-
- [연구] [우사이먼성일 교수] DASH 연구실, CIKM 2024 국제 학술대회 논문 2편 개제 승인
- [우사이먼성일 교수] DASH 연구실, CIKM 2024 국제 학술대회 논문 2편 개제 승인 1. (딥페이크 탐지) IDENTIFY: Integral Radial and Spatial Fourier Analysis for AI-Generated Image Authentication (full paper) 저자: Inzamamul Alam (소프트웨어학과 박사과정), Muhammad Shahid Muneer (소프트웨어학과 박사과정), and Simon S. Woo (인공지능대학원/소프트웨어학과) 본 연구에서는 새로운 생성형AI (디퓨전)기법으로 생성된 딥페이크를 Integral Radial and Spatial Fourier Analysis을 활용하여, 높은 성능으로 탐지하는 연구를 제안합니다. 특히, 본연구에서 제안하는 기법은 기존의 방법들보다 12-28%이상 높은 성능을 보여줍니다. IDENTIFY: Integral Radial and Spatial Fourier Analysis for AI-Generated Image Authentication, Inzamamul Alam, Muhammad Shahid Muneer, and Simon S. Woo*, 33rd ACM International Conference on Information & Knowledge Management (CIKM), Boise, Idaho, USA, October 2024 2. (빅데이터/E-commerce) Deep Journey Hierarchical Attention Networks for Conversion Predictions in Digital Marketing (full paper) 저자: Girim Ban (성균관대학교 석사 졸업/KT NexR), Hyeonseok Yun (KT NexR), Banseok Lee (KT NexR), David Sung (KT NexR), and Simon S. Woo (인공지능대학원/소프트웨어학과) 본 연구에서는 디지털 마케팅에서 유저 conversion prediction을 높일 수 있는 Deep Journey Hierarchical Attention Networks (DJHAN) 제안하여, 디지털 마케팅에서 중요한 Conversion Rate (CVR)과 Return on Ad Spend (ROAS)를 기존에 비해 높이고, 실제 수집된 마케팅 데이터(KT/NasMedia)에 적용하여 높은 성능을 보여주었습니다. Deep Journey Hierarchical Attention Networks for Predictions in Digital Marketing Girim Ban, Hyeonseok Yun, Banseok Lee, David Sung, and Simon S. Woo* 33rd ACM International Conference on Information & Knowledge Management (CIKM), Boise, Idaho, USA, October 2024
-
- 작성일 2024-08-29
- 조회수 852
-
- [연구] [김형식, 우사이먼성일 교수] SecLab/ DASH Lab, CIKM 2024 학술대회 논문 게재 승인
- [김형식, 우사이먼성일 교수] SecLab/ DASH Lab, CIKM 2024 학술대회 논문 게재 승인 보안공학 연구실(지도교수 김형식, https://seclab.skku.edu/), DASH LAB(지도교수 우사이먼 성일, https://dash-lab.github.io/), 네이버 클라우드 연구진이 공동으로 작성한 논문 "Blind-Match: Efficient Homomorphic Encryption-Based 1:N Matching for Privacy-Preserving Biometric Identification"이 CIKM 2024 (Applied Research track)에서 발표될 예정입니다. 다음은 논문의 개요입니다: 생체 인식은 개인 기기에서 사용자 인증을 위해 흔히 사용되지만, 웹 및 클라우드 환경에서는 도입이 제한적입니다. 생체 데이터가 유출될 경우 변경 또는 폐기가 어렵기 때문입니다. 예를 들어, 2016년 미국 인사관리처 해킹 사건에서는 560만 명의 지문이 도난당했습니다. 이 사건은 서버에서 생체 데이터의 안전한 관리의 중요성을 강조합니다. Blind-Match는 동형 암호를 활용한 효율적이고 프라이버시를 보호하는 1:N 생체 인식 매칭 시스템을 제안합니다. Blind-Match는 동형암호 기반의 최적화된 cosign-similarity 계산 방법을 도입하여, 특징 벡터를 더 작은 부분으로 나누어 처리하는 방식을 사용합니다. 이를 통해 계산 시간을 최소화하면서 데이터 프라이버시를 보장합니다. Blind-Match는 다양한 생체 데이터셋에서 최첨단 방법보다 우수한 성능을 발휘합니다. 예를 들어, LFW 얼굴 데이터셋에서 128차원 특징 벡터로 99.63%의 Rank-1 정확도를 달성하였으며, PolyU 지문 데이터셋에서는 16차원 특징 벡터로 99.55%의 Rank-1 정확도를 보였습니다. 또한, 네이버 클라우드의 FaceSign과 같은 대규모 생체 인식 시나리오에서 6,144개의 생체 샘플을 0.74초 만에 처리하여 실용성을 입증하였습니다. 