Loading the company…
Loading the company…
㈜시큐레이어
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-11 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Seoul, founded in 2012. Industry: Software & IT Services. Revenue for 2025 was ₩24.1bn. It has 131 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-03-03 · latest registration 2026-09-15 · newest first
도구 증강 대규모언어모델을 기반으로 컨텍스트를 최적화하는 방법에 있어서, (a) 컴퓨팅 장치는, 사용자 질의 및 복수의 외부 도구 목록을 수신한 후, 상기 사용자 질의 및 상기 복수의 외부 도구 목록을 사고 모델에 입력하여 상기 사고 모델로 하여금 사고 과정 블록을 생성하도록 하는 서브 프로세스를 수행하고, 리랭커(Reranker) 모델로 하여금 상기 사고 과정 블록을 복수의 청크(Chunk) 각각으로 분할하며, 복수의 청크 각각 및 상기 복수의 청크 각각에 대응되는 적어도 하나의 특정 도구 간의 관련도 각각을 산출하도록 하는 서브 프로세스를 수행하고, 교사 모델로 하여금 상기 관련도 각각 중 기설정된 제1 임계치 이상인 제1 도구 호출 관련도에 대응되는 적어도 하나의 상위 청크에 대하여 적어도 하나의 교사 요약 데이터를 생성하도록 하며 이를 참조로 하여 교사 정제 컨텍스트를 생성하도록 하는 서브 프로세스를 수행하는 단계; 및 (b) 상기 컴퓨팅 장치는, 텍스트 요약 태스크를 수행하기 위한 학생 모델에 상기 사고 과정 블록 중 적어도 일부를 입력하며 상기 학생 모델로 하여금 학생 정제 컨텍스트를 생성하도록 하는 서브 프로세스를 수행하고, 상기 교사 정제 컨텍스트 중 적어도 일부와 상기 학생 정제 컨텍스트 중 적어도 일부의 차이를 참조로 하는 표준 지도 학습 손실을 산출하는 서브 프로세스를 수행하며,...(이하생략)
본 발명에 따르면, 보안 이벤트의 대응을 자동화하도록 학습하는 방법에 있어서, (a) 적어도 하나의 보안 관제용 자산 중 적어도 일부로부터 학습용 제t 운영 상태 정보 및 학습용 제t 보안 상태 정보를 포함하는 학습용 제t 맥락 정보가 획득되면, 컴퓨팅 장치가, 상기 학습용 제t 맥락 정보를 참조하여 학습용 제t 운영 비용 정보 및 학습용 제t 보안 이익 정보를 산출하며, 상기 학습용 제t 운영 비용 정보 및 상기 학습용 제t 보안 이익 정보를 참조하여 상기 보안 관제용 자산이 수행 가능한 복수의 학습용 제t 대응 행동 각각에 대한 복수의 학습용 제t 현실 보상 값 각각을 산출하는 단계; (b) 상기 컴퓨팅 장치가, 상기 학습용 제t 맥락 정보를 학습용 제t 상태 정보로서 Q-Network에 입력하여, 상기 Q-Network로 하여금 상기 학습용 제t 상태 정보에 따라 상기 보안 관제용 자산에 의해 상기 복수의 학습용 제t 대응 행동 각각이 수행될 경우에 상기 복수의 학습용 제t 대응 행동 각각에 매칭되는 복수의 학습용 제t 상태-행동 가치 함수 예측치 각각을 출력하도록 하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 복수의 학습용 제t 대응 행동 각각 중 상기 보안 관제용 자산에 의해 수행될 학습용 제t 특정 대응 행동을 결정하고, 상기 학습용 제t 특정 대응 행동에 따라 결정되는 학습용 제t ...(이하생략)
본 발명에 따르면, 특정 위협 이벤트에 대응하기 위한 특정 위협 대책 플레이북을 제공하는 방법에 있어서, (a) 사용자에 대응하는 사용자 단말로부터 특정 위협 이벤트를 탐지하기 위한 조건에 대응하는 특정 위협 탐지 룰셋(ruleset)이 입력된 것을 감지하면, 컴퓨팅 장치가, 상기 특정 위협 탐지 룰셋을 룰셋 분석 모듈에 입력함으로써, 상기 룰셋 분석 모듈로 하여금, (i) 상기 특정 위협 이벤트를 설명하기 위한 하나 이상의 요소를 포함하는 특정 위협 설명 데이터, (ii) 상기 사용자가 운용중인 시스템의 로그가 기록된 로그 데이터베이스에서 상기 특정 위협 이벤트에 해당하는 특정 위협 로그를 검색할 목적으로 결정된 하나 이상의 요소를 포함하는 특정 위협 쿼리 데이터 및 (iii) 상기 특정 위협 로그가 검색되기 위한 기준으로서 참조될 하나 이상의 요소에 대한 데이터인 특정 위협 검출 옵션 데이터 각각을 추출하도록 하고, 상기 특정 위협 설명 데이터, 상기 특정 위협 쿼리 데이터 및 상기 특정 위협 검출 옵션 데이터를 포함하는 특정 위협 탐지 룰셋 구조체를 결정하는 단계; (b) 상기 컴퓨팅 장치가, 상기 특정 위협 탐지 룰셋 구조체를 위협 탐지 모델에 입력함으로써, 상기 위협 탐지 모델로 하여금, 상기 특정 위협 설명 데이터의 요소 중 적어도 일부 각각, 상기 특정 위협 쿼리 데이터의 요소 중 적어...(이하생략)
본 발명에 따르면, 공격 관련 쿼리에 대한 응답으로서 특정 공격 분석 정보를 제공하는 방법에 있어서, (a) 복수의 참조용 공격 페이로드(payload) 각각, 복수의 참조용 공격 타입 각각, 및 복수의 보안 약점 분석 데이터 각각이 획득된 후에 상기 복수의 참조용 공격 페이로드 각각에 대응하는 상기 복수의 참조용 공격 타입 각각과 그에 대응하는 상기 복수의 참조용 보안 약점 분석 데이터 각각 중 적어도 일부를 참조로 결정된 구성요소 데이터를 포함하는 복수의 참조용 그룹핑 데이터 각각이 결정되어 참조용 데이터베이스에 기록된 상태에서, 컴퓨팅 장치가, 쿼리용 공격 페이로드, 쿼리용 공격 타입 및 쿼리용 보안 약점 중 적어도 일부를 포함하는 공격 관련 쿼리를 획득하는 단계; 및 (b) 상기 컴퓨팅 장치가, 상기 공격 관련 쿼리와 상기 복수의 참조용 그룹핑 데이터 각각 중 적어도 일부 사이의 유사도를 산출하고, 상기 공격 관련 쿼리와의 유사도를 참조로 하여 적어도 하나의 특정 참조용 그룹핑 데이터를 결정하며, 상기 특정 참조용 그룹핑 데이터를 참조로 하여 특정 공격 분석 정보를 제공하는 단계;를 포함하고, 상기 구성요소 데이터 중 상기 복수의 참조용 공격 페이로드 각각에 대응하는 일부인 복수의 제1 구성요소 데이터 각각, 상기 구성요소 데이터 중 상기 복수의 참조용 공격 타입 각각에 대응하는 일부인 복수...(이하생략)
본 발명에 따르면, 보안 이벤트 탐지 관련 정탐 여부 및 보안 이벤트 탐지 결과의 신뢰도에 기반하여 Q-Network를 통해 보안 이벤트의 대응을 자동화하기 위한 학습 방법에 있어서, (a) 학습용 보안 이벤트 발생 후보 데이터가 웹 공격 탐지 모델에 입력되어, 상기 웹 공격 탐지 모델에 의해, 제1 공격 클래스 내지 제n 공격 클래스 및 정상 클래스를 포함하는 보안 이벤트 탐지 관련 전체 클래스 중 상기 학습용 보안 이벤트 발생 후보 데이터에 해당되는 적어도 일부의 학습용 보안 이벤트 탐지 클래스와 상기 학습용 보안 이벤트 탐지 클래스에 대한 학습용 보안 이벤트 탐지 예측 확률이 출력되도록 하고, 상기 학습용 보안 이벤트 탐지 클래스 및 상기 학습용 보안 이벤트 탐지 예측 확률이 정오탐 판별 모델에 입력되어, 상기 정오탐 판별 모델에 의해, 상기 학습용 보안 이벤트 탐지 클래스가 정탐인 경우에 대한 학습용 보안 이벤트 탐지 관련 신뢰도 스코어가 출력되도록 한 상태에서, 컴퓨팅 장치가, 상기 학습용 보안 이벤트 탐지 클래스 및 상기 학습용 보안 이벤트 탐지 관련 신뢰도 스코어를 참조하여 학습용 제t 보안 이벤트 탐지 상태를 결정하는 단계; 및 (b) 상기 컴퓨팅 장치가, 상기 학습용 제t 보안 이벤트 탐지 상태를 상기 Q-Network에 입력하여, 상기 Q-Network로 하여금, 상기 학습용 제t...(이하생략)
