 IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems)과 인공지능 분야 우수학회인 ECCV 2026 (The 19th European Conference on Computer Vision)에 게재 승인(Accept) 되었습니다. IROS 논문은 26년 9월 미국 펜실베이니아주 피츠버그의 David L. Lawrence Convention Center에서 발표될 예정이며, ECCV 논문은 26년 9월 스웨덴 말뫼의 Malmö Arena와 Malmömässan에서 발표될 예정입니다. 1. [IROS] 논문 “ROBOBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents”는 소프트웨어학과 윤시형(석박통합과정), 유민종(삼성리서치, 박사), 안상현(석사과정) 연구원이 저자로 참여했습니다. 본 연구에서는 Vision-Language-Action(VLA) 모델과 같은 행동 생성 정책을 실제 로봇 환경에서 강건한 에이전트로 확장하는 ROBOBRIDGE 프레임워크를 제안합니다. 기존 VLA 모델은 행동 예측에는 효과적이지만 실패 복구, 장기 작업 수행, 관측·작업·로봇 변화에 대한 강건성 측면에서 한계를 가지고 있습니다. ROBOBRIDGE는 정책 모델을 재학습하지 않고 외부 orchestration 계층으로 감싸 이러한 한계를 보완합니다. ROBOBRIDGE는 Monitor, Perceptor, Planner, Controller, Robot Interface의 다섯 개 모듈로 이루어져 있습니다. Perceptor는 관찰을 객체 중심 상태로 변환하고, Planner는 현재 장면과 언어 지시를 바탕으로 primitive plan을 생성합니다. Controller는 VLA, IK solver, scripted policy 등 실제 동작을 생성하는 정책이 들어가는 부분이며, Robot Interface는 Franka Research 3, UR7e와 같은 서로 다른 로봇 플랫폼의 API와 좌표계를 추상화합니다. Monitor는 실행 결과를 확인하고 retry, regenerate, replan, re-perceive 등 계층적 복구 전략을 선택합니다. 핵심적으로 ROBOBRIDGE는 실패 복구를 위한 two-phase monitoring과 장기 작업 수행을 위한 reactive planning with asynchronous perception을 결합합니다. 실패가 감지되면 원인을 진단해 필요한 복구 단계를 선택하고, 환경이 바뀌면 최신 객체 상태를 반영해 이후 primitive를 다시 생성합니다. VLA를 Controller로 사용할 때에는 primitive skill별 LoRA adapter를 적용하는 primitive skill fine-tuning을 통해 domain shift에 대한 민감도를 완화합니다. LIBERO 및 RoboCasa 시뮬레이션 환경과 실제 Franka Research 3, UR7e 로봇 플랫폼에서의 실험 결과, ROBOBRIDGE는 standalone VLA 및 기존 augmented VLA deployment 대비 일관된 성능 향상을 보였습니다. 이러한 결과는 안정적인 로봇 에이전트가 단순한 action predictor가 아니라 perception, planning, monitoring, recovery가 결합된 실행 구조를 통해 구현될 수 있음을 보여 줍니다. 2. [ECCV]논문 “Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments”은 소프트웨어학과 장진우(석박통합과정), 윤시형(석박통합과정) 연구원과 인공지능학과 노정호(석사과정), 조현석(석박통합과정) 연구원이 저자로 참여했습니다. 본 연구에서는 체화형 에이전트(embodied agents)가 지속적으로 변하는 환경에서 관찰 데이터만으로 적응할 수 있게 하는 MuSix(Multi-Scale Mixture of World Models) 프레임워크를 제안합니다. 이 프레임워크는 기존 월드 모델에 MoE 구조를 접목하면서 물리적 스케일의 월드 모델과 추상적 스케일의 월드 모델 등 다양한 스케일의 월드 모델을 혼합하는 방법과 이들이 유기적으로 진화하도록 지식을 주입하는 방법을 제안합니다. MuSix는 월드 모델 혼합 부분과 월드 모델 진화 부분으로 이루어져 있습니다. 월드 모델 혼합 부분은 스케일에 따라 라우팅 방식을 조절하는 meta-router와 실제 월드 모델을 라우팅하는 라우터의 2단계 구조로 이루어져 있습니다. 월드 모델 진화 부분에서는 새로운 지식이 스케일 단위로 그룹화된 월드 모델 그룹 각각에 주입되면서 필요하지 않은 기존 지식을 제거하는 intra-scale evolution이 일어나고, 동시에 스케일 간에 지식을 전이하는 inter-scale evolution이 발생합니다. EmbodiedBench 및 실제 Franka 로봇 조작 환경에서의 실험 결과 MuSix는 기존 SayCanPay 대비 평균 14.51% 높은 작업 성공률을 달성했습니다. 이러한 결과는 MuSix가 지속적으로 변하는 환경에서 체화형 에이전트가 스케일 단위로 월드 모델을 혼합하고 진화하게 하여 실시간으로 적응할 수 있게 하며, 이를 통해 지속적인 환경 변화에도 강건하게 추론할 수 있음을 보여 줍니다. CSI 연구실은 Embodied AI, Vision-Language-Action Model, Reinforcement Learning 기술을 활용하여 범용 인공지능 에이전트 연구와 로봇 지능 연구 등을 수행하고 있습니다. 우홍욱 | hwoo@skku.edu | CSI Lab | https://csiagentgroup.com