이 연구는 올해 AAAI '24에 발표된 Blind-Touch를 개선한 연구로 프라이버 보장 생체인식 방법의 SOTA 기술로 많이 활용될 것으로 기대됩니다. Abstract: We present Blind-Match, a novel biometric identification system that leverages homomorphic encryption (HE) for efficient and privacy-preserving 1:N matching. Blind-Match introduces a HE-optimized cosine similarity computation method, where the key idea is to divide the feature vector into smaller parts for processing rather than computing the entire vector at once. By optimizing the number of these parts, Blind-Match minimizes execution time while ensuring data privacy through HE. Blind-Match achieves superior performance compared to state-of-the-art methods across various biometric datasets. On the LFW face dataset, Blind-Match attains a 99.63% Rank-1 accuracy with a 128-dimensional feature vector, demonstrating its robustness in face recognition tasks. For fingerprint identification, Blind-Match achieves a remarkable 99.55% Rank-1 accuracy on the PolyU dataset, even with a compact 16-dimensional feature vector, significantly outperforming the state-of-the-art method, Blind-Touch, which achieves only 59.17%. Furthermore, Blind-Match showcases practical efficiency in large-scale biometric identification scenarios, such as Naver Cloud’s FaceSign, by processing 6,144 biometric samples in 0.74 seconds using a 128-dimensional feature vector.
-
- 작성일 2024-07-30
- 조회수 1034
-
- [연구] [김형식 교수] 보안공학연구실(SecLab), USENIX Security 2024 학술대회 논문 게재 승인
- [김형식 교수] 보안공학연구실(SecLab), USENIX Security 2024 학술대회 논문 게재 승인 보안공학 연구실(https://seclab.skku.edu/)의 김형식 교수가 참여한 논문 "I Experienced More than 10 DeFi Scams: On DeFi Users’ Perception of Security Breaches and Countermeasures"이 보안 분야 4대 컨퍼런스 중 하나인 USENIX Security 2024에 게재 승인되어 8월에 발표될 예정입니다. 이 연구는 Georgia Institute of Technology의 김태수 교수 연구실과의 협업을 통해 진행되었습니다. 다음은 논문의 개요입니다: 탈중앙화 금융(DeFi)은 새로운 투자 경험을 제공하며, 중앙집중식 금융(CeFi)에 대한 매력적인 대안으로 급부상하고 있습니다. 그러나 급성장하는 시장 규모와 활발한 사용자 활동은 DeFi를 스캠과 해킹의 표적으로 만들었습니다. 2023년에만 19억 5천만 달러의 손실이 발생했습니다. 이렇게 큰 피해가 발생하는 데도 불구하고, 왜 사용자들이 DeFi에 계속 투자하는지에 대한 근본적인 이해가 부족하였습니다. 이 논문은 실제 스캠, 해킹 피해자들을 대상으로 사용자 스터디를 기반으로 DeFi 사용자의 보안 인식과 사용자들이 DeFi를 어떻게 활용하고 있는지를 분석합니다. 또한 사용자들이 스캠이나 해킹 피해자들이 어떻게 대응하고 손실을 회복하려 하는지를 분석합니다. 우리의 분석에 따르면, 사용자들은 DeFi의 탈중앙화 특성과 높은 수익성으로 인해 CeFi보다 DeFi를 선호하는 경향이 있음을 알 수 있었습니다. 그러나, 대부분의 피해자는 보안 사고를 경험했음에도 불구하고 여전히 적절한 대처를 못하고 있는 것을 알 수 있습니다. 