본 발명에 따르면, AI를 이용한 보안 이벤트 탐지 결과의 신뢰도에 기반하여 보안 이벤트의 대응을 자동화하는 방법에 있어서, (a) 컴퓨팅 장치가, (i) 보안 이벤트 발생 후보 데이터를 웹 공격 탐지 모델에 입력하여, 상기 웹 공격 탐지 모델로 하여금, 제1 공격 클래스 내지 제n 공격 클래스 및 정상 클래스를 포함하는 보안 이벤트 탐지 관련 전체 클래스 중 상기 보안 이벤트 발생 후보 데이터에 해당되는 적어도 일부의 보안 이벤트 탐지 클래스를 출력하도록 하고, 상기 보안 이벤트 탐지 클래스에 대한 보안 이벤트 탐지 예측 확률을 출력하도록 하는 프로세스; 및 (ii) 상기 보안 이벤트 발생 후보 데이터를 피쳐 추출 모듈에 입력하여, 상기 피쳐 추출 모듈로 하여금, 상기 보안 이벤트 발생 후보 데이터를 참조하여 상기 보안 이벤트 탐지 관련 전체 클래스 중 적어도 일부에 대한 보안 이벤트 탐지 관련 피쳐를 출력하도록 하는 프로세스;를 수행하는 단계; (b) 상기 컴퓨팅 장치가, 상기 보안 이벤트 탐지 클래스, 상기 보안 이벤트 탐지 예측 확률 및 상기 보안 이벤트 탐지 관련 피쳐를 정오탐 판별 모델에 입력하여, 상기 정오탐 판별 모델로 하여금, 상기 보안 이벤트 탐지 클래스가 정탐인 경우에 대한 보안 이벤트 탐지 관련 신뢰도 스코어를 출력하도록 하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 보안 ...(이하생략)
공격 패턴에 대한 플레이북을 실행하는 방법에 있어서, (a) 공격 시뮬레이션 장치가, (i) 로그 생성기(Log Generator)로 하여금 제1 공격용 AI에게 공격 데이터를 요청하도록 하고, 상기 제1 공격용 AI로 하여금 학습 데이터를 기반으로 상기 공격 데이터를 추출하도록 한 후 소정의 데이터베이스를 참조로 하여 상기 공격 데이터를 사용했던 경우의 공격 이력을 확인하여 상기 공격 데이터가 사용될 경우의 공격 성공률을 예측하도록 하는 단계; 및 (b) 상기 공격 성공률이 기설정된 임계치 이하인 것으로 예측되면, 상기 공격 시뮬레이션 장치가, 제2 공격용 AI로 하여금 상기 공격 데이터에 소정의 변화 함수를 적용하여 조정 공격 데이터를 생성하도록 하고, 상기 조정 공격 데이터를 상기 로그 생성기에 제공하도록 하는 단계; 및 (c) 상기 공격 시뮬레이션 장치는, 상기 로그 생성기로 하여금 상기 조정 공격 데이터를 대응 시뮬레이션 장치로 제공하도록 하여, (i) 상기 대응 시뮬레이션 장치의 제1 대응용 AI에 의해 상기 조정 공격 데이터가 분석되도록 지원하고, (ii) 상기 조정 공격 데이터가 신규 공격 데이터인 것으로 판단되면, 상기 대응 시뮬레이션 장치의 제2 대응용 AI에 의해 공격 대응 데이터가 생성되도록 지원하며, (iii) 상기 공격 대응 데이터를 참조로 하여 플레이북이 생성되면, 상기 ...(이하생략)
본 발명의 일 태양에 따르면, XDR(Extended Detection 0026# Response)을 기반으로 위험 패턴 여부를 예측하는 방법에 있어서, (a) SIEM(Security Information and Event Management)/SOAR(Security orchestration) 서버에 의해, 보안 장비에서 발생하는 적어도 하나의 제1 로그 데이터를 수집하는 서브 프로세스 및 엔드포인트 단말에서 발생하는 적어도 하나의 제2 로그 데이터를 엔드포인트 에이전트를 통해 수집하는 서브 프로세스가 수행되면, XDR 서버는, 데이터 콜렉터로 하여금 상기 제1 로그 데이터 및 상기 제2 로그 데이터를 상기 SIEM/SOAR 서버로부터 수신하도록 하는 단계; 및 (b) 상기 XDR 서버는, 그래프 크리에이터로 하여금 상기 제1 로그 데이터 및 상기 제2 로그 데이터를 참조로 하여 상기 제1 로그 데이터 및 상기 제2 로그 데이터 사이의 관계를 규정하기 위한 특정 그래프 구조를 생성하도록 하며, GNN(Graph Neural Network) 알고리즘을 포함하는 클래시파이어로 하여금 그래프 구조 분류 모델을 통해 상기 특정 그래프 구조에 대한 위험 패턴 여부를 예측하도록 하는 단계;를 포함하는 방법이 개시된다.
본 발명에 따르면, 디지털 병리 이미지 데이터 분석을 통하여 특정 이미지 데이터의 이상 유무를 판단하여 시각적으로 제공하기 위한 방법에 있어서, (a) 디지털 병리 이미지를 분석하기 위한 복수의 종 및 상기 복수의 종별 복수의 장기 각각에 대하여 제1 이미지 데이터 내지 제n 이미지 데이터 각각에 대응되는 제1 머신러닝 모델 내지 제n 머신러닝 모델 각각이 생성된 상태에서, 서버가, 사용자 단말로 하여금, 분석을 하고자 하는 특정 이미지 데이터에 대하여 특정 식별자, 특정 종, 및 특정 장기를 입력 받도록 하고, 상기 특정 장기에 대한 이상 유무를 판단함에 있어서 사용되는 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 중 상기 특정 종 및 상기 특정 장기에 대응되는 머신러닝 모델인 제k 머신러닝 모델을 선택하도록 하는, 제1 사용자 인터페이스를 상기 사용자 단말의 화면 상에 디스플레이하도록 지원하는 단계; (b) 상기 서버는, 상기 사용자 단말로 하여금, 상기 특정 이미지 데이터를 입력 받도록 하고, 상기 특정 식별자, 상기 특정 종 및 상기 특정 장기와, 상기 특정 이미지 데이터를 연동한 특정 리스트 정보를 제2 사용자 인터페이스를 통해 상기 사용자 단말의 화면 상에 디스플레이하도록 지원하는 단계; 및 (c) 상기 제k 머신러닝 모델을 상기 특정 이미지 데이터에 적용하여, 상기 특정 이미...(이하생략)
본 발명의 일 태양에 따르면, 디지털 병리 이미지 데이터 분석을 수행하는 대상 머신러닝 모델에 대응되는 모방 머신러닝 모델을 통하여 특정 이미지 데이터의 이상 유무를 판단하고 이를 시각적으로 제공할 수 있도록 하기 위한 방법에 있어서, (a) 디지털 병리 이미지를 분석하기 위한 복수의 종 및 상기 복수의 종별 복수의 장기 각각에 대하여 제1 이미지 데이터 내지 제n 이미지 데이터 각각에 대응되는 제1 머신러닝 모델 내지 제n 머신러닝 모델 각각이 생성된 상태에서, 서버가, 사용자 단말로 하여금, 분석을 하고자 하는 특정 이미지 데이터에 대하여 특정 식별자, 특정 종, 및 특정 장기를 입력 받도록 하고, 상기 특정 장기에 대한 이상 유무를 판단함에 있어서 사용되는 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 중 제k 머신러닝 모델을 상기 특정 종 및 상기 특정 장기를 분석하기 위한 대상 머신러닝 모델로서 선택하도록 지원하는 단계; (b) 상기 서버는, 상기 제k 머신러닝 모델로 하여금 상기 특정 이미지 데이터에 러닝 연산을 적용하여 적어도 하나의 특정 대상 병변 데이터에 대한 특정 대상 병변 데이터 예측값을 출력하도록 하고, 모방 머신러닝 모델로 하여금 상기 특정 이미지 데이터에 대해 제1 퍼터베이션(perturbation) 연산 내지 제s 퍼터베이션 연산이 적용되어 획득된 제1 특정 퍼터...(이하생략)
위협 TI(Threat Intelligence) 기반 온톨로지 생성 및 시각화 방법에 있어서, (a) IP(Internet Protocol), URL(Uniform Resource Locator), 해시(hash) 중 적어도 일부를 포함하는 기존 위협 TI에 대해, 기존 위협 TI를 특정하는 값에 해당되는 기존 위협 TI 유해값, 상기 기존 위협 TI의 로그 정보인 기존 위협 로그 정보, 상기 기존 위협 로그 정보에 대응되는 기존 위협 노드 정보, 및 상기 기존 위협 로그 정보 각각의 관계를 나타내는 복수의 기존 위협 노드 간의 기존 위협 관계 정보가 위협 TI 데이터베이스에 저장된 상태에서, 컴퓨팅 장치가, 외부 보안 장비로부터 위협 TI 여부를 판단하고자 하는 대상인 검증 대상 TI의 로그 정보인 검증 대상 로그 정보를 획득하고, 상기 검증 대상 로그 정보를 참조하여 검증 대상 TI 유해값을 획득한 후, 상기 위협 TI 데이터베이스로부터 획득된 상기 기존 위협 TI 유해값과 상기 검증 대상 TI 유해값을 비교하여 상기 기존 위협 TI 중 상기 검증 대상 TI와 매칭되는 기존 매칭 TI의 존재 여부를 판단하는 단계;(b) 상기 기존 매칭 TI가 확인되면, 상기 컴퓨팅 장치가, 상기 검증 대상 TI에 대응되는 상기 검증 대상 로그 정보 및 상기 검증 대상 로그 정보에 대응되는 복수의 검증 대상 데이...(이하생략)
