Loading the company…
Loading the company…
㈜엔키화이트햇
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 2016. Industry: Software & IT Services. Revenue for 2025 was ₩14.2bn. It has 145 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-03-23 · latest registration 2026-08-25 · newest first
지능형 분산 네트워크 스캐닝 장치 및 방법이 제공된다. 상기 방법은, 미리 정의된 포트에 대한 선행 스캔으로 개방 포트를 식별하고 왕복 시간(RTT)을 측정하여 스캔 파라미터를 설정하는 단계, 전체 포트 범위를 복수의 청크로 분할하고 식별된 개방 포트를 각 청크에 추가하는 단계, 복수의 스캔 워커를 통해 C-클래스 네트워크 대역별 동시성 제어 하에 병렬로 스캔을 수행하여 개방 포트 정보를 획득하는 단계, 및 획득된 정보에 기초하여 서비스 정보를 식별하는 단계를 포함함으로써, 대규모 네트워크 자산을 빠르고 안정적이며 효율적으로 스캔할 수 있다.
크리덴셜 위협 인텔리전스 기반 해시 크래킹을 통한 취약성 진단 방법 및 그 장치가 제공된다. 상기 방법은 복수의 데이터 소스로부터 원시 크리덴셜 데이터를 수집하는 단계, 상기 수집된 원시 크리덴셜 데이터로부터 유출 도메인, 계정 식별자, 비밀번호, 수집 출처 및 수집 시각을 포함하는 메타데이터를 추출하여 데이터베이스에 인덱싱하고 저장하는 단계, 상기 메타데이터에 기초하여, 상기 저장된 크리덴셜 데이터로부터 대상 시스템에 상응하는 학습 데이터 셋을 구성하는 단계, 상기 학습 데이터 셋을 이용하여 비밀번호 생성 모델을 학습 또는 보정하고, 상기 학습 또는 보정된 비밀번호 생성 모델을 이용하여 후보 비밀번호들을 생성하는 단계, 상기 생성된 후보 비밀번호들을, 미리 설정된 워드리스트 정책 및 상기 대상 시스템의 비밀번호 정책에 기초하여 필터링하여, 비밀번호 워드리스트를 생성하는 단계, 상기 대상 시스템에 관한 비밀번호 해시 집합에 대하여 상기 생성된 비밀번호 워드리스트를 이용하여 해시 크래킹을 수행하는 단계, 및 상기 해시 크래킹 수행 결과에 기초하여 상기 대상 시스템의 취약성을 진단하는 단계를 포함한다.
시나리오 기반 취약점 체이닝을 이용한 취약점 자동 진단 방법 및 그 장치가 제공된다. 상기 방법은, 대상 시스템에 존재하는 복수의 취약점을 기능적 특성 및 안정성 특성에 따라 분류하는 단계, 상기 분류된 복수의 취약점 각각의 실행 전제 조건과 실행 산출물에 기초하여, 상기 복수의 취약점 간의 의존 관계를 분석하는 단계, 상기 분류 결과 및 상기 의존 관계 분석 결과에 기초하여, 제1 취약점의 실행 산출물이 제2 취약점의 실행 전제 조건을 만족시키는 관계를 이용하여, 원격 코드 실행이 가능한 상기 제1 취약점과 파일 시스템 접근이 가능한 상기 제2 취약점을 연계하는 실행 시나리오를 생성하는 단계, 상기 생성된 실행 시나리오에 따라, 상기 제1 취약점에 대응하는 진단 코드를 실행하여 상기 제2 취약점의 검증을 위한 표적 파일을 생성하는 단계, 및 상기 생성된 표적 파일을 대상으로 상기 제2 취약점에 대응하는 진단 코드를 실행하여 상기 제2 취약점의 유효성을 판단하는 단계를 포함한다.
웹 컴포넌트 분석 및 페이로드 생성 모델 기반 침투 테스트 자동화 장치 및 방법이 제공된다. 상기 장치는 웹 접근성 속성(Aria Label)을 이용하여 취약점 점검 대상 웹 페이지의 컴포넌트의 기능을 분석하고, 사용자 액션이 가능한 공격 대상 컴포넌트를 식별하는 동작, 상기 공격 대상 컴포넌트의 취약점을 분석하고, 상기 공격 대상 컴포넌트에 상응하는 공격 방식을 선별하는 동작, 공격 페이로드 생성 모델을 이용하여, 상기 공격 방식, 공격 페이로드 생성 지식 및 우회 지식을 기반으로, 제1 공격 페이로드를 생성하는 동작, 및 상기 제1 공격 페이로드를 포함하는 요청을 상기 공격 대상 컴포넌트에 상응하는 엔드포인트로 전송하여 제1 공격을 실행하는 동작을 수행한다.