이 논문의 주요 기여는 DeFi 사용자의 보안 우려와 리스크 완화 전략에 대한 정확한 원인을 규명하고, DeFi 보안을 향상시키기 위해서 어떠한 노력을 기울여야 하는지를 설명합니다. Abstract: Decentralized Finance (DeFi) offers a whole new investment experience and has quickly emerged as an enticing alternative to Centralized Finance (CeFi). Rapidly growing market size and active users, however, have also made DeFi a lucrative target for scams and hacks, with 1.95 billion USD lost in 2023. Unfortunately, no prior research thoroughly investigates DeFi users’ security risk awareness levels and the adequacy of their risk mitigation strategies. Based on a semi-structured interview study (N=14) and a follow-up survey (N=493), this paper investigates DeFi users’ security perceptions and commonly adopted practices, and how those affected by previous scams or hacks (DeFi victims) respond and try to recover their losses. Our analysis shows that users often prefer DeFi over CeFi due to their decentralized nature and strong profitability. Despite being aware that DeFi, compared to CeFi, is prone to more severe attacks, users are willing to take those risks to explore new investment opportunities. Worryingly, most victims do not learn from previous experiences; unlike victims studied through traditional systems, DeFi victims tend to find new services, without revising their security practices, to recover their losses quickly. The abundance of various DeFi services and opportunities allows victims to continuously explore new financial opportunities, and this reality seems to cloud their security priorities. Indeed, our results indicate that DeFi users’ strong financial motivations outweigh their security concerns – much like those who are addicted to gambling. Our observations about victims’ post-incident behaviors suggest that stronger control in the form of industry regulations would be necessary to protect DeFi users from future breaches. The key contributions of this paper are: a first formal study investigating DeFi users’ security concerns and risk mitigation strategies, a list of security misconceptions that need to be addressed, and a thorough report on the security behaviors of DeFi victims and how they can be better protected in the future.
-
- 작성일 2024-07-30
- 조회수 987
-
- [학생실적] [산학팀] 2024년 보건의료빅데이터 활용 창업경진대회 우수상 수상
- [산학팀] 2024년 보건의료빅데이터 활용 창업경진대회 우수상 수상 박희선 산학교수가 지도하는 H&S BioLab 산학과제 참여학생들이 ' 2024년 보건의료빅데이터 활용 창업경진대회' 에서 우수상을 수상했다. 보건복지부가 주최하고 건강보험심사평가원이 주관한 ‘2024년 보건의료빅데이터 활용 창업경진대회’에 총 109개의 아이템이 접수됐고, 투자·법률·데이터 등 다방면의 전문가로 심사위원을 구성해 3단계에 걸친 평가를 통해 아이디어 기획 부문과 제품/서비스 개발 부분에서 최우수, 우수, 장려, 입선 등 10개 팀이 선정되었다. 2024년 보건의료빅데이터 활용 창업경진대회 우수상 출품작 : Kidney Care (AI 기반 신장질환 관리 서비스) - 주제 : 만성콩팥병 환자들이 자신의 건강상태를 쉽게 파악하고, 관리하게 도와주는 서비스 (검사 기록지 판독, 기저질환 파악 및 관리, 중등도 발전 위험도 예측 기능 등) - 참가자 : 곽태윤, 김지수, 오지훈, 최한송, 황재현 (소프트웨어학과 2,3학년) - 지 도 : 박희선 산학교수 - 수상 내역 : 2등 우수상 ( 건강보험심사평가원장)
-
- 작성일 2024-07-25
- 조회수 1065
-
- [연구] [김유성 교수] CSI 연구실, CIKM 2024 논문 2편 게재 승인