피싱 데이터에 대한 정규식을 통해 획득된 패턴화 데이터를 참조로 하여 Siamese Network 및 KD-Tree 알고리즘을 이용해 상기 피싱 데이터를 탐지하는 방법에 있어서, (a) 복수의 피싱 데이터 및 상기 복수의 피싱 데이터 각각에 대한 정규식 각각을 기준으로 상기 복수의 피싱 데이터 각각을 패턴화하여 복수의 패턴화 데이터 각각이 획득된 후, 상기 복수의 피싱 데이터 각각이 상기 Siamese Network의 제1 CNN 에 입력되고, 상기 복수의 패턴화 데이터 각각이 상기 Siamese Network의 제2 CNN에 입력되며, 상기 제1 CNN에 의해 제1 피쳐 각각이 출력되고 상기 제2 CNN에 의해 제2 피쳐 각각이 출력되어, 상기 제1 피쳐와 상기 제2 피쳐의 거리가 기설정된 임계치 이하가 되도록 상기 Siamese Network가 학습된 상태에서, 상기 Siamese Network 의 출력단에 KD-tree 장치가 연결되면, 상기 KD-tree 장치는, 타겟 데이터에 대한 타겟 패턴화 데이터에 대응되는 타겟 패턴화 데이터 피쳐를 KD-tree 상에 표현하는 단계; (b) 신규 데이터가 상기 Siamese Network의 상기 제1 CNN에 입력되어 신규 데이터 피쳐가 출력되면, 상기 KD-tree 장치는, 상기 신규 데이터 피쳐를 상기 KD-tree 상에 매핑하는 단계; 및 (c)...(이하생략)
본 발명에 따르면, 설명가능 인공지능(XAI)에 기반하여 이미지 데이터 마스킹 정보를 제공하기 위한 방법에 있어서, (a) 제1 머신러닝 모델 내지 제n 머신러닝 모델 각각을 검증하기 위한 제1 이미지 데이터 세트 내지 제n 이미지 데이터 세트 각각이 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 각각에 입력됨으로써 상기 제1 이미지 데이터 세트 내지 상기 제n 이미지 데이터 세트 각각에 대응되는 제1 러닝 상태 내지 제n 러닝 상태가 생성된 상태에서, 러닝 서버가, 사용자 단말로 하여금 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 각각에 대응되는 제1 머신러닝 모델 선택 UI 내지 제n 머신러닝 모델 선택 UI를 상기 사용자 단말의 화면 상의 제1 영역에 디스플레이하도록 지원하는 단계; (b) 상기 제1 머신러닝 모델 선택 UI 내지 상기 제n 머신러닝 모델 선택 UI 중, 제k 머신러닝 모델에 대응되는 제k 머신러닝 모델 선택 UI가 선택되면, 상기 러닝 서버가, 상기 사용자 단말로 하여금 상기 제k 머신러닝 모델 선택 UI에 대응하는 러닝 결과 검증 탭에서 상기 제k 머신러닝 모델에 입력된 제k 이미지 데이터 세트에 포함된 제k_1 부분 이미지 데이터 세트 내지 제k_m 부분 이미지 데이터 세트 각각에 대응되는 제k_1 부분 이미지 데이터 세트 선택 UI 내지 제k_m 부분...(이하생략)
본 발명에 따르면, 설명가능 인공지능(XAI)에 기반하여 테이블 데이터 분석 정보를 제공하기 위한 방법에 있어서, (a) 제1 머신러닝 모델 내지 제n 머신러닝 모델 각각을 검증하기 위한 제1 테이블 데이터 세트 내지 제n 테이블 데이터 세트 각각이 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 각각에 입력됨으로써 상기 제1 테이블 데이터 세트 내지 상기 제n 테이블 데이터 세트 각각에 대응되는 제1 러닝 상태 내지 제n 러닝 상태가 생성된 상태에서, 러닝 서버가, 사용자 단말로 하여금 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 각각에 대응되는 제1 머신러닝 모델 선택 UI 내지 제n 머신러닝 모델 선택 UI를 상기 사용자 단말의 화면 상의 제1 영역에 디스플레이하도록 지원하는 단계; (b) 상기 제1 머신러닝 모델 선택 UI 내지 상기 제n 머신러닝 모델 선택 UI 중, 제k 머신러닝 모델에 대응되는 제k 머신러닝 모델 선택 UI가 선택되면, 상기 러닝 서버가, 상기 사용자 단말로 하여금 상기 제k 머신러닝 모델 선택 UI에 대응하는 러닝 결과 검증 탭에서 상기 제k 머신러닝 모델에 입력된 제k 테이블 데이터 세트에 포함된 제k_1 부분 테이블 데이터 세트 내지 제k_m 테이블 데이터 세트 각각에 대응되는 제k_1 부분 테이블 데이터 세트 선택 UI 내지 제k_m 부분 테이블...(이하생략)
빅데이터를 기반으로 위협 이벤트를 분석하고 대응하도록 지원하는 방법에 있어서, (a) 소정 업체의 컴퓨팅 장치에 의해 소정의 위협 이벤트가 탐지되는 것에 대응하여 분석 및 대응 요청 플레이북인 제1 플레이북이 기본분석 모듈에 의해 실행되면, 위협 이벤트 대응지원 서버가, 위협 이벤트 수집 모듈로 하여금 상기 제1 플레이북에 대한 제1 실행 결과에 대응되는 상기 위협 이벤트에 대한 정보를 수집하도록 하는 단계; (b) 상기 위협 이벤트 대응지원 서버가, 모니터링 모듈로 하여금 상기 위협 이벤트에 대한 정보의 수집 여부를 모니터링하도록 하고, 상기 위협 이벤트에 대한 정보가 수집되었음이 감지되면, 상세분석 모듈로 하여금 상기 획득된 위협 이벤트에 대한 분석 플레이북인 제2 플레이북을 실행하도록 하여 제2 실행 결과를 획득하는 단계; 및 (c) 상기 위협 이벤트 대응지원 서버가, 제1 정보 전송 모듈로 하여금 상기 제2 플레이북에 대한 상기 제2 실행 결과를 상기 소정 업체의 상기 컴퓨팅 장치로 전송하도록 하여, 상기 소정 업체의 상기 컴퓨팅 장치가 상기 위협 이벤트에 대한 대응을 할 수 있도록 지원하는 단계; 를 포함하는 것을 특징으로 하는 방법 및 이를 이용한 서버가 개시된다.
설명가능 인공지능(XAI)에 기반하여 데이터 마스킹 정보를 제공하기 위한 방법에 있어서, (a) 제1 머신러닝 모델 내지 제n 머신러닝 모델 각각을 검증하기 위한 제1 입력 데이터 내지 제n 입력 데이터 각각이 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 각각에 입력됨으로써 상기 제1 입력 데이터 내지 상기 제n 입력 데이터 각각에 대응되는 제1 예측 결과 내지 제n 예측 결과가 생성된 상태에서, 서버가, 상기 사용자 단말로 하여금 상기 제1 머신러닝 모델 내지 상기 제n 머신러닝 모델 각각에 대응되는 제1 머신러닝 모델 선택 UI 내지 제n 머신러닝 모델 선택 UI를 상기 사용자 단말의 화면 상의 제1 영역에 디스플레이 하도록 지원하는 단계; 및 (b) 상기 제1 머신러닝 모델 선택 UI 내지 상기 제n 머신러닝 모델 선택 UI 중, 제k 머신러닝 모델에 대응되는 제k 머신러닝 모델 선택 UI가 선택되면, 상기 서버가, 상기 설명가능 인공지능에 기반하여, 상기 제k 머신러닝 모델에 입력된 제k 입력 데이터 중, 제k 예측 결과를 생성하는데 이용된 제k_1 부분 입력 데이터 내지 제k_m 부분 입력 데이터 각각에 대응되는 제k_1 예측 결과 관련 정보 내지 제k_m 예측 결과 관련 정보를 상기 데이터 마스킹 정보로서 상기 사용자 단말의 상기 화면 상의 제2 영역에 디스플레이 하도록 지원하...(이하생략)
AI Manager를 이용하여 클라우드 환경에서 동작 중인 서비스를 관리하는 방법에 있어서, (a) 클라우드 서버에 포함되어 있는 복수의 서비스 인스턴스(Service Instance) 각각에서 사용된 리소스 사용량에 대한 정보가, 상기 서비스 인스턴스별로 해당 서비스 인스턴스에 포함되어 있는 리소스 타입 각각에 대해 사용날짜 및 사용시점별로 구분되어, 상기 리소스 타입별로 리소스 사용량에 대한 함수식의 파라미터가 데이터베이스에 저장되어 있고, 상기 서비스 인스턴스별로 상기 리소스 타입 각각에 대한 리소스 사용자 설정값, 리소스 피크값 및 리소스 권장값에 대한 정보가 데이터베이스에 저장되어 있는 상태에서, 메인 서버가, 상기 클라우드 서버로 하여금 상기 복수의 서비스 인스턴스 중 적어도 하나인 특정 서비스 인스턴스에 포함되어 있는 특정 리소스 타입 각각에 대해 현재 시점에 할당되어 있는 현재 리소스 할당 사용량에 대한 정보를 AI Manager로 전달하도록 지원하는 단계; (b) 상기 AI Manager가 상기 현재 리소스 할당량 값에 대한 정보를 획득하면, 상기 메인 서버가, 상기 AI Manager에 포함되어 있는 RSU(Resource Usage) Manager로 하여금 상기 데이터베이스를 참조로 하여 특정 타겟시점을 입력 값으로 할 때의 상기 함수식의 출력 값을 계산하여, 상기 특정 타겟시점...(이하생략)