영역별 해시 비교 및 블록별 이중 검증을 이용한 단계적 펌웨어 변조 탐지 방법 및 그 장치가 제공된다. 상기 방법은, 컴퓨터에 의해 실행되는 방법으로서, 원본 펌웨어를 복수의 영역들로 분할하고, 상기 복수의 영역들 각각에 대하여 기준 영역 해시값을 계산하는 단계, 상기 복수의 영역들 각각을 복수의 블록들로 분hal하고, 상기 복수의 블록들 각각에 대하여 기준 블록 해시값 및 기준 블록 엔트로피값을 계산하는 단계, 검사 대상 펌웨어를 상기 복수의 영역들에 상응하는 복수의 대상 영역들로 분할하고, 상기 복수의 대상 영역들 각각에 대하여 대상 영역 해시값을 계산하는 단계, 상기 복수의 기준 영역 해시값과 상기 복수의 대상 영역 해시값에 기초하여, 상기 검사 대상 펌웨어의 적어도 하나의 변조 의심 대상 영역을 식별하는 단계, 상기 변조 의심 대상 영역을 상기 복수의 블록들에 상응하는 복수의 대상 블록들로 분할하고, 상기 복수의 대상 블록들 각각에 대하여 대상 블록 해시값 및 대상 블록 엔트로피값을 계산하는 단계, 및 상기 기준 블록 해시값, 상기 대상 블록 해시값, 상기 기준 블록 엔트로피값, 및 상기 대상 블록 엔트로피값에 기초하여, 상기 검사 대상 펌웨어의 변조 여부를 결정하는 단계를 포함한다.
취약점 점검을 위한 침투 테스트 자동화 장치 및 방법이 제공된다. 상기 장치는 웹 접근성 속성(Aria Label)을 이용하여 취약점 점검 대상 웹 페이지의 컴포넌트의 기능을 분석하고, 사용자 액션이 가능한 공격 대상 컴포넌트를 식별하는 동작, 상기 공격 대상 컴포넌트의 취약점을 분석하고, 상기 공격 대상 컴포넌트에 상응하는 공격 방식을 선별하는 동작, 공격 페이로드 생성 모델을 이용하여, 상기 공격 방식, 공격 페이로드 생성 지식 및 우회 지식을 기반으로, 제1 공격 페이로드를 생성하는 동작, 및 상기 제1 공격 페이로드를 포함하는 요청을 상기 공격 대상 컴포넌트에 상응하는 엔드포인트로 전송하여 제1 공격을 실행하는 동작을 수행한다.
사이버 위협 탐지 규칙 자동 생성 장치 및 방법이 제공된다. 상기 장치는 악성 파일에 대한 분석 요청을 수신하는 동작, 상기 악성 파일을 격리된 가상 환경 내에서 실행하고, 상기 악성 파일의 실행 중 발생하는 복수의 이벤트에 관한 로그를 수집하는 동작, 상기 수집한 로그를 기반으로, 상기 복수의 이벤트를 인과관계에 따라 연결하여 시스템 프로비넌스 그래프로 모델링하여 그래프 데이터베이스에 저장하는 동작, 의심 행위 패턴 추출 모델을 이용하여, 상기 그래프 데이터베이스로부터 하나 이상의 의심 행위 패턴을 에피소드 단위로 추출하는 동작, TTP 추출 RAG 모델을 이용하여, 상기 의심 행위 패턴의 공격 의도 및 맥락에 상응하는 하나 이상의 TTP 정보를 획득하는 동작, 위협 인텔리전스 추출 RAG 모델을 이용하여, 상기 의심 행위 패턴의 공격 의도 및 맥락에 상응하는 하나 이상의 위협 인텔리전스 정보를 획득하는 동작, 및 탐지 규칙 생성 모델을 이용하여, 상기 하나 이상의 TTP 정보 및 상기 하나 이상의 위협 인텔리전스 정보를 기반으로 상기 의심 행위 패턴에 상응하는 위협을 탐지하기 위한 탐지 규칙을 생성하는 동작을 수행한다.
