-
- [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 253
-
- [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 2026-10-12
- 조회수 523
-
- [연구] [구형준 교수] SecAI 연구실, Annual Computer Security Applications Conference 2026 (ACSAC '26) 논문 게재 승인
- [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 2026-10-02
- 조회수 1089
-
- [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 2026-09-18
- 조회수 2001
-
- [교수동정] 2026 SKKU Rising-Fellowship 교수 12명 선정
- 우리 대학은 올해 두 번째 해를 맞이하는‘2026 SKKU Rising-Fellowship’ 교수로 유학대학 안승우 교수, 문과대학 김민철 교수, 사회과학대학 박태영 교수, 경영대학 채인영 교수, 자연과학대학 이경하 교수, 정보통신대학 김정래, 유재영 교수, 소프트웨어융합대학 허재필, 아에스아부하메드타메르 교수, 생명공학대학 발라찬드란마나발란 교수, 성균융합원 우충완 교수, 성균나노과학기술원 강보석 교수 총 12명을 선정했다. SKKU Rising-Fellowship은 2025학년도에 신설되었으며, 본교 신진· 중견 전임교원 중 해당 학문 분야에서 국내 최고 수준 또는 세계적 표준에 이미 안착하였거나 연구업적이 탁월하여 향후 세계적 수준의 연구자로 발전 가능성이 높은 최우수 교원께 수여되는 명예이자 특별연구 지원 제도이다. 2026 SKKU Rising-Fellowship은 연구 성과의 학문적․질적 우수성과 글로벌 연구 영향력을 종합적으로 고려하여 선정위원회의 엄정한 심사를 거쳐 최종 수상자를 선정하였다. 시상식은 9월 3일(목)에 진행되었으며, 유지범 총장 및 학교법인 관계자, 교내 주요 보직교수가 참석하여 수상자를 축하하고 격려의 메시지를 전했다. 수상 교원들은 한목소리로 “연구자로서 한 단계 더 도약하고 연구 방향을 확립해 나가는 시기에 대학의 이번 선정이 매우 뜻깊은 확신과 동기부여가 되었다”며 “본교의 학문적 성장에 기여할 수 있도록 연구와 후학 양성에 더욱 정진하겠다”고 소감을 밝혔다. ▲(왼쪽부터) 경영대학 채인영 교수, 성균융합원 우충완 교수 특히 경영대학 채인영 교수는 “앞으로 연구 생활을 어떻게 펼쳐 나가야 할지 고민이 많았던 시기에 큰 동기부여가 되었다. 다음에도 다시 도전할 수 있도록 더욱 연구에 매진하고 학생들과도 함께 이 영광과 기회를 나눌 수 있도록 노력하겠다”고 전했다. 성균융합원 우충완 교수는 “지난 10년 동안 마음 놓고 신나게 연구할 수 있는 환경을 마련해 준 대학에 감사드리며, 이번 수상은 개인 혼자만의 성취가 아닌 함께 연구해 온 뇌과학 연구 공동체 모두의 성취라고 생각한다. 앞으로 학과와 연구 공동체 발전에 기여하고 리더십 역할을 다하도록 노력하겠다”고 포부를 밝혔다. 유지범 총장은 “본교가 세계적인 평가에서 우수한 성과를 거둘 수 있었던 바탕에는 연구의 지평을 넓혀온 교수님들의 헌신적인 노력이 있었다며, 연구 생산성의 정체를 창의성과 융합 연구를 통해 극복해 낸 중견 연구자분들이 향후 ‘SKKU-Fellowship’, ‘세계 최상위 연구자’로 성장할 수 있도록 다각적인 지원을 아끼지 않겠다.”고 강조했다. 출처 : 에스프레스(S-PRESS)(https://www.spressnews.com)