본 발명의 일 태양에 따르면, 에러 이벤트에 대한 가이드 정보를 제공하기 위한 방법에 있어서, (a) 소정의 서비스에서 발생한 상기 에러 이벤트에 대하여, 상기 에러 이벤트에 대한 로그 데이터를 포함하는 에러 이벤트 데이터, 상기 서비스가 실행되는 환경 데이터 및 상기 서비스 자체에 대한 설정 데이터를 포함하는 제1 패킷이 서비스 단말에 의해 생성되면, 마스터 서버가 상기 제1 패킷을 상기 서비스 단말로부터 수신하는 단계; (b) 상기 마스터 서버가, 제1 모델로 하여금, 상기 제1 패킷에 포함된 상기 에러 이벤트의 원인 데이터를 카테고리별로 분류하도록 하는 단계; 및 (c) 상기 마스터 서버가, (i) 제2 모델로 하여금, 상기 에러 이벤트의 원인 데이터에 대응되는 카테고리 데이터에 대한 가이드 데이터를 선택하도록 하고, (ii) 상기 원인 데이터, 상기 카테고리 데이터 및 상기 가이드 데이터를 포함하는 제2 패킷을 생성한 후 상기 제2 패킷을 개발자 단말에 송신하고, (iii) 상기 개발자 단말로부터 상기 제2 패킷에 포함된 상기 카테고리 데이터에 대한 제1 응답 데이터를 포함하는 제3 패킷이 수신되면, 상기 카테고리 데이터 및 상기 제1 응답 데이터를 참조로 하여 상기 제1 모델을 보정하는 프로세스, 및 상기 개발자 단말로부터 상기 제2 패킷에 포함된 상기 가이드 데이터에 대한 제2 응답 데이...(이하생략)
머신 러닝 모델에 대응되는 최적의 하이퍼 파라미터 밸류를 자동으로 추천함으로써 상기 머신 러닝 모델의 학습을 지원하는 방법에 있어서, (a) 복수의 제1 세대 하이퍼 파라미터 밸류 세트 내지 복수의 제(n-1) 세대 하이퍼 파라미터 밸류 세트 각각을 적용한 상기 머신 러닝 모델의 성능을 각각 확인함으로써 획득되는 복수의 제1 확인 결과 내지 복수의 제(n-1) 확인 결과를 기준으로 히스토리컬 리스트가 생성된 상태에서, 하이퍼 파라미터 추천 서버가, 소정의 선택 방식에 따라 상기 제1 세대 하이퍼 파라미터 밸류 세트 내지 상기 제(n-1) 세대 하이퍼 파라미터 밸류 세트 중 복수의 특정 하이퍼 파라미터 밸류 세트를 선택하는 단계; (b) 상기 하이퍼 파라미터 추천 서버가, 상기 특정 하이퍼 파라미터 밸류 세트 중 특정 제1 하이퍼 파라미터 밸류 세트 및 특정 제2 하이퍼 파라미터 밸류 세트를 참조하여 크로스오버를 수행함으로써 복수의 크로스오버 하이퍼 파라미터 밸류 세트를 생성하는 단계; (c) 상기 하이퍼 파라미터 추천 서버가, 상기 제1 세대 하이퍼 파라미터 밸류 세트 내지 상기 제(n-1) 세대 하이퍼 파라미터 밸류 세트 중 적어도 일부 각각에 포함된 제1 하이퍼 파라미터 내지 제m 하이퍼 파라미터에 해당되는 각각의 제1 하이퍼 파라미터 밸류 내지 제m 하이퍼 파라미터 밸류에 대응되는 제1 바운더...(이하생략)
고객군별 특성에 따른 이중화 서비스 플로우를 적용한 플랫폼을 통한 AI모델 자동추천 구독 서비스 방법이 개시된다. 즉, (a) 모델 추천 매니지먼트 서버(MRMS)가, 구독 비용이 임계치 이하인 제1형 자동추천 서비스를 구독한 제1 고객군에 대해 상기 제1형 자동추천 서비스를 제공함으로써 획득된 제1 메타데이터를 참조하여 상기 임계치 초과인 제2형 자동추천 서비스의 레퍼런스 데이터베이스를 최적화하는 단계; (b) 상기 MRMS가, 상기 제2형 자동추천 서비스를 구독한 제2 고객군에 포함된 특정 고객으로부터 특정 자동추천 요청이 획득되면, 상기 레퍼런스 데이터베이스를 참조하여, 상기 특정 자동추천 요청에 대응하는 특정 AI모델을 상기 특정 고객에게 제공하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
디지털 병리 의료 영상 이상탐지 모델의 학습 방법이 개시된다. 즉, (a) 디지털 병리데이터에 대한 복수 개의 슬라이드 패치들을 포함하는 학습 데이터가 획득되면, 학습 장치가, 프리-트랜스퍼 특징화 뉴럴넷에 상기 학습 데이터 중 적어도 일부를 입력하여, 상기 학습 데이터에 대응하는 학습용 특징화 데이터값을 획득하는 단계; (b) 상기 학습 장치가, 상기 학습용 특징화 데이터값을 참조하여, 이들에 대응하는 상기 슬라이드 패치들의 군집화 객체에 대응하는 전이 로스를 계산하는 단계; 및 (c) 상기 학습 장치가, 상기 전이 로스를 참조하여, 상기 프리-트랜스퍼 특징화 뉴럴넷의 파라미터들 중 적어도 일부를 학습하고, 이를 통해 상기 디지털 병리데이터에 적응된 출력을 생성할 수 있도록 상기 프리-트랜스퍼 특징화 뉴럴넷을 조정함으로써 트랜스퍼 특징화 뉴럴넷을 획득하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
PatchCore 기법을 응용한, 조직 병리 이상 탐지 모델의 비지도 학습 방법이 개시된다. 즉, (a) 학습 장치가, 디지털 병리데이터 이미지에 대한 학습 데이터를 획득하는 단계; (b) 상기 학습 장치가, 기학습된 레거시 뉴럴넷의 하이레벨 레이어를 사용하여 획득된 특징화 뉴럴넷에 상기 학습 데이터 중 적어도 일부를 입력하여 비지도 학습용 특징화 데이터값을 획득하는 단계; 및 (c) 상기 학습 장치가, 상기 비지도 학습용 특징화 데이터값을 참조하여 정상 데이터의 대표 특징화 데이터값에 대응하는 적어도 하나의 이상 탐지용 코어셋을 획득함으로써 상기 비지도학습을 완료하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
보안 이벤트 대응을 위한 플레이북의 검증을 수행하는 방법에 있어서, (a) 복수개의 기존 미대응 보안 이벤트 로그 각각에 대한 정보, 복수개의 기존플레이북 각각에 대한 정보, 및 상기 기존플레이북 각각이 성공적으로 대응하였던 기존 대응 성공 보안 이벤트 로그 각각에 대한 정보가 소정의 데이터베이스에 저장된 상태에서, 상기 데이터베이스와 연동된 장치가, 특정 보안 목적의 달성을 위한 신규플레이북과 관련하여, 상기 신규플레이북의 구성요소로 사용될 수 있고 순차적으로 연결되어 실행될 수 있는 복수개의 전체 사용가능컴포넌트 각각에 대한 정보를 사용자에게 제공하는 단계; (b) 상기 전체 사용가능컴포넌트 중 적어도 하나인 제1 사용가능컴포넌트 내지 제k 사용가능컴포넌트 - 상기 k는 1 이상의 정수임 - 를 포함하는 상기 신규플레이북이 선택되면, 상기 장치가, 상기 장치와 연동된 소정의 머신러닝모듈로 하여금 (i) 상기 데이터베이스를 참조하여 상기 기존플레이북 각각 중 상기 신규플레이북과의 제1 유사도가 기설정된 제1 임계치 이상인 적어도 하나의 특정 기존플레이북을 결정하도록 하고, 상기 기존 대응 성공 보안 이벤트 로그 중 상기 특정 기존플레이북 각각이 성공적으로 대응하였던 적어도 하나의 특정 기존 대응 성공 보안 이벤트 로그 각각을 상기 적어도 하나의 특정 기존플레이북 각각에 대응시켜 획득하도록 하는 프...(이하생략)
본 발명에 따르면, IT(Information Technology) 자산에 대응되는 환경정보를 등록하고 관리하는 사용자 인터페이스를 제공하는 방법에 있어서, (a) 제1 IT자산보유업체 내지 제n IT자산보유업체 각각에 대응되는 제1 건물 내지 제n 건물의 위치 정보, 상기 제1 건물 내지 상기 제n 건물의 층별 정보, 상기 제1 건물 내지 상기 제n 건물의 내부 구획 공간 정보 중 적어도 일부와, 제1 IT자산 내지 제n IT 자산에 대한 정보 및 상기 제1 IT자산 내지 상기 제n IT 자산 각각에 대응되는 제1 환경정보 내지 제n 환경정보가 획득된 상태에서, 관리 서버가, 사용자 단말로 하여금 상기 제1 건물 내지 상기 제n 건물의 위치 정보 중 적어도 일부를 상기 사용자 단말의 화면 상의 제1 영역에 디스플레이된 지도 데이터 상에 표시하도록 하는 단계; 및 (b) 상기 지도 데이터 상에 표시된 상기 제1 건물 내지 상기 제n 건물의 위치 정보 중 적어도 일부에 포함된 제k 건물의 위치 정보가 선택되면, 상기 관리 서버가, 상기 사용자 단말로 하여금 상기 제k 건물에 대응되는 제k IT 자산에 대응되는 제k 환경정보를 상기 사용자 단말의 화면 상의 제2 영역에 표시하도록 하는 단계를 포함하는 방법이 개시된다.