가상머신 기반 사이버 공방 훈련 콘텐츠 관리 시스템 및 방법이 제공된다. 상기 가상머신 기반 사이버 공방 훈련 콘텐츠 관리 시스템은 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 훈련 콘텐츠와 가상 환경의 구성 정보를 포함하는 표준화된 콘텐츠 템플릿을 수신하고, 수신된 상기 콘텐츠 템플릿을 분석하여 상기 가상 환경의 구성 정보를 추출하고, 추출된 상기 가상 환경의 구성 정보에 기반하여, 외부의 가상화 인프라를 제어하기 위한 자동 구성 명령을 생성하고, 생성된 상기 자동 구성 명령을, 상기 가상 환경을 실제로 생성하는 가상 환경 자동 구성 모듈로 전송한다.
서비스 가용성 및 취약점 패치 자동 평가 시스템 및 방법이 제공된다. 상기 서비스 가용성 및 취약점 패치 자동 평가 시스템은 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 시스템을 구성하는 가상 체커 시스템을 통해, 복수의 서비스 수준 협약(SLA) 단위 검사 모듈을 실행하여 평가 대상인 보안 자산의 서비스 가용성을 평가하고, 상기 서비스 가용성 평가가 성공한 경우에 한하여, 복수의 개념 증명(PoC) 단위 검사 모듈을 실행하여 상기 보안 자산의 취약점 패치 여부를 평가하며, 상기 서비스 가용성 평가 결과와 상기 취약점 패치 여부 평가 결과를 종합하여 최종 평가 결과를 생성한다.
스캐닝 트래픽 조절 기반 취약점 탐지 장치 및 방법이 제공된다. 상기 스캐닝 트래픽 조절 기반 취약점 탐지 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 탐지 대상 자산의 기술 스택을 분석하여 기술 스택 정보를 식별하고, 상기 기술 스택 정보에 기반하여 사전에 정의된 URL 경로 중 해당 자산에 최적화된 탐지 경로를 선택하며, 선택된 스캐닝 URL에 대해 스캐닝 요청을 생성하여 대상 서버에 전송하고, 각 요청에 대한 응답 시간(TTFB), 에러 응답률 및 타임아웃 발생률을 포함하는 응답 지표를 수집하여 서버의 응답 상태를 평가하고, 상기 응답 지표를 기반으로 스캐닝 트래픽의 전송 속도 또는 병렬도를 실시간으로 조절하고, 상기 스캐닝 요청에 대한 응답을 분석하여, 해당 자산에 취약점이 존재하는지를 판단한다.
사이버 자산 식별 및 신뢰도 평가 장치 및 방법이 제공된다. 상기 사이버 자산 식별 및 신뢰도 평가 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 인터넷에 노출된 사이버 자산을 복수의 서로 다른 탐지 방식에 의해 수집하고, 수집된 각 자산이 어떤 탐지 방식에 의해 식별되었는지를 기록하며, 각 탐지 방식에 사전 정의된 탐지 신뢰도 점수를 적용하여 자산별 기본 점수(Base Score)를 산출하고, 탐지 방식 간 탐지 순서의 인과 관계를 분석하여 선형적 흐름이 존재하는 경우 선형 보너스 점수(Linear Bonus)를 산출하고, 서로 기술적으로 독립된 복수의 탐지 방식에서 동일 자산이 병렬적으로 반복 탐지된 경우 다양성 보너스 점수(Diversity Bonus)를 산출하며, 기본 점수, 선형 보너스 점수 및 다양성 보너스 점수, 중복 탐지 보정 점수, 연관성 보정 점수 중 하나 이상의 총점 산출 항목을 종합하여 자산별 탐지 신뢰도 총점을 산출하고, 이에 따라 자산의 신뢰도를 정량적으로 등급화한다.