-
- 작성일 2026-09-15
- 조회수 480
-
-
-
- [일반] 성균관대학교, 육군 제51보병사단과 국방 AI 대전환 이끌 인재 양성 나선다
- 성균관대학교, 육군 제51보병사단과 국방 AI 대전환 이끌 인재 양성 나선다 - 피지컬 AI 및 딥페이크 특강 진행… 국방 현장에서 바로 쓰는 실무 교육 제공 - 미래 과학기술강군 육성을 위해 성균관대 AI중심대학사업단-육군 51사단 맞손 □ 성균관대학교(총장 유지범) 이은석 소프트웨어융합대학장(겸 AI중심대학사업단장)은 지난 10일, 경기 화성시에 위치한 육군 제51보병사단(전승부대) 장교 및 관계자들을 대상으로 AI 디지털 신기술 특강과 피지컬 AI 견학 프로그램을 성공적으로 개최했다고 밝혔다. 이번 행사는 군 장병들의 인공지능(AI) 역량을 강화하고, 국방 현장에서 즉각적으로 활용할 수 있는 실무형 인재를 기르기 위해 마련되었다. □ 성균관대 자연과학캠퍼스 삼성학술정보관에 위치한 '솦ː콤'에서 진행된 이날 프로그램에는 육군 제51보병사단 장교 26명을 비롯해 한국IT서비스산업협회(ITSA), 성균관대 AI중심대학사업단 및 정보통신팀 등 총 50여 명의 관계자가 참석했다. 행사는 환영사를 시작으로 성균관대의 AI 교육지원 프로그램 소개, 최고급 신진 연구자들이 참여하는 ‘AI 스타 펠로우십’ 특강, 그리고 첨단 교육 공간인 '솦ː콤'과 슈퍼컴퓨팅센터(S-Center) 체험 순으로 이어졌다. □ 이날 특강에서는 청소년과 일반인도 쉽게 이해할 수 있는 최신 AI 기술들이 소개되어 큰 호응을 얻었다. 우홍욱 교수는 현실 세계와 인공지능이 결합하는 '피지컬 AI' 기술을 설명하였으며, 우사이먼 교수는 최근 사회적 화두인 '딥페이크' 기술의 원리와 국방 안보 차원에서의 대응 방안을 다루어 군 관계자들의 눈길을 끌었다. □ 이은석 성균관대 소프트웨어융합대학장은 환영사를 통해 “전승부대 51사단 장병들이 미래 과학기술강군을 선도할 전문 인력이자 디지털 산업의 핵심 인재로 성장하기를 기대한다”며 “성균관대학교는 AI중심대학사업을 기반으로 국방부, 정보통신기획평가원(IITP), 한국IT서비스산업협회와 긴밀히 협력해 국방 디지털 인재 양성에 지속적으로 기여하겠다”고 밝혔다. □ 이어 이 학장은 “오늘날 전쟁은 정보를 얼마나 신속하게 수집하고 분석하느냐에 따라 승패가 갈리는 만큼, AI와 데이터 기술을 활용한 ‘국방 AX(AI 대전환)’로의 변화가 매우 빠르다”고 강조했다. 또한 “단순히 컴퓨터 프로그램이나 생성형 AI를 다루는 수준을 넘어, 실제 군 정보화 시스템을 깊이 이해하고 현장에서 무기 및 행정에 적용할 수 있는 실무 인재를 키워내기 위해 지원을 아끼지 않겠다”고 덧붙였다. □ 현재 성균관대학교 AI중심대학사업단은 과학기술정보통신부와 정보통신기획평가원의 지원 속에서 육군 제51사단 내에 설치된 'AI 교육·연구센터'를 활용하고 있다. 대학 측은 스마트 국방혁신 흐름에 발맞추어 장병 대상 AI 교육, 학습 지원, 팀 프로젝트 및 동아리 활동 지원 등 다채로운 성과확산 프로그램을 단계적으로 확장해 나갈 계획이다. ▲2026년 육군 제 51사단 군-학 연계 AI 프로그램 단체 사진 ▲성균관대 슈퍼컴퓨팅센터 현장 견학 사진
-
- 작성일 2026-07-15
- 조회수 2763
-
- [교수동정] 성균관대 연구진, 대학생 인터넷 게임장애 해결할 ‘마음챙김 인지치료’ 효과 세계 최초 입증