본 발명에 따르면, IT(Information Technology) 자산의 현황을 등록하고 관리하는 사용자 인터페이스를 제공하는 방법에 있어서, (a) 제1 IT자산보유업체 내지 제n IT자산보유업체 각각에 대응되는 제1 건물 내지 제n 건물의 위치 정보, 상기 제1 건물 내지 상기 제n 건물의 층별 정보, 상기 제1 건물 내지 상기 제n 건물의 내부 구획 공간 정보, 및 제1 IT자산 내지 제n IT 자산에 대한 정보 중 적어도 일부가 획득된 상태에서, 관리 서버가, 사용자 단말로 하여금 상기 제1 건물 내지 상기 제n 건물의 위치 정보 중 적어도 일부를 상기 사용자 단말의 화면 상의 제1 영역에 디스플레이된 지도 데이터 상에 표시하도록 하는 단계; 및 (b) 상기 지도 데이터 상에 표시된 상기 제1 건물 내지 상기 제n 건물의 위치 정보 중 적어도 일부에 포함된 제k 건물의 위치 정보가 선택되면, 상기 관리 서버가, 상기 사용자 단말로 하여금 상기 제k 건물에 대응되는 제k IT 자산의 현황을 상기 사용자 단말의 화면 상의 제2 영역에 표시하도록 하는 단계를 포함하는 방법이 개시된다.
인터랙티브 시뮬레이션 기반 플레이북을 통한 보안 이벤트 대응 지원 방법이 개시된다. 즉, (a) 컴퓨팅 장치가, (i) 특정 보안 이벤트에 대응하는 특정 이벤트 정보 및 (ii) 상기 특정 이벤트 정보에 대해 순차적으로 실행될 적어도 하나의 시뮬레이션 동작에 각각 대응하는 적어도 하나의 컴포넌트를 포함하는 특정 플레이북 정보를 사용자에게 제공하는 단계; (b) 상기 컴퓨팅 장치가, 상기 컴포넌트 중 적어도 하나인 특정 컴포넌트에 대한, 머신러닝에 기반한 인터랙티브 필터링 연산을 수행함으로써 상기 특정 컴포넌트에 대한 상기 사용자의 조정을 지원하는 프로세스를 수행한 후, 상기 사용자에 의해 조정된 특정 조정 컴포넌트를 포함하는 특정 조정 플레이북 정보가 생성되면, 상기 특정 조정 플레이북 정보 및 상기 특정 이벤트 정보를 참조하여 상기 인터랙티브 시뮬레이션을 수행하는 단계; (c) 상기 컴퓨팅 장치가, 상기 인터랙티브 시뮬레이션의 결과를 상기 사용자에게 제공하여, 상기 사용자가 상기 특정 조정 플레이북 정보에 대응하는 특정 조정 플레이북을 상기 특정 보안 이벤트에 적용함으로써 이에 대처할 수 있도록 지원하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
망분리 환경에서의 모바일 원격 관제를 위한, 제로 트러스트 모델 기반 멀티팩터 보안인증 방법이 개시된다. 즉, (a) 프록시 서버로서의 기능을 수행하는, 제로 트러스트 모델에 기반한 제록시 서버가, 사용자 단말과 연동하여 동작하는 제록시 모바일 모듈로부터, 망분리된 솔루션 서버로의 접속 요청이 획득되면, 상기 접속 요청의 카테고리에 따라 결정되는 제1 내지 제N 시나리오 - N은 1 이상의 정수임 - 중에서 선택된 특정 시나리오에 따라, 상기 제록시 서버에 포함된 위치기반 검증모듈의 상기 접속 요청에 대한 위치기반 분석결과 및 상기 제록시 모바일 모듈로부터 획득된 상기 사용자 단말의 신원기반 증명정보를 참조하여 상기 접속 요청을 검증하는 단계; 및 (b) 상기 제록시 서버가, 상기 제1 내지 및 상기 제N 시나리오 중 선택된 상기 특정 시나리오 및 상기 접속 요청에 대한 검증 결과를 참조하여, 상기 제록시 모바일 모듈 및 상기 솔루션 서버와 연동하여 동작하는 제록시 확장 모듈 중 적어도 일부와 연동하여 반응 프로세스를 수행하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
언어 규칙 기반 링크 알고리즘을 사용한, 서로 다른 입출력 패턴 규칙을 가지는, 공격에 대한 1차 필터링을 수행하는 침입 방어 시스템 및 2차 필터링을 수행하는 인공지능 솔루션 간의 연동 방법이 개시된다, 즉, (a) 컴퓨팅 장치가, 네트워크 페이로드 중 적어도 일부를 포함하는 제1 입력에 대해 상기 침입 방어 시스템이 연산함으로써, 상기 제1 입력 중 적어도 일부에 대응하는, 적어도 하나의 의심 페이로드에 대한 정보를 포함하는 제1 출력이 생성되면, 상기 제1 출력에 상기 언어 규칙에 기반한 적어도 하나의 링크 연산을 가하여, 상기 제1 출력에 대응하는 필터링 카테고리 정보를 생성하는 단계; 및 (b) 상기 컴퓨팅 장치가, 상기 필터링 카테고리 정보를 참조하여, 상기 인공지능 솔루션 중 적어도 일부에 대응하는 특정 인공지능 유닛에 상기 제1 출력을 제2 입력으로서 입력한 후, 상기 의심 페이로드의 공격 페이로드 여부를 판단한 제2 출력을 생성하도록 함으로써, 상기 침입 방어 시스템 및 상기 인공지능 솔루션 간의 연동이 이루어지도록 하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
그래프 기반 Fraud Detection System(FDS)를 위한 비지도 학습 방법이 개시된다. 즉, (a) 학습 장치가, 각각의 제1 금융거래 데이터에 대응하는 각각의 노드 값 및 상기 제1 금융거래 데이터 간의 연관성에 대응하는 각각의 에지 값에 대한 정보를 포함하는 제1 그래프형 학습 데이터가 획득되면, Graph Neural Network(GNN)로 하여금, 상기 제1 그래프형 학습 데이터에 적어도 하나의 대표화 연산을 가하여, 상기 제1 그래프형 학습 데이터에 대한 정보를 포함하는 복수의 제1 금융거래 상태 벡터를 생성하도록 한 후, 상기 제1 금융거래 상태 벡터를 참조하여 상기 GNN의 파라미터들 중 적어도 일부를 학습함으로써 제1 학습을 수행하는 단계; (b) 상기 학습 장치가, 상기 제1 학습이 완료되면, 상기 GNN으로 하여금, 제2 금융거래 데이터에 대응하는 제2 그래프형 학습 데이터에 상기 대표화 연산을 가하여 복수의 제2 금융거래 상태 벡터를 생성하도록 한 후, 상기 제2 금융거래 상태 벡터에 적어도 하나의 클러스터링 연산을 가하여 적어도 하나의 기준 클러스터를 생성함으로써 제2 학습을 수행하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
이상 웹로그가 정상 웹로그에 비해 부족한 학습 데이터 불균형 상황에서도 상기 이상 웹로그를 탐지할 수 있도록 하는 비지도 학습 방법이 개시된다. 즉, (a) 학습 장치가, 적어도 하나의 Convolutional Neural Network(CNN)로 하여금, 상기 정상 웹로그 중 적어도 일부에 대한 정보를 포함하는 제1 학습 데이터에 적어도 하나의 대표화 연산을 가하여 상기 제1 학습 데이터에 대한 정보를 포함하는 적어도 하나의 제1 웹로그 상태 벡터를 생성하도록 하는 단계; (b) 상기 학습 장치가, 로스 레이어로 하여금, (i) 상기 제1 웹로그 상태 벡터 및 (ii) 학습 과정 중에 결정되는 표준화 기준값을 참조하여 로스를 생성한 후, 상기 로스를 백프로퍼게이션함으로써 상기 CNN의 파라미터들 중 적어도 일부를 학습함으로써 제1 학습을 수행하도록 하는 단계; 및 (c) 상기 학습 장치가, 상기 제1 학습이 완료되면, 상기 CNN으로 하여금, 상기 정상 웹로그 중 적어도 일부에 대한 정보를 포함하는 제2 학습 데이터에 상기 대표화 연산을 가하여 제2 웹로그 상태 벡터를 생성하도록 한 후, 상기 제2 웹로그 상태 벡터에 적어도 하나의 클러스터링 연산을 가하여 적어도 하나의 기준 클러스터를 생성함으로써 제2 학습을 수행하고, 이를 통해 상기 이상 웹로그를 탐지할 수 있도록 지원하는 단계를 포함하는 것...(이하생략)
실관제데이터가 불필요한 웹구조크롤링 기반 웹공격페이로드 생성 방법이 개시된다. 즉, (a) 컴퓨팅 장치가, 대상웹사이트에 대한 웹공격페이로드 생성 요청이 획득되면, 상기 대상웹사이트에 대해 상기 웹구조크롤링을 수행한 결과를 통해 그 데이터가 획득된 베이스패턴DB를 참조하여 상기 대상웹사이트의 대상구조파라미터들 중 적어도 일부의 대상베이스패턴들을 획득함으로써 대상베이스페이로드를 생성하는 단계; (b) 상기 컴퓨팅 장치가, 적어도 하나의 이벤트패턴룰 중 적어도 하나인 특정 이벤트패턴룰을 참조하여 생성된 적어도 하나의 특정 이벤트패턴이 획득되면, 상기 대상베이스페이로드 및 상기 특정 이벤트패턴을 참조하여 상기 대상웹사이트에 대한 대상웹공격페이로드를 생성하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
본 발명에 따르면, 관계형 데이터베이스를 관리하기 위한 언어인 SQL(Structured Query Language)이 사용되는 환경에서 공격을 탐지하기 위한 방법으로서, (a) 서버가, 적어도 하나의 클라이언트로부터 발생한 요청에 대응되어 생성된 패킷 또는 로그 파일을 획득하는 단계; (b) 상기 서버가, 소정의 SQL 필터 모듈로 하여금, 상기 획득된 패킷 또는 상기 획득된 로그에 포함된 전체 파라미터 중 제1 특정 파라미터에 대응되는 입력 필드에 대하여 상기 클라이언트를 통하여 입력된 데이터인 특정 입력 필드 데이터를 상기 획득된 패킷 또는 상기 획득된 로그 파일로부터 추출하도록 하는 단계; (c) 상기 서버가, 소정의 알고리즘을 바탕으로 하여, 상기 특정 입력 필드 데이터에 대하여 상기 SQL의 문법 규칙에 기반한 문법 검사를 수행하는 단계; 및 (d) 상기 문법 검사를 수행한 결과, (i) 상기 특정 입력 필드 데이터의 문법이 맞는 것으로 판단되면, 상기 서버가, 상기 특정 입력 필드 데이터를 상기 공격을 위하여 입력된 데이터로 판단함으로써, 상기 특정 입력 필드 데이터에 대응되는 SQL 쿼리를 상기 서버에 대한 공격으로 탐지하고, (ii) 상기 특정 입력 필드 데이터의 문법이 틀린 것으로 판단되면, 상기 서버가, 상기 특정 입력 필드 데이터를 상기 공격을 위하여 입력된 데이터가 아닌 것으...(이하생략)
HTTP 프로토콜의 메쏘드 필드 정보와 content-type 필드 정보를 이용해 웹 공격 유형 범위를 분류하는 방법이 개시된다. 즉, (a) 웹 공격 유형 범위 분석 장치가, 웹 공격에 해당하는 패킷을 획득하면, 상기 패킷의 메쏘드 필드 정보를 참조하여, (i) 상기 메쏘드 필드 정보가 GET일 경우, 상기 패킷의 웹 공격 유형을 제1 공격 유형 범위로 한정하고, (ii) 상기 메쏘드 필드 정보가 POST일 경우, 상기 패킷의 웹 공격 유형을 제2 공격 유형 범위로 한정하는 단계; 및 (b) 상기 웹 공격 유형 범위 분석 장치가, 상기 패킷의 웹 공격 유형을 상기 제2 공격 유형 범위로 한정했다면, 상기 패킷의 content-type 필드 정보를 참조하여, 상기 패킷의 웹 공격 유형을 상기 제2 공격 유형 범위에 포함된 세부 공격 유형 범위로서 제2_1 세부 공격 유형 범위 내지 제2_n 세부 공격 유형 범위 중 어느 하나로 한정하는 단계를 포함하는 방법이 개시된다.