공격 코드를 포함하는 확장 사이버 위협 정보를 이용한 침투테스트 자동화 장치 및 방법이 제공된다. 상기 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 제1 규격에 따라 표현된 사이버 위협 정보를 로딩하고, 상기 사이버 위협 정보에 하나 이상의 침투테스트용 공격 코드 및 상기 공격 코드에 관한 정보를 삽입함으로써 하나 이상의 확장(extended) 사이버 위협 정보를 생성하고, 제1 프로토콜에 따라 상기 하나 이상의 확장 사이버 위협 정보를 사이버 위협 정보 저장 서버에 업로드하고, 상기 제1 프로토콜에 따라 상기 사이버 위협 정보 저장 서버로부터 표적 시스템에 상응하는 침투테스트용 공격 코드를 검색하여 상기 침투테스트용 공격 코드에 상응하는 상기 하나 이상의 확장 사이버 위협 정보를 다운로드하고, 다운로드한 상기 하나 이상의 확장 사이버 위협 정보로부터 상기 하나 이상의 침투테스트용 공격 코드를 추출하고, 상기 제1 규격은 구조화된 사이버 위협 정보 표현 규격인 STIX(Structured Threat Information Expression)를 포함하고, 상기 하나 이상의 확장 사이버 위협 정보를 생성하는 것은, 제1 타입의 ...(이하생략)
악성 코드를 이용한 침투 테스트 수행 방법 및 장치가 제공된다. 상기 악성 코드를 이용한 침투 테스트 수행 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 악성 코드 내에 탑재된 공격 전술(Tactics), 기법(Techniques), 및 절차(Process)를 식별하고, 상기 악성 코드로부터 시스템에 악영향을 끼치는 공격 전술, 기법, 또는 절차에 관한 바이너리 코드와 C2 서버 접속 기능에 관한 바이너리 코드를 제거하고, 상기 악성 코드 내에 모의 해킹에 필요한 공격 전술, 기법 또는 절차에 관한 바이너리 코드와 모의 해킹용 C2 서버 접속 기능에 관한 바이너리 코드를 추가하여 모의 악성 코드를 생성하고, 상기 모의 악성 코드를 침투 테스트의 표적 시스템에 설치하고 원격으로 침투 테스트를 수행할 수 있다.
사이버 위협 정보를 이용한 침투테스트 자동화 장치 및 방법이 제공된다. 상기 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 제1 규격에 따라 표현된 사이버 위협 정보를 로딩하고, 상기 사이버 위협 정보에 하나 이상의 침투테스트용 공격 코드 및 상기 공격 코드에 관한 정보를 삽입함으로써 하나 이상의 확장 사이버 위협 정보를 생성하고, 제1 프로토콜에 따라 상기 하나 이상의 확장 사이버 위협 정보를 사이버 위협 정보 저장 서버에 업로드하고, 상기 제1 프로토콜에 따라 상기 사이버 위협 정보 저장 서버로부터 표적 시스템에 상응하는 침투테스트용 공격 코드를 검색하여 상기 침투테스트용 공격 코드에 상응하는 상기 하나 이상의 확장 사이버 위협 정보를 다운로드하고, 다운로드한 상기 하나 이상의 확장 사이버 위협 정보로부터 상기 하나 이상의 침투테스트용 공격 코드를 추출한다.
네트워크 상의 테스트 타겟에 대한 대량 공격 트래픽 생성 시스템 및 그 시스템의 동작 방법이 제공된다. 네트워크 상의 테스트 타겟에 대한 대량 공격 트래픽 생성 시스템은, 테스트 공격 메시지를 수신하여 테스트 공격 패킷을 테스트 타겟으로 전송하는 복수의 클라이언트; 및 제1 시점에 제1 공격 옵션을 포함하는 제1 테스트 공격 메시지를 상기 복수의 클라이언트 중 하나 이상에 전송하고, 상기 제1 시점 이후의 제2 시점에 제2 공격 옵션을 포함하는 제2 테스트 공격 메시지를 상기 복수의 클라이언트 중 하나 이상에 전송하는 서버를 포함하고, 상기 제1 공격 옵션과 제2 공격 옵션은 테스트 공격을 위해 랜덤하게 생성된 서로 다른 복수의 파라미터를 포함한다.