- ▲ (왼쪽부터) 성균관대 윤성민 교수, 김민아 교수, 오하영 교수, 박예휘 박사과정 학생 본교 윤성민 교수 연구팀이 대학생들의 인터넷 게임 인터넷 게임장애를 해결하기 위한 ‘마음챙김 기반 인지치료(MBCT-G)’ 프로그램을 개발하고, 이에 대한 치유 효과를 세계 최초로 입증했다. 이번 연구는 최근 젊은 층 사이에서 심각한 사회적 문제로 떠오른 게임장애를 심리적 개입방법을 통해 완화할 수 있도록 돕는 새로운 치료적 대안을 제시했다는 점에서 전 세계 학계의 큰 주목을 받고 있다. 인터넷 게임 장애는 일상생활에 심각한 지장을 줄 정도로 게임에 과도하게 몰입하는 상태를 말한다. 특히 부모의 감시에서 벗어나 독립적인 생활을 시작하는 대학생 시기에 학업이나 진로 스트레스를 해소하기 위해 게임에 빠져드는 경우가 많다. 윤성민 교수 연구팀은 이러한 문제를 해결하기 위해 기존의 우울증 치료에 활용되던 ‘마음챙김 인지치료’를 게임장애 특성에 맞추어 새롭게 수정·보완하였다. 이 프로그램은 대학생들이 게임을 하고 싶은 강한 충동이 일어날 때, 자신의 감정과 생각을 객관적으로 바라보며 차분하게 마음을 가라앉히는 마음챙김 명상 훈련과 생각의 틀을 바꾸는 인지치료로 구성되어 있다. 연구팀은 게임장애 위험이 높은 대학생 46명을 대상으로 실험을 진행하였다. 프로그램에 참여한 학생들은 8주 동안 매주 명상과 함께 게임 외에 일상에서 즐거움을 찾을 수 있는 신체 활동 등의 대안 활동 계획을 세우고 실천했다. 그 결과, 프로그램을 마친 학생들은 게임 중독 증상이 매우 큰 폭으로 줄어들었으며, 스트레스와 불안감 또한 함께 감소한 것으로 나타났다. 무엇보다 가장 중요한 성과는 학생들이 게임 유혹을 스스로 이겨낼 수 있는 ‘자기통제력’이 눈에 띄게 좋아졌다는 점이다. 이 효과는 프로그램이 끝난 후 한 달이 지난 뒤에도 유지되어 치료의 지속성까지 증명되었다. 성균관대 윤성민 교수는 “이번 연구는 대학생이나 청소년들이 학업 스트레스로 인해 충동적으로 게임에 몰두하는 악순환을 스스로 끊어낼 수 있도록 돕는 근거기반 심리개입 방법이 될 수 있을 것”이라며 “학교 상담센터 등에 이 프로그램을 널리 보급한다면 청소년과 대학생들의 정신 건강과 올바른 일상 회복에 큰 도움이 될 것으로 기대한다”고 연구의 의의를 밝혔다. 한편, 이번 연구는 문화체육관광부와 한국콘텐츠진흥원의 게임 기반 디지털 치료제 기술 개발 연구비 지원을 받아 수행되었다. ▲ 본 연구 관련 협약 체결 (왼쪽부터) 옥스퍼드 대학교 윌렘 카이큰(Willem Kuyken) 수, 윤성민 교수, 오하영 교수 ※ 논문명: A Pilot Study of a Mindfulness-Based Cognitive Therapy for Internet Gaming Disorder Among College-Aged Students in South Korea ※ 학술지: Mindfulness ※ 논문링크: https://doi.org/10.1007/s12671-026-02855-1 출처 : 에스프레스(S-PRESS)(https://www.spressnews.com)
-
- 작성일 2026-07-14
- 조회수 2472
-
- [교수동정] 홍성은 교수 연구팀, AI 모델들의 시너지 극대화하는 'SyMerge' 기술 개발... "핵심 레이어 하나만 바꾸면 끝"