이벤트 룰셋 및 쓰렛 인텔리전스(Threat Intelligence)를 참조하여 이벤트 위험도를 계산함으로써 시스템에 발생한 이벤트들의 위험도를 분석할 수 있도록 지원하는 방법이 개시된다. 즉, (a) 컴퓨팅 장치가, 소정 서비스 시스템에 포함된 적어도 하나의 연동 장치로부터 획득된 로그 데이터를 사용하여 생성된, 소정 위협 이벤트에 대응하는 위협 이벤트 데이터가 획득되면, 상기 이벤트 룰셋 및 상기 쓰렛 인텔리전스 중 적어도 일부를 참조하여 상기 위협 이벤트 데이터에 적어도 하나의 제1 내지 제N 연산 - N은 2 이상의 정수임 - 을 가하여, 제1 내지 제N 세부 이벤트 위험도를 계산하는 단계; 및 (b) 상기 컴퓨팅 장치가, 상기 제1 내지 제N 세부 이벤트 위험도 중 상기 제1 내지 제K1 세부 이벤트 위험도 - K1은 1 이상 N-1 이하의 정수임 - 를 참조하여 상기 서비스 시스템에 대한 공격도 스코어를 생성하고, 제K2 내지 상기 제N 세부 이벤트 위험도 - K2는 K1+1 이상 N 이하의 정수임 - 를 참조로 하여 상기 서비스 시스템의 상기 위협 이벤트에 대한 반응도 스코어를 생성한 후, 상기 공격도 스코어 및 상기 반응도 스코어를 참조로 하여 종합 위험도 정보를 생성함으로써 상기 위협 이벤트의 위험도를 파악할 수 있도록 지원하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
컴퓨팅 리소스 수용량에 기반한 네트워크 공격 강도 측정 기법을 사용하는 네트워크 호스트 공격 탐지 방법이 개시된다. 즉, (a) 엔드포인트 위협 분석 시스템이, 기지정된 타임 스케쥴에 따라, (i) 제1 내지 제N 호스트 - N은 1 이상의 정수임 - 중 적어도 일부와 연결된 제1 내지 제M1 엔드포인트 스위치 - M1은 1 이상 N 이하의 정수임 - 와 연동하여 동작하는 소정 네트워크 센서를 통해, 상기 제1 내지 제N 호스트에 대응하는 제1_1 내지 제N_1 로우(Raw) 리소스 데이터를 획득하는 프로세스 및 (ii) 각각의 상기 제1 내지 제N 호스트에 대응하는 제1 내지 제M2 엔드포인트 에이전트 - M2는 1 이상 N 이하의 정수임 - 를 통해, 각각의 상기 제1 내지 제N 호스트에 대응하는 제1_2 내지 제N_2 로우 리소스 데이터를 획득하는 프로세스를 수행하는 단계; (b) 상기 엔드포인트 위협 분석 시스템이, (i) 기획득된 처리량 모델링 포뮬러 및 상기 제1_1 내지 제N_1 로우 리소스 데이터를 참조로 하여 상기 제1 내지 제N 호스트에 대응하는 제1 내지 제N 에너지 에스티메이션 데이터를 생성하도록 하는 프로세스 및 (ii) 기획득된 수용량 모델링 포뮬러 및 상기 제1_2 내지 제N_2 로우 리소스 데이터를 참조로 하여 상기 제1 내지 제N 호스트에 대응하는 제1 내지 제N 기준...(이하생략)
시스템에 위협이 될 수 있는 위협 이벤트를 최적화 UI 상에서 디스플레이함으로써 사용자가 상기 위협 이벤트를 용이하게 분석할 수 있도록 하는 위협 이벤트 리플레이 방법이 개시된다. 즉, (a) 이벤트 리플레이 장치가, 위협 이벤트 데이터베이스를 참조로 하여 분류된 제1 내지 제N 위협 이벤트 - N은 1 이상의 정수임 - 에 대한 정보를 포함하는 리플레이 파일이 획득되면, 상기 리플레이 파일을 분석하여, 이에 포함된 상기 제1 내지 상기 제N 위협 이벤트들 중 하나인 제K 위협 이벤트 - K는 1 이상 N 이하의 정수임 - 에 대한 제K ID 정보, 제K 로그 관계 정보 및 제K 로그 디테일 정보를 획득하는 단계; (b) 상기 이벤트 리플레이 장치가, 상기 제K 위협 이벤트에 대한 리플레이 명령이 획득되면, (i) 상기 제K ID 정보를, 상기 이벤트 리플레이 장치와 연동하여 동작하는 소정 디스플레이 장치의 제1 영역에 디스플레이하는 프로세스, (ii) 상기 제K 로그 관계 정보를, 상기 제1 영역에 인접한 상기 디스플레이 장치의 제2 영역에 디스플레이하는 프로세스 및 (iii) 상기 제K 로그 디테일 정보를, 상기 제2 영역에 인접한 상기 디스플레이 장치의 제3 영역에 디스플레이하는 프로세스를 수행하는 단계를 포함하는 것을 특징으로 하는 이벤트 리플레이 방법이 개시된다.