- [김유성 교수] CSI 연구실, CIKM 2024 논문 2편 게재 승인 CSI (Computer Systems and Intelligence) 연구실의 (지도교수: 김유성) 논문 2편이 인공지능 분야의 Top-tier 국제학술대회인 CIKM (Conference on Information and Knowledge Management) 2024에 게재 승인되었습니다. 논문1 : Novelty-aware Graph Traversal and Expansion for Hierarchical Reinforcement Learning 은 박사과정 박종찬, 오승준군이 공동 제1저자로 참여하였습니다. 이 논문은 복잡하고 장기적인 목표를 가진 환경에서 행동 정책을 학습하는 어려움을 극복하기 위해 Novelty-aware Graph Traversal and Expansion (NGTE) 이라는 새로운 방법을 제안합니다. 기존의 그래프 기반 계층형 강화학습 방법은 비효율적인 하위 목표를 생성하는 문제를 가지고 있었으나, NGTE는 그래프 경계에서 최적의 노드를 하위 목표로 선택하고, 이 목표에 도달한 후 탐험 단계로 전환하여 그래프에 포함되지 못한 새로운 노드를 탐색합니다. NGTE는 노드간 거리를 예측하는 Distance Critic과 새로운 노드를 탐색하는 Novelty Critic을 사용하여 최적의 하위 목표 선택 및 신속한 그래프 확장을 가능하게 합니다. 네 발 로봇 내비게이션과 로봇 팔 조작과 같은 복잡한 환경에서 기존 방법들보다 우수한 성능을 보였으며, 특히 시작과 목표가 고정되어 환경 탐색이 중요한 환경에서 탁월한 성능을 발휘하였습니다. 논문2 : Self-supervised One-Stage Learning for RF-based Multi-Person Pose Estimation 은 석사과정 졸업생 신승환군이 저자로 참여하였습니다. 이 논문은 여러 사람이 있는 환경에서 무선 주파수(RF) 신호를 기반으로 비가시 영역의 위치한 다중 사람들의 자세를 추정하는 새로운 방법을 제안합니다. 기존의 RF 기반 방식은 복잡한 전처리 과정이나 깊은 신경망을 통해 신호를 임베딩했지만, 제안된 방법은 복수의 안테나로 수신된 RF 신호를 서브 그룹으로 나누고, 각 그룹을 공유된 단층 CNN 만으로 임베딩 후, 그룹들간 멀티 헤드 어텐션을 적용하여 보다 가볍고 효율적으로 설계될 수 있음을 보였습니다. 또한, 새로운 자가 지도 학습(Self-Supervised Learning) 방법을 제안하여 마스킹된 서브 그룹 단위 잠재 표현을 예측하여 자세 추정 성능을 더욱 향상시켰습니다. 실험 결과, 제안된 모델은 기존의 방법보다 학습 파라미터개수를 2% 만을 사용하면서 PCKh@0.5 정확도를 최대 15% 향상시켰으며, 특히 학습때 경험하지 않은 새로운 위치나 장애물 놓인 환경에서 더욱 뛰어난 성능을 발휘했습니다. CSI Lab. (지도교수 김유성 yskim525@skku.edu) | https://csi-skku.github.io
-
- 작성일 2024-07-17
- 조회수 1123
-
- [연구] 소프트웨어학과 이지형 교수, 대학ICT연구센터사업 선정
- 소프트웨어융합대학 이지형 교수, 대학ICT연구센터사업 선정 - 인공지능(AI) 분야에 이지형 교수 선정
-
- 작성일 2024-07-12
- 조회수 515
-
- [연구] [이지형 교수] 정보 및 시스템 연구실, ECCV 2024 논문 2편 게재 승인
- 정보 및 지능 시스템 연구실(지도교수:이지형)의 논문 2편이 컴퓨터 비전 및 인공지능 분야의 최우수 국제 학술대회인 European Conference on Computer Vision (ECCV) 2024에 게재 승인되었습니다. 논문 #1 : "ExMatch: Self-guided Exploitation for Semi-Supervised Learning with Scarce Labeled Samples" (전자전기컴퓨터공학과 박사 김누리, 인공지능학과 석박통합과정 이진섭) "ExMatch: Self-guided Exploitation for Semi-Supervised Learning with Scarce Labeled Samples " 논문에서는 레이블 데이터의 수가 매우 희소할 때 발생하는 준지도 학습(Semi-supervised Learning)의 성능 저하를 막기 위한 방법을 제안합니다. 준지도 학습은 소수의 레이블 데이터와 다수의 언레이블 데이터를 함께 사용하여 학습을 수행하는 방법입니다. 하지만 레이블 데이터가 희소해지면, 준지도 모델은 레이블 데이터로부터 얻을 수 있는 정보가 감소하기 때문에 언레이블 데이터를 잘못된 레이블로 활용할 가능성이 높아집니다. 이를 해결하기 위해 본 논문에서는 자기지도 모델을 사용하여 데이터의 분포 정보를 얻고, 이를 기반으로 신뢰할 수 있는 언레이블 데이터를 선별하여 추가적으로 학습하는 새로운 방법을 제안합니다. 제안 방법은 클래스별 레이블 데이터가 매우 희소한 상황에서 약 5%에서 21%의 높은 성능 향상을 보여줍니다. Abstract: Semi-supervised learning is a learning method that uses both labeled and unlabeled samples to improve the performance of the model while reducing labeling costs. When there were tens to hundreds of labeled samples, semi-supervised learning methods showed good performance, but most of them showed poor performance when only a small number of labeled samples were given. In this paper, we focus on challenging