-
- 작성일 2026-06-23
- 조회수 3252
-
- [연구] 소프트웨어 보안 연구실 (지도교수 황성재), DFRWS USA 2026 논문 게재 승인
- 소프트웨어 보안 연구실(지도교수 황성재, https://softsec.skku.edu/)의 윤진희 학생(석사과정)이 수행한 연구 논문 “Forensic Analysis of Video Data Deletion and Recovery in Honeywell Surveillance File System”이 디지털 포렌식 분야의 저명한 국제 학회인 Digital Forensics Research Conference USA 2026 (DFRWS USA ’26)에 게재 승인되었습니다. 해당 논문은 2026년 7월 미국에서 발표될 예정이며, 국내 대학 소속 연구팀으로는 유일하게 DFRWS USA ’26에 논문이 채택되었다는 점에서 의미가 큽니다. 실제 범죄 현장에서의 실시간 감시 비디오는 객관적이고 신뢰도 높은 결정적 증거로 활용되며, 다양한 사건의 증거로 활용되어 왔다. 하지만 이러한 특성에 따라 범죄자가 증거 인멸을 목적으로 영상을 삭제하거나, 저장 장치를 물리적으로 망가뜨리는 증거 인멸 시도 또한 수사 현장에서 빈번하게 발생한다. 본 연구는 이러한 증거 인멸 상황이 발생했을 때, 디지털 포렌식 수사관이 디지털 영상 녹화기(DVR) 및 네트워크 영상 녹화기(NVR)로부터 실제 영상 데이터를 빠르게 추출 및 복구할 수 있도록 돕는 것을 목적으로 한다. 전 세계 영상 보안 시장의 주요 공급사 중 하나인 Honeywell 제조사는 북미 영상 감시 시장의 핵심 공급사임에도 불구하고 내부 파일 시스템 구조가 공개되지 않았으며, 이는 수사관으로 하여금 인멸 시도가 발생했을 때 분석을 어렵게 하는 원인이 된다. 이러한 문제 해결을 위해 본 연구에서는 Binary Diffing 기법을 활용하여 Honeywell NVR 파일 시스템의 내부 구조를 분석하고, 핵심 영역의 구조를 규명하여 Honeywell NVR 기기가 지원하는 세 가지 삭제 방식별 파일 시스템 메타데이터와 실제 데이터의 변화를 정밀 분석하였다.이후 Carving 기법을 통해 삭제된 영상을 성공적으로 복구할 수 있음을 실험으로 증명하였다. 이를 통해 범죄자가 증거 인멸을 시도하더라도 적절한 포렌식 분석을 통해 영상 증거를 되살릴 수 있음을 증명하였다. Abstract: Real-time video surveillance systems store recorded video using digital video recorders (DVRs) and network video recorders (NVRs). To support continuous high-volume video storage, these devices employ specialized, nonstandard file systems that are often proprietary and undocumented. This lack of documentation significantly increases the time and effort required for forensic analysis. In this study, we analyze an undocumented proprietary file system used by Honeywell video surveillance devices—one that, to the best of our knowledge, has not been examined in prior work—and investigate its deletion mechanisms and demonstrate the feasibility of video recovery after deletion. We perform a file system analysis using a binary diffing technique and evaluate three deletion methods supported by the target device: (1) formatting-based deletion, (2) data expiration, and (3) overwrite. For each method, we investigate changes in file system metadata and on-disk data structures and demonstrate the feasibility of video data recovery. Our findings aim to support more efficient and accurate forensic investigations of Honeywell surveillance products and provide foundational insights into the analysis of proprietary file systems used in video recording devices.