임의의 구조를 가지는 비정형 로그를 정확하게 자동 분석하기 위한 정규화율 기반 파서 매칭 방법이 개시된다. 즉, (a) 파서 매칭 디바이스가, 적어도 하나의 서비스로부터 획득된 적어도 하나의 비정형 텍스트 로그를 포함하는 난(難)분석 로그 리스트가 획득되면, 상기 난분석 로그 리스트를 참조로 하여, 상기 비정형 텍스트 로그 각각의 카테고리 정보에 대응하는 폴리시 타입 정보를 획득하는 단계; (b) 상기 파서 매칭 디바이스가, 상기 비정형 텍스트 로그 중 하나인 특정 비정형 텍스트 로그에 대응하는 특정 폴리시 타입 정보를 참조로 하여, N개의 로그 파서들 - N은 1 이상의 정수임 - 중 하나인 제K 로그 파서 - K은 1 이상 N 이하의 정수임 - 에 각각 대응하는 제K_1 내지 제K_M 로그 파싱 폴리시 - M은 1 이상의 정수임 - 중 적어도 일부인 제K 후보 로그 파싱 폴리시를 선택하는 단계; (c) 상기 파서 매칭 디바이스가, 상기 제K 후보 로그 파싱 폴리시에 대한 정보를 참조로 하여 상기 제K 로그 파서의 상기 특정 비정형 텍스트 로그에 대한 제K 정규화율 정보를 생성하는 단계; 및 (d) 상기 파서 매칭 디바이스가, 상기 제K 정규화율 정보를 참조로 하여, 상기 제K 로그 파서가, 상기 특정 비정형 텍스트 로그를 분석하기 위해 사용될 특정 로그 파서에 포함될지 여부를 판단하는 단계를 포...(이하생략)
인공지능 기반으로 서비스를 식별 및 제어하고, 장애를 탐지하는 기법을 사용한 능동 장애 복구 방법이 개시된다. 즉, (a) 하나 이상의 노드 서버와 연결된 마스터 서버가, 상기 노드 서버로부터 상기 노드 서버가 수행하는 서비스들 중 적어도 하나의 정상 작동 여부에 대응하는 제1 시그널군에 포함된 제1 연동 시그널이 획득되면, 소정 마스터 AI로 하여금, 제1 AI 모델을 사용하여, 상기 제1 연동 시그널이 상기 노드 서버에 대한 능동 액션에 대응하는 제1_1 시그널군에 포함되는지 또는 상기 노드 서버에 대한 수동 액션에 대응하는 제1_2 시그널군에 포함되는지 여부를 판단하도록 하는 단계; (b) 상기 마스터 서버가, 상기 마스터 AI로 하여금, (i) 상기 제1 연동 시그널이 상기 제1_1군 시그널에 해당하는 경우, 상기 제1 AI 모델을 사용하여 상기 제1 연동 시그널에 대응하는 능동 리커버리 데이터를 생성하도록 하고, (ii) 상기 제1 연동 시그널이 상기 제1_2군 시그널에 해당하는 경우, 상기 제1 연동 시그널에 대응하는 수동 리커버리 데이터를 생성하도록 하는 단계; 및 (c) 상기 마스터 서버가, 상기 능동 리커버리 데이터 및 상기 수동 리커버리 데이터 중 하나를 상기 노드 서버에 발신하고, 상기 노드 서버는 장애 상태에서 정상 상태로 회복되는 단계를 포함하는 것을 특징으로 하는 방법이 개...(이하생략)
분산 시스템에서 프로세스 설정을 용이하고 통일성 있게 수행할 수 있도록 설정 프로세스를 중앙화하는 방법이 개시된다. 즉, (a) 중앙 설정장치가, 소정 통합 설정 User Interface(UI)를 통해, 제1 내지 제N 분산 장비 - N은 1 이상의 정수임 - 중 하나인 제K1 분산 장비 - K1은 1 이상 N 이하의 정수임 - 에서 수행될, 제1 내지 제M1 프로세스 - M1은 1 이상의 정수임 - 중 하나인 제K2 프로세스 - K2는 1 이상 M1 이하의 정수임 - 에 대한 (i) 제K1_K2 설정 메타 정보, (ii) 제K1_K2 설정파일 메타 정보, (iii) 제K1_K2 프로세스 메타 정보 및 (iv) 제K1_K2 장비 메타 정보 중 적어도 일부를 사용자가 설정함으로써, 상기 제K1 분산 장비 및 상기 제K2 프로세스의 제K1_K2 조합에 대해 적용할 제K1_K2 설정 파일을 생성할 수 있도록 지원하는 단계; 및 (b) 상기 중앙 설정장치가, (i) (i-1) 상기 제1 내지 제N 분산 장비 중 하나이며, 상기 제K1 분산 장비가 아닌 적어도 하나의 특정 분산 장비 및 (i-2) 이에서 수행될, 제1 내지 제M2 프로세스 - M2는 1 이상의 정수임 - 중 하나인 특정 프로세스의 특정 조합과 (ii) (ii-1) 상기 제K1 분산 장비 및 (ii-2) 상기 제K2 프로세스의 상기 제K1_...(이하생략)
분산 배포환경에서의 머신 러닝 기반 프로세스 실행 환경 자동 최적화 방법이 개시된다. 즉, (a) 릴리즈 서버가, 적어도 하나의 작업 노드들 중 하나인 타겟 작업 노드로부터 이의 타겟 피지컬 스펙 정보가 획득되면, 상기 릴리즈 서버 내의 노드 환경 매니저 또는 상기 릴리즈 서버와 연동하여 동작하는 노드 환경 매니저로 하여금, 상기 타겟 피지컬 스펙 정보를 사용하여 상기 머신 러닝에 기반한 환경 최적화 연산을 수행함으로써 상기 타겟 작업 노드에 대응하는 타겟 환경 설정 정보를 생성하도록 하는 단계; 및 (b) 상기 릴리즈 서버가, 상기 릴리즈 서버 내의 릴리즈 매니저 또는 상기 릴리즈 서버와 연동하여 동작하는 릴리즈 매니저로 하여금 상기 타겟 환경 설정 정보를 상기 타겟 작업 노드에 전달하도록 함으로써, 상기 작업 노드들에 기배포된 대상 프로세스가 상기 타겟 작업 노드에 의해 임계치 이상의 작업률로 수행될 수 있도록 지원하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
작업 도중 프로세스 성능 저하 또는 프로세스 장애가 발생할 경우, 이와 같은 상황을 실시간으로 탐지하고 개선함으로써 작업량 손실을 최소화하는 방법이 개시된다. 즉, (a) 시스템 매니징 디바이스가, 스테이트 체커를 통해 자신이 수행하고 있는 프로세스들의 정상 수행 여부 및 작업률 정보를 지속적으로 모니터링하고 있는 상태에서, 상기 프로세스들 중 적어도 하나인 특정 프로세스의 상기 정상 수행 여부 및 상기 작업률 정보 중 적어도 일부와 관련된 비정상 상황 경고가 획득되면, 상기 비정상 상황 경고가 생성된 시점의 특정 상황 정보를 환경정보 수집 매니저를 통해 획득하는 단계; (b) 상기 시스템 매니징 디바이스가, 학습 유닛으로 하여금, 상기 비정상 상황 경고의 타입 정보 및 상기 특정 상황 정보 중 적어도 일부를 그 성분으로 포함하는 데이터 벡터에 적어도 하나의 프로세스 정상화 연산을 수행함으로써 상기 비정상 상황 경고 및 상기 특정 상황 정보에 대응하는 프로세스 정상화 솔루션 벡터를 생성하도록 하는 단계; 및(c) 상기 시스템 매니징 디바이스가, 상기 프로세스 정상화 매니저로 하여금, 상기 프로세스 정상화 솔루션 벡터를 참조로 하여 프로세스 작업 환경을 수정하도록 함으로써 상기 특정 프로세스가 정상적으로 수행되도록 하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
클러스터 기반 처리 시스템을 이용해 동종 및 이기종 데이터 소스에 대해 멀티 캐싱을 수행하는 방법이 개시된다. 즉, (a) 빅데이터 클러스터 관리 장치가, 사용자의 질의 요청이 수신되면, 상기 질의 요청에 대한 결과에 대응되는 1차 캐시 데이터가 마스터 노드 혹은 워커 노드에 존재하는지 확인하는 단계; (b) 빅데이터 클러스터 관리 장치가, (b1) 상기 마스터 노드 혹은 상기 워커 노드에 상기 1차 캐시 데이터의 전체 세트가 존재할 경우, 상기 1차 캐시 데이터의 전체 세트를 상기 질의 요청에 대한 결과로서 획득하고, (b2) 상기 마스터 노드 혹은 상기 워커 노드에 상기 1차 캐시 데이터의 전체 세트 중 적어도 일부인 특정 세트가 존재하지 않을 경우, 상기 질의 요청을 수행하기 위해 데이터 검색 연산, 데이터 처리 연산 및 데이터 출력 연산을 순차적으로 적용함으로써 상기 질의 요청에 대한 결과를 획득 및 출력하는 단계; 를 포함하는 것을 특징으로 하는 방법.
이기종 데이터 소스 간 연관 분석의 결과를 제공하는 방법이 개시된다. 즉, (a) 사용자의 질의 요청이 수신되면, 연관 분석 결과 제공 장치가, (i) 상기 질의 요청에 포함된 검색 조건 정보를 참조로 하여 상기 이기종 데이터 소스 각각에서 상기 검색 조건 정보 각각에 해당하는 데이터 요소를 각각 획득하고, (ii) 상기 질의 요청에 포함된 메인 결합 연산 정보를 참조로 하여 상기 데이터 요소 각각에 상기 메인 결합 연산 정보에 포함된 메인 결합 연산을 적용함으로써 데이터 세트를 획득하는 데이터 검색 프로세스를 수행하는 단계; 및 (b) 상기 연관 분석 결과 제공 장치가, 상기 데이터 세트에 상기 질의 요청에 포함된 소정의 처리 연산 및 상기 질의 요청에 포함된 소정의 출력 연산을 적용함으로써 상기 질의 요청에 대한 결과를 출력하는 단계; 를 포함하는 것을 특징으로 하는 방법이 개시된다.
기계 학습 모델에 기반하여 SYN Flood 공격을 탐지하기 위한 학습 방법에 있어서, (a) 클라이언트로부터 서버로 연결 요청이 있음에 대응하여, 보안 장치에 의해 수집된 보안 로그를 전처리 장치에 의해 기설정된 시간 단위로 분류하여 복수의 보안 로그 그룹이 생성되고, 상기 복수의 보안 로그 그룹 각각에 포함되어 있는 복수의 보안 로그 각각의 Destination IP 정보, Destination PORT 정보, Source IP 정보 및 TCP Flag의 SYN 패킷 정보를 이용하여 상기 복수의 보안 로그 그룹 각각에 대응되는 복수의 기계 학습용 Matrix 데이터가 생성되면, 학습 장치가, 소정의 학습 모델로 하여금 상기 기계 학습용 Matrix 데이터를 입력 받아 상기 기계 학습용 Matrix 데이터에 소정의 뉴럴 네트워크 연산을 가하여 뉴럴 네트워크 출력을 생성하도록 하는 단계; 및 (b) 상기 학습 장치가, 상기 학습 모델로 하여금 상기 뉴럴 네트워크 출력과 이에 대응되는 GT를 비교하여 로스를 산출하도록 하고, 상기 로스를 참조로 하여 백프로퍼게이션을 수행하여 상기 학습 모델의 파라미터를 조정하도록 하는 단계;를 포함하는 것을 특징으로 하는 SYN Flood 공격 탐지를 위한 학습 방법, 전처리 방법 및 이를 이용한 학습 장치, 전처리 장치가 개시된다.