label-scarce environments, where there are only a few labeled samples per class. Our proposed model, ExMatch, is designed to obtain reliable information from unlabeled samples using self-supervised models and utilize it for semi-supervised learning. In the training process, ExMatch guides the model to maintain an appropriate distribution and resist learning from incorrect pseudo-labels based on the information from self-supervised models and its own model. ExMatch shows very stable training progress and the state-of-the-art performances on multiple benchmark datasets. In extremely label-scare situations, performances are improved by about 5% to 21% for CIFAR-10/100 and SVHN. ExMatch also demonstrates significant performance improvements in high-resolution and large-scale dataset such as STL-10, Tiny-ImageNet, and ImageNet. 논문 #2 : "IGNORE: Information Gap-based False Negative Rejection for Single Positive Multi-Label Learning" (인공지능학과 석사 송경렬, 전자전기컴퓨터공학과 박사 김누리, 인공지능학과 석박통합과정 이진섭) " IGNORE: Information Gap-based False Negative Rejection for Single Positive Multi-Label Learning " 논문에서는 이미지당 하나의 긍정 레이블만 주어진 환경에서의 다중 레이블 분류(Single Positive Multi-Label Learning, SPML)를 위한 학습 방법을 제안합니다. 대부분의 기존 방법들은 주석되지 않은 레이블 (unannotated label)을 부정 레이블 (negative label)로 가정하는데, 이 과정에서 일부 긍정 레이블을 부정 레이블로 잘못 간주합니다. 즉, 이러한 가정에서는 거짓 부정(False Negative) 레이블들이 발생하여 다중 레이블 분류 모델의 학습을 방해하고 모델 일반화 성능을 저하하는 문제가 있습니다. 이러한 거짓 부정 레이블들을 학습에서 제외시키기 위해, 본 논문에서는 로짓 (logit) 차이를 기반으로 한 거짓 부정 레이블 거부 방법을 제안합니다. 제안된 방법은 주어진 단일 긍정 라벨의 판별 영역을 제외한 모든 부분이 제거된 마스크 이미지를 생성합니다. 마스크 이미지에 객체 정보가 없을 때, 해당 객체에 대한 모델의 로짓이 낮다는 점을 이용하여, 마스크 이미지와 원본 이미지 사이에 모델의 로짓 차이가 큰 경우 거짓 부정 라벨로 식별합니다. 즉, 이미지 변형을 통해 이미지 수준에서의 정보 차이를 발생시키고, 이에 따른 모델 출력 차이를 거짓 부정 식별의 기준으로 삼습니다. 제안 방법은 Pascal VOC 2012, MS COCO, NUSWIDE, CUB과 같은 다양한 다중 레이블 데이터셋에서 우수한 성능을 달성하였습니다. Abstract: Single Positive Multi-Label Learning (SPML) is a learning environment for multi-label classification task, in which each image is assigned only one positive label while the other labels remain unannotated. Most approaches for SPML assume unannotated labels as negatives (“Assumed Negative", AN). However, with this assumption, some positive labels are inevitably regarded as negative (false negative), resulting in model performance degradation. Therefore, identifying false negatives is the most important with AN assumption. Previous approaches identified false negative labels using the model outputs of assumed negative labels. However, models were trained with noisy negative labels, their outputs were not reliable. Therefore, it is necessary to consider effectively utilizing the most reliable information in SPML for identifying false negative labels. In this