-
- 작성일 2026-06-11
- 조회수 2563
-
- 자연어처리연구실(NLP lab, 지도교수: 고영중) ACL 2026 게재
- 자연어처리연구실(NLP lab, 지도교수: 고영중)의 논문 1편이 인공지능 및 자연어처리 분야의 Top-tier 국제학술대회인 ACL 2026(The 64th Annual Meeting of the Association for Computational Linguistics)의 Findings에 게재되었습니다. 논문: ConvX: A Lightweight Converter to Bridge Indexed Dense Representations and Large Language Models for Retrieval-Augmented Generation (인공지능학과 박사과정 최봉근, 인공지능학과 박사과정 김근하,인공지능학과 석박사통합과정 한준호) 논문 요약: 본 연구에서는 RAG 파이프라인의 치명적인 효율성 문제와, 이를 해결하기 위한 기존 압축 기반 방법론들이 검색된 문맥을 다시 인코딩하며 발생하는 이중 인코딩(double-encoding) 문제를 해소하기 위해, 검색기가 생성한 색인된 밀집 표현(dense representation)을 직접 활용하여 긴 텍스트 문맥을 전적으로 대체하는 효과적인 압축 기반 RAG 프레임워크인 ConvX를 제안합니다. 제안한 방법은 경량 변환기(converter)를 통해 단일 밀집 표현을 고정된 수의 메모리 슬롯으로 확장합니다. 메모리 슬롯으로부터 문단 수준의 어휘 정보를 복원하도록 변환기를 학습합니다. 변환기를 통해 생성된 메모리 슬롯은 LLM의 기존 토큰 임베딩과 특성이 상이하므로, LLM이 메모리 슬롯에 대한 내용을 복원할 수 있도록 사전학습을 수행합니다. 이때, 다중 문서의 RAG 시스템에 적용할 수 있도록 단일 및 다중 문단 메모리 슬롯을 복원하도록 학습합니다. 이러한 설계는 입력 길이와 계산 오버헤드를 크게 줄이면서도 효율적인 지식 통합을 가능하게 합니다. 실험 결과, 제안한 모델은 RAG 환경에서 기존의 ad-hoc 문맥 압축 기법들 대비 우수한 성능을 달성하는 동시에, 추론 효율성을 크게 향상시킴을 확인하였습니다. Abstract: Retrieval-Augmented Generation (RAG) has significantly advanced open-domain question answering and dialogue systems by incorporating external knowledge into large language models. Despite its effectiveness, existing RAG pipelines suffer from critical efficiency limitations. In particular, modern transformer-based generators exhibit quadratic or higher computational complexity with respect to input sequence length and hidden dimensionality, leading to substantial inference latency as model scales and contextual inputs increase. This issue is exacerbated in RAG settings, where retrieved contexts substantially expand the input prompt. To alleviate this challenge, we propose an effective compression-based RAG framework, ConvX, that directly leverages indexed dense representations produced by a retriever, entirely substituting to long text contexts. Our approach expands a single dense representation into a fixed number of memory slots using a lightweight converter to provide rich lexical information. This design enables efficient knowledge integration while significantly reducing input length and computational overhead. Empirical evaluations demonstrate that the proposed model achieves outstanding performances compared to existing ad-hoc context compression methods in RAG setting, while offering substantially improved inference efficiency. 고영중 교수: yjko@skku.edu, nlp.skku.edu, 자연어처리연구실: nlplab.skku.edu
-
- 작성일 2026-06-08
- 조회수 1812