- -인공지능 결합 시 고질적 문제였던 '서로 방해하는 현상' 해결 -이미지 인식부터 자연어 처리까지 세계 최고 수준 성능 달성하며 학계 주목 본교 소프트웨어융합대학의 홍성은 교수 연구팀이 네이버 AI Lab과의 공동 연구를 통해 독립적으로 학습된 여러 인공지능(AI) 모델들을 하나로 합칠 때 서로 능력을 주고받으며 성능을 끌어올리는 혁신적인 결합 프레임워크 ‘SyMerge(시머지)’ 기술을 개발했다. ▲ (왼쪽부터) 홍성은 교수, 정애천, 이승환 연구원, 네이버 AI Lab 한동윤 박사 기존의 인공지능 모델 결합 기술은 여러 가지 작업을 동시에 수행하는 인공지능을 만들 때 기술적인 한계에 부딪혔다. 서로 다른 지식을 가진 모델들을 무작정 합치면 지식들이 충돌하여 오히려 원래보다 성능이 크게 떨어지는 ‘작업 간 간섭(Task Interference)’ 현상이 발생했기 때문이다. 지금까지 학계에서는 이 충돌을 줄이고 방해하지 않도록 하는 데만 집중해 왔다. 본교 연구팀은 관점을 완전히 바꿔 단순히 방해를 피하는 것을 넘어, 모델들이 서로 적극적으로 도움을 주는 ‘시너지 효과’에 주목했다. 연구팀은 AI 모델 내부의 수많은 계층(레이어) 중 단 한 개의 특정 레이어(Task-specific layer)만을 똑똑하게 조율하고 결합 비율을 최적화하면 모델 간의 호환성이 극대화된다는 사실을 최초로 밝혀냈다. 특히 이번에 개발된 ‘SyMerge’ 기술은 정답지가 없는 새로운 데이터를 만났을 때도 모델 스스로 전문가 역할을 하는 기존 모델들의 예측 능력을 참고해 학습하는 ‘전문가 가이드 셀프 라벨링’ 방식을 도입했다. 이를 통해 데이터가 오염되거나 변형된 악조건 속에서도 인공지능이 길을 잃지 않고 안정적으로 높은 성능을 유지할 수 있도록 만들었다. 나아가 그동안의 결합 기술들이 완전히 같은 사전학습된 모델(pre-trained model)에서 태어난 인공지능에만 적용 가능했던 것과 달리, 사전학습모델이 전혀 달라 합치기 불가능하다고 여겨졌던 모델들까지 성공적으로 융합해 내는 놀라운 성과를 거두었다. 연구팀의 실험 결과, ‘SyMerge’ 기술은 이미지 분류, 컴퓨터 비전 기반의 영상 정밀 분석(Dense Prediction), 그리고 인간의 언어를 이해하는 자연어 처리(NLP) 등 인공지능 핵심 3대 분야 전반에서 세계 최고 수준(State-of-the-Art)의 성능을 기록하며 기술의 범용성과 압도적인 우수성을 입증했다. 홍성은 교수는 “이번 연구는 인공지능 모델 결합의 목표를 ‘충돌 방지’에서 ‘상호 시너지 창출’로 패러다임을 바꾼 중요한 이정표”라며 “막대한 비용이 드는 AI 재학습 과정을 획기적으로 줄여, 향후 가벼우면서도 다재다능한 멀티태스킹 AI를 효율적으로 구축하는 데 큰 기여를 할 것”이라고 연구의 의의를 밝혔다. 이번 연구 성과는 세계 최고 권위의 인공지능 및 머신러닝 국제학술대회인 ‘국제 머신러닝 학회(ICML, International Conference on Machine Learning) 2026’에 채택 및 발표되어 전 세계 연구자들의 뜨거운 관심을 받고 있다. ※ 논문명: SyMerge: From Non-Interference to Synergistic Merging via Single-Layer Adaptation ※ 학술지: Proceedings of the 43rd International Conference on Machine Learning (ICML 2026) ※ 논문링크: https://aim-skku.github.io/SyMerge ▲ 홍성은 교수 연구팀이 개발한 AI 모델 결합 기술(SyMerge)의 원리 및 효과(왼쪽) AI 지식 결합 및 호환성 측정 과정, (오른쪽) 핵심 레이어 하나만 바꾼 효과 출처 : 에스프레스(S-PRESS)(https://www.spressnews.com)
-
- 작성일 2026-07-14
- 조회수 2817
High Tech, High Touch