paper, we propose an Information Gap-based false Negative lOss REjection (IGNORE) method for SPML. We generate the masked image that all parts are removed except for the discriminative area of the single positive label. It is reasonable that when there is no information of an object in the masked image, the model’s logit for that object is low. Based on this intuition, we identify the false negative labels if they have a significant model’s logit gap between the masked image and the original image. Also, by rejecting false negatives in the model training, we can prevent the model from being biased to false negative labels, and build more reliable models. We evaluate our method on four datasets: Pascal VOC 2012, MS COCO, NUSWIDE, and CUB. Compared to previous state-of-the-art methods in SPML, our method outperforms them on most of the datasets.
-
- 작성일 2024-07-09
- 조회수 1271
-
- [연구] [이호준 교수] 시스템보안연구실, ACM CCS 2024 학술대회 논문 게재 승인
- 시스템보안 연구실 (지도교수 이호준, https://sslab.skku.edu)의 임하정(박사과정), 김재윤(석박통합과정) 학생 참여 논문 "uMMU: Securing Data Confidentiality with Unobservable Memory Subsystem"이 논문이 보안분야 4대 학회 중 하나인 ACM CCS 2024에 게재 승인되어 10월에 발표될 예정입니다. 다음은 논문의 개요입니다: 현대 컴퓨팅 시스템의 메모리 계층 구조는 여러 종류의 보안 위협에 노출되어 있어 데이터 기밀성 보장이 계속해서 어려움을 겪고 있습니다. 공격자들은 다양한 강력한 공격 기법을 통해 중요 데이터를 직간접적으로 유출해왔으며, 새로운 공격들이 지속적으로 발견되고 있습니다. 안전하지 않은 언어로 작성된 프로그램에서의 메모리 안전 (Memory Safety)는 달성하기가 매우 어려워 공격으로 인한 비정상적인 메모리 접근이 직접적인 공격 경로로 사용되고 있습니다. HeartBleed와 같은 보안 사고가 이러한 공격의 대표적인 예시입니다. 최근에는 마이크로아키텍처 부채널 공격이 일반 프로그램뿐만 아니라 TEE(Trusted Execution Environment) 같은 기술로 보호된 프로그램의 데이터조차 유출 가능함을 증명하고 있습니다. 이 논문에서는 uMMU라는 새로운 프로세스 내 데이터 보호를 위한 메모리 서브시스템을 제시합니다. uMMU는 프로세서 레지스터를 관측할 수 없는 저장소로 사용하는 기법을 메모리 암호화 및 Oblivious RAM과 같은 데이터 기밀 보호 기술과 유기적으로 통합합니다. uMMU는 프로세서 아키텍처의 확장 레지스터(예: Intel x86의 AVX512)를 관측할 수 없고 주소 지정 가능한 물리 메모리로 추상화합니다. 가상 메모리 원칙을 완성하는 것은 암호화 또는 ORAM과 같은 메모리 기밀성 정책이 적용된 안전한 스왑 공간을 유지하는 메모리 관리입니다. uMMU는 민감한 데이터에 대한 데이터 기밀성 정책을 호스팅할 수 있는 범용적이고 강력한 데이터 보안 프레임워크입니다. 실험 결과에 따르면, uMMU는 민감한 데이터 보호를 위한 암호화 및 ORAM 스킴을 사용한 프로그램의 성능을 크게 향상시킵니다. MbedTLS의 민감 데이터 암호화 기반 보호에서 평균 69.93%의 성능 향상, 그리고 Memcached의 해시 테이블에서의 액세스 패턴을 숨기는 ORAM 기반 보호에서 497.84%의 성능 향상을 보였습니다. 영문 Abstract: Ensuring data confidentiality in a computing system's memory hierarchy proved to be a formidable challenge with the large attack surface. Diverse and powerful attacks threaten data confidentiality. Memory safety is notoriously hard to achieve with unsafe languages, thereby empowering adversaries with unauthorized memory accesses, as represented by the HeartBleed incident. More recently, microarchitectural side channel attacks reign as a prevalent threat against data confidentiality that affects program execution including the safeguarded