머신러닝에 기반하여 사용자로 하여금 객체를 최적화된 위치에 어레인지먼트(arrangement)하도록 하기 위한 객체 어레인지먼트 추천 방법에 있어서, (a) 복수의 후보 어레인지먼트 상세 이미지가 소정의 저장부에 등록된 상태에서, 신규 어레인지먼트 상세 이미지가 획득되면, 객체 어레인지먼트 추천 장치가, 상기 복수의 후보 어레인지먼트 상세 이미지와 상기 신규 어레인지먼트 상세 이미지에 대하여 이미지 분석 프로세싱을 수행하여, 상기 신규 어레인지먼트 상세 이미지를 기준으로 하여 상기 복수의 후보 어레인지먼트 상세 이미지별로 상기 신규 어레인지먼트 상세 이미지와 유사한 정도를 나타내는 어레인지먼트 유사도를 각각 산출하는 단계; 및 (b) 상기 객체 어레인지먼트 추천 장치가, (i) 상기 어레인지먼트 유사도를 참조로 하여, 상기 복수의 후보 어레인지먼트 상세 이미지 중, 상기 어레인지먼트 유사도가 소정의 유사도 조건을 만족하는, 특정 후보 어레인지먼트 상세 이미지를 결정하고, (ii) 상기 특정 후보 어레인지먼트 상세 이미지 각각에 대응되는 소비 전력량 정보를 참조로 하여, 상기 특정 후보 어레인지먼트 상세 이미지 중, 소정의 소비 전력량 조건을 만족하는 최적 후보 어레인지먼트 상세 이미지를 결정하고 해당 정보를 사용자에게 제공하는 단계;를 포함하는 방법 이를 이용한 객체 어레인지먼트 추천 장치가 개시된...(이하생략)
실시간으로 데이터가 요청되고 처리되는 환경에서, 네트워크 대역별 트래픽 패턴 학습을 기반으로 한 대역 자동조정 방법이 개시된다. 즉, (a) 대역 패턴 학습 서버가, 자신에 포함된 대역 예측 모델로 하여금, 각각의 데이터 프로세싱 서버들이 사용하는 네트워크 대역들을 관리하는 네트워크 매니지먼트 서버로부터 각각의 상기 네트워크 대역별 트래픽에 대한 정보를 각각의 레퍼런스 벡터의 형태로 포함하는 학습 데이터를 획득하면, 대역 예측 모델로 하여금, 상기 레퍼런스 벡터들을 참조로 하여 자신의 파라미터들을 학습하도록 하는 단계; (b) 상기 대역 패턴 학습 서버가, 상기 대역 예측 모델로 하여금, 상기 네트워크 매니지먼트 서버로부터, 각각의 상기 데이터 프로세싱 서버들 중 적어도 일부가 사용할 상기 네트워크 대역들에 대한 대역 할당 요청이 획득되면, 학습된 상기 파라미터들을 참조로 하여 상기 대역 할당 요청에 대응하는 예측 데이터를 생성하도록 하는 단계; 및 (c) 상기 대역 패턴 학습 서버가, 상기 네트워크 매니지먼트 서버로 하여금, 각각의 상기 데이터 프로세싱 서버들 중 적어도 일부에 상기 예측 데이터에 따른 각각의 상기 네트워크 대역들 중 적어도 일부를 새로이 할당하도록 하는 단계를 포함하는 것을 특징으로 하는 방법이 개시된다.
기계학습 대상 시스템의 명령어를 기반으로 웹 공격 패턴을 추출하여 재구성 페이로드 데이터를 생성하는 방법에 있어서, 기계학습 대상 시스템에 포함된 복수의 명령어 각각이 복수의 웹 공격 유형별로 명령어의 조합을 구성하는 각각의 구성요소에 따라 나뉘어진 복수의 클래스 - 상기 복수의 클래스 각각은 클래스별로 서로 다른 각각의 제1 문자로 정의되어 있음 - 중 적어도 하나에 속한 채로 데이터베이스에 저장되어 있는 상태에서, (a) 페이로드 데이터 - 상기 페이로드 데이터는 상기 보안 위협 탐지 시스템에 의해 탐지된 보안 위협 데이터에 포함되어 있고, 상기 보안 위협 데이터는 상기 복수의 웹 공격 유형 중 적어도 하나에 대응되는 특정 웹 공격 유형에 해당됨 - 가 획득되면, 전처리기가, 특수문자를 기준으로 상기 페이로드 데이터에 포함되어 있는 문자, 상기 특수문자 및 숫자 중 적어도 일부를 토크나이징하는 프로세스를 수행하는 단계; (b) 상기 전처리기가, 상기 토크나이징된 문자, 상기 토크나이징된 특수문자 및 상기 토크나이징된 숫자 중 상기 데이터베이스에 저장되어 있는 상기 특정 웹 공격 유형에 해당하는 복수의 명령어를 각각 구성하는 복수의 특정 문자 그룹을 선택하는 프로세스를 수행하는 단계; (c) 상기 전처리기가, (i) 상기 복수의 특정 문자 그룹이 상기 특정 웹 공격 유형의 특정 명령어 조합을 구성...(이하생략)
본 발명에 따르면, 기계 학습 모델의 신뢰도를 판단하기 위한 방법으로서, (a) 복수의 학습 페이로드 데이터 - 상기 학습 페이로드 데이터 각각은, 해당되는 소정의 클래스에 대한 정보인 정답 레이블이 부여됨 - 를 사용하여 상기 기계 학습 모델의 학습이 완료된 후, 미확인 페이로드 데이터가 획득되면, 후처리 장치가, 상기 학습 페이로드 데이터 중 적어도 일부로부터 전체집합워드 - 상기 전체집합워드 각각은 상기 학습 페이로드 데이터에 포함된 숫자, 특수문자 및 문자열 중 하나 또는 둘 이상의 조합임 - 를 추출한 상태에서, 상기 미확인 페이로드 데이터로부터 비교대상워드 - 상기 비교대상워드 각각은 상기 미확인 페이로드 데이터에 포함된 숫자, 특수문자 및 문자열 중 하나 또는 둘 이상의 조합임 - 를 추출하는 단계; (b) 상기 후처리 장치가, (i) 상기 학습 페이로드 데이터에서 추출된 상기 전체집합워드의 개수에 대한 정보 및 상기 학습 페이로드 데이터에서 상기 전체집합워드 각각이 출현하는 횟수에 대한 정보를 참조로 하여, 상기 전체집합워드 각각에 대응되는 제1 가중치를 산출하는 프로세스, (ii) 상기 학습 페이로드 데이터 중 적어도 하나의 특정 학습 페이로드 데이터에서 추출된 부분집합워드의 개수에 대한 정보 및 상기 특정 학습 페이로드 데이터에서 상기 부분집합워드 각각이 출현하는 횟수에 대한 정보...(이하생략)
본 개시서에는 인공지능 에이전트를 훈련시키는 방법, 이에 기반하여 사용자 액션을 추천하는 방법 및 이를 이용한 장치가 개시된다. 특히 본 개시서는 강화학습에 필요한 환경, 보상 기준 등이 제공되지 않아 반복적으로 학습을 진행할 수 없는 경우에도 인공지능 에이전트를 훈련시킬 수 있는 강건한(robust) 방법에 관한 것이다.
본 발명에 따르면, 악성코드를 분류하는 방법으로서, (a) 미확인 코드가 실행되면, 장치가, 상기 미확인 코드의 실행 과정에서 호출되는 적어도 하나의 특정 호출 함수 정보 - 상기 특정 호출 함수 정보는, 전체 호출 함수 정보에 대응되는 전체 행위 기반 키워드 중 특정 행위 기반 키워드에 대응되는 함수 정보임 - 및 상기 특정 호출 함수 정보에 대응되는 호출 순서 정보를 참조로 하여, 제1 시퀀스를 획득하는 단계; (b) 상기 장치가, 복수의 과거 악성코드에 대응되는 복수의 참조 시퀀스 - 상기 복수의 참조 시퀀스는 소정의 데이터베이스에 저장되어 있음 - 중 적어도 하나의 제2 시퀀스와 상기 제1 시퀀스를 참조로 하여, 상기 제1 시퀀스와 상기 제2 시퀀스의 유사도를 판단하는 단계; 및 (c) 상기 유사도가 제1 임계치 이상인 것으로 판단되는 경우, 상기 장치가, 상기 유사도를 판단할 때 참조된 상기 제2 시퀀스에 대응되는 특정 과거 악성코드와 상기 제1 시퀀스에 대응되는 상기 미확인 코드를 동일한 특정 악성코드 클러스터 - 상기 특정 악성코드 클러스터는 상기 특정 과거 악성코드에 대응되는 악성코드 클러스터임 - 에 포함되는 것으로 판단하고, 상기 유사도가 상기 제1 임계치 미만인 것으로 판단되는 경우, 상기 장치가, 상기 미확인 코드를 별도 검사 대상으로 분류하는 단계; 를 포함하되, 상기 행위 ...(이하생략)
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 68 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 19.0 | 24.1 |
| Operating expenses | 15.1 | 17.9 |
| Operating income (loss) | 3.9 | 6.2 |
| Non-operating income | 0.2 | 0.3 |
| Other gains | 0.0 | 0.1 |
| Finance income | 0.1 | 0.2 |
| Non-operating expenses | 0.0 | 0.0 |
| Other losses | 0.0 | 0.0 |
| Finance costs | — | 0.0 |
| Profit (loss) before tax | 4.1 | 6.5 |
| Income tax expense | 0.8 | 0.4 |
| Net income (loss) | 3.3 | 6.2 |
Revenue ₩24.1bn, up 26.8% YoY.
Operating margin 25.8% (prior 20.6%).
Net income ₩6.2bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-06