엔드 포인트 공격 탐지 방법 및 장치가 제공된다. 상기 엔드 포인트 공격 탐지 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 엔드포인트에서 발생하는 하나 이상의 시스템 로그를 수집하고, 상기 수집한 시스템 로그 중 사이버 공격 행위로 의심되는 하나 이상의 시스템 로그에 대하여 TTP 매핑을 수행하고, 상기 TTP 매핑 결과를 TTP 탐지 후보로 정의하고, 소정의 시간 동안 발생한 상기 TTP 탐지 후보의 위협도의 합 또는 소정의 시간 동안 발생한 상기 TTP 탐지 후보의 발생 패턴과 소정의 공격 그룹의 공격 패턴 간의 유사도에 기초하여 상기 TTP 탐지 후보 중 적어도 일부를 사이버 공격으로 탐지한다.
버그 바운티에서 제보된 보안 취약점에 대한 가치 평가 방법 및 장치가 제공된다. 상기 가치 평가 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 버그 바운티에서 제보된 보안 취약점의 CVSS(Common Vulnerability Scoring System)에 관한 기술적 측면을 평가하고, 동등한 CVSS 점수를 가진 타 보안 취약점의 블랙마켓 거래 금액 이력 또는 버그 바운티의 포상 금액 이력에 기초하여 상기 보안 취약점의 경제적 측면을 평가하고, 상기 보안 취약점에 따른 인지도 하락 및 이용자 이탈로 인한 영업 손해에 관한 영업적 측면을 평가하고, 상기 보안 취약점과 관련한 법규 위반에 따라 예상되는 금전 제재에 관한 법적 측면을 평가하고, 상기 기술적 측면, 상기 경제적 측면, 상기 영업적 측면, 상기 법적 측면의 평가 결과를 종합하여 상기 보안 취약점에 대한 가치를 평가한다.
침투 테스트 공격 데이터를 이용한 학습 데이터 생성 장치 및 방법, 및 생성된 학습 데이터를 이용한 인공 신경망 모델의 학습 장치 및 방법이 제공된다. 상기 침투 테스트 공격 데이터를 이용한 학습 데이터 생성 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 침투 테스트가 수행되는 엔드포인트 또는 네트워크 단에서 발생하는 시스템 로그에 기초하여 침투 테스터의 공격 행위 정보를 수집하고, 상기 공격 행위 정보에 상응하는 공격 메타데이터 정보를 생성하고, 상기 공격 메타데이터 정보를 상기 공격 행위 정보에 대한 레이블로 지정하여 학습 데이터를 구성하고, 상기 공격 메타데이터 정보는 침투 테스트 표적 시스템의 식별 정보, 상기 침투 테스트 표적 시스템의 보안 취약점 정보, 상기 침투 테스터의 공격 기법 정보를 포함할 수 있다.
악성 코드를 이용한 침투 테스트 수행 방법 및 장치가 제공된다. 상기 악성 코드를 이용한 침투 테스트 수행 장치는 하나 이상의 인스트럭션을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 악성 코드 내에 탑재된 공격 전술(Tactics), 기법(Techniques), 및 절차(Process)를 식별하고, 상기 악성 코드로부터 시스템에 악영향을 끼치는 공격 전술, 기법, 또는 절차에 관한 바이너리 코드와 C2 서버 접속 기능에 관한 바이너리 코드를 제거하고, 상기 악성 코드 내에 모의 해킹에 필요한 공격 전술, 기법 또는 절차에 관한 바이너리 코드와 모의 해킹용 C2 서버 접속 기능에 관한 바이너리 코드를 추가하여 모의 악성 코드를 생성하고, 상기 모의 악성 코드를 침투 테스트의 표적 시스템에 설치하고 원격으로 침투 테스트를 수행할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 19 of 19 · 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 | 7.9 | 14.2 |
| Cost of sales | 3.7 | 5.3 |
| Gross profit (loss) | 4.3 | 8.9 |
| Selling, general and administrative expenses | 3.3 | 5.4 |
| Operating income (loss) | 1.0 | 3.5 |
| Non-operating income | 0.1 | 0.1 |
| Other gains | 0.0 | 0.0 |
| Finance income | 0.1 | 0.1 |
| Non-operating expenses | 1.1 | 6.9 |
| Other losses | 0.0 | 0.0 |
| Finance costs | 1.1 | 6.9 |
| Profit (loss) before tax | (0.2) | (3.3) |
| Income tax expense | (0.1) | (0.1) |
| Net income (loss) | (0.0) | (3.2) |
Revenue ₩14.2bn, up 78.4% YoY.
Operating margin 24.5% (prior 12.2%).
Net income ₩-3.2bn.
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 2026-11-07