ones inside TEEs. In this paper, we introduce an in-process memory subsystem called uMMU. uMMU coherently consolidates the notion of employing processor registers as unobservable storage with data confidentiality protection techniques such as memory encryption and Oblivious RAM. uMMU creates a new address space called uVirtual address space that is unobservable to adversaries. Under the abstraction created by uMMU, the processor's spacious extended registers, such as Intel x86's AVX512, are transformed into unobservable and addressable physical memory backing. Completing the principles of virtual memory abstraction is the memory management that maintains a secure swap space applied with memory confidentiality policies such as encryption or ORAM. uMMU is a versatile and powerful framework that can host data confidentiality policies on sensitive data. Our real-world evaluation indicates that uMMU significantly improves the performance of programs with encryption and ORAM schemes for sensitive data protection: an average of 69.93% improvement in encryption-based protection of sensitive data in MbedTLS, and 497.84% for ORAM-based elimination of access patterns on Memcached's hashtable.
-
- 작성일 2024-07-08
- 조회수 1100
-
- [연구] [김유성 교수] CSI 연구실, 임정기 석사과정 ECCV 2024 논문 게재 승인
- CSI 연구실의 (지도교수: 김유성) 논문이 컴퓨터 비전 및 인공지능 분야의 Top-tier 학술대회인 European Conference on Computer Vision (ECCV) 2024에 게재 승인되었습니다. 논문 "Cross-Domain Semantic Segmentation on Inconsistent Taxonomy using Vision Language Models" 은 석사과정 임정기군이 저자로 참여했습니다. 비지도 도메인 적응은 (Unsupervised Domain Adaptation, UDA) 정답 레이블과 함께 주어진 소스 도메인 (예: 가상 주행 데이터) 에서 학습 후 레이블이 없는 타겟 도메인으로 (예: 실제 주행 데이터) 적응할 수 있습니다. 특히 픽셀 단위 (예: semantic segmentation) 라벨링을 수작업으로 하는데는 비용이 큰 만큼 UDA 는 매우 중요합니다. 기존의 UDA 연구는 일관된 클래스 체계를 전제로 하였으나, 실제 상황에서는 소스와 타겟 도메인 간에 클래스 차이가 존재할 수 있습니다. 이 논문에서는 비전 언어 모델 (VLMs)을 활용하여 클래스 체계가 불일치하는 상황에서도 효과적으로 도메인 적응을 수행하는 방법을 소개합니다. 제안된 방법은 기존 UDA 방법의 세그먼트 추론과 VLMs의 풍부한 의미적 지식을 결합하여 타겟 도메인의 클래스에 맞게 재라벨링합니다. 이로 인해 소스 도메인에서 존재하지 않는 클래스를 포함한 타겟 도메인으로 비지도 적응이 가능해졌으며, 다양한 벤치마크에서 일관된 성능 향상을 보여줍니다. 김유성 | yskim525@skku.edu | CSI Lab. | https://csi-skku.github.io
-
- 작성일 2024-07-04
- 조회수 1105
-
- [연구] [이진규 교수] 실시간 컴퓨팅 연구실 RTCL@SKKU, ACM/IEEE DAC 2024, IEEE RTAS 2024 논문 발표
- 실시간 컴퓨팅 연구실(지도교수: 이진규)에서 작성한 논문이 ACM/IEEE DAC 2024 (the 61th Design Automation Conference)와 IEEE RTAS 2024 (30th IEEE Real-Time and Embedded Technology and Applications Symposium)에 발표되었습니다. ACM/DAC은 Design Automation 분야의 Top1 국제 학술대회(정보과학회 최우수 등급, BK21+ IF3)이고 올해는 미국 샌프란시스코에서 2024년 6월 23일~27일 개최되었며, IEEE RTAS는 실시간 시스템 분야의 Top2 국제 학술대회(정보과학회 최우수 등급, BK21+ IF2)이며 올해는 홍콩에서 2024년 5월 13일~16일 총 29편의 논문이 발표되었습니다. ACM/IEEE DAC 2024 논문은 MCU등 소형 IoT 기기에서 인공지능 응용 작업 실행에 대한 실시간성 보장을 다루고 있으며, 실시간 컴퓨팅 연구실 석사과정 강석민 학생(제1저자), 박사과정 이성태 학생(공동제1저자), 학부과정 구현우 학생이 이진규 교수의 지도하에 참여하였고, DGIST 좌훈승 교수와의 공동연구로 진행되었습니다. IEEE RTAS 2024 논문은 메모리 부족 환경에서의 인공지능 응용 작업의 실행에 대한 실시간성 보장을 다루고 있으며, DGIST 좌훈승 교수 연구팀 주도하에 이진규 교수가 참여하였습니다. ACM/IEEE DAC 2024 홈페이지 https://www.dac.com/ IEEE RTAS 2024 홈페이지 https://2024.rtas.org/ 실시간 컴퓨팅 연구실 홈페이지 https://rtclskku.github.io/website/ - 논문제목: RT-MDM: Real-Time Scheduling Framework for Multi-DNN on MCU Using External Memory - Abstract: As the application scope of DNNs executed on microcontroller units (MCUs) extends to time-critical systems, it becomes important to ensure timing guarantees for increasing demand of DNN inferences. To this end, this paper proposes RT-MDM, the first Real-Time scheduling framework for Multiple DNN tasks executed on an MCU using external memory. Identifying execution-order dependencies among segmented DNN models and memory requirements for parallel execution subject to the dependencies, we propose (i) a segment-group-based memory management policy that achieves isolated memory usage within a segment group and sharded memory usage across different segment groups, and (ii) an intra-task scheduler specialized for the proposed policy. Implementing RT-MDM on an actual system and optimizing its parameters for DNN segmentation and segment-group mapping, we demonstrate the effectiveness of RT-MDM in accommodating more DNN tasks while providing their timing guarantees. - 논문제목: RT-Swap: Addressing GPU Memory Bottlenecks for Real-Time Multi-DNN Inference - Abstract: The increasing complexity and memory demands of Deep Neural Networks (DNNs) for real-time systems pose new significant challenges, one of which is the GPU memory capacity bottleneck, where the limited physical memory inside GPUs impedes the deployment of sophisticated DNN models. This paper presents, to the best of our knowledge, the first study of addressing the GPU memory bottleneck issues, while simultaneously ensuring the timely inference of multiple DNN tasks. We propose RT-Swap, a real-time memory management framework, that enables transparent and efficient swap scheduling of memory objects, employing the relatively larger CPU memory to extend the available GPU memory capacity, without compromising timing guarantees. We have implemented RT-Swap on top of representative machine-learning frameworks, demonstrating its effectiveness in making significantly more DNN task sets schedulable at least 72% over existing approaches even when the task sets demand up to 96.2% more memory than the GPU’s physical capacity. 이진규 | jinkyu.lee@skku.edu | 실시간컴퓨팅 Lab. | https://rtclskku.github.io/website/
-
- 작성일 2024-06-28
- 조회수 1135