Loading the company…
Loading the company…
㈜쿼드마이너
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 2017. Industry: Software & IT Services. Group consolidated revenue for 2025 was ₩12.1bn — this includes subsidiaries and is not the revenue of this entity alone. It has 70 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-01-20 · latest registration 2026-09-29 · newest first
본 출원의 일 실시예에 따른 컨텐츠 활동 탐지를 위한 컨텐츠 추출 규칙을 구조화하는 방법은, 네트워크를 통해 송수신되는 패킷들을 수집하는 단계, 컨텐츠 활동에 대응하는 패킷의 패턴을 분석하는 단계, 상기 분석에 기반하여 상기 패턴을 정의하는 복수의 세션들로 분류하는 단계, 제 1 컨텐츠를 추출하기 위하여 사용자로부터 상기 복수의 세션들 각각에 대한 조건을 설정하는 제 1 입력을 수신하는 단계 및 대상 패킷들을 획득하고, 획득된 대상 패킷들 중 상기 제 1 입력에 대응하는 패킷을 추출하는 단계를 포함할 수 있다.
본 개시는 공격 분석 장치 및 그 방법을 제안한다. 구체적으로, 공격 분석 장치는 적어도 하나의 플로우에 대응하는 결합 페이로드 중 적어도 하나를 텍스트로 변환하는 전처리부와, 언어 모델에 기반하여 상기 텍스트를 임베딩 벡터로 변환하고 공격 행위를 탐지하는 공격 탐지부를 포함한다.
본 개시는 매핑 장치 및 그 방법을 제안한다. 구체적으로, 매핑 장치는 탐지룰을 구조화 데이터로 변환하는 탐지룰 변환부와, 구조화 데이터와 관련된 프롬프트를 대규모 언어 모델에 입력하여 후보 전술과 기법들, 후보 전술과 기법들 각각의 확신도, 및/또는 후보 전술과 기법들 각각의 근거를 포함하는 응답 정보를 수신하는 탐지룰 분석부를 포함한다.
본 출원의 일 실시예에 따른 장치가 자연어 처리에 기반하여 이상행위를 탐지하는 방법은, 네트워크를 통해 송수신되는 풀패킷 데이터를 획득하는 단계, 상기 풀패킷 데이터로부터 메타데이터 및 텍스트 데이터를 추출하는 단계, 상기 메타데이터 및 텍스트 데이터를 구조화된 입력 데이터로 변환하는 단계, 상기 구조화된 입력 데이터로부터 복수의 피처들을 추출하는 단계 및 상기 복수의 피처들 중에서, 복수의 시나리오별 이상행위 탐지 모델 각각에 대응하는 피처 집합을 상기 복수의 시나리오별 이상행위 탐지 모델 각각에 입력하여 상기 풀패킷 데이터의 이상행위 여부를 판단하는 단계를 포함하는 것을 일 특징으로 한다.
본 출원의 일 실시예에 따른 전자 장치가 네트워크 행위를 다면 분석하여 비정상행위를 탐지하는 방법은, 송수신되는 패킷들을 획득하는 단계, 획득된 패킷들을 분석하여 패킷 정보를 생성하는 단계, 생성된 패킷 정보에 기반하여 미리 설정된 기간에 대한 통계 정보를 생성하는 단계, 상기 패킷 정보 및 통계 정보에서 복수의 행위분석 시나리오들 각각에 대응하는 시나리오 데이터들을 추출하는 단계, 미리 학습된 신경망에 상기 시나리오 데이터들을 입력하여 결과값들을 확인하는 단계 및 상기 결과값들에 기반하여 사용자의 비정상행위를 판단하는 단계를 포함하는 것을 일 특징으로 한다.
본 출원의 일 실시예에 따른 전자 장치가 단말 별 네트워크 행위를 분석하여 비정상 행위를 탐지하는 방법은, 네트워크를 통해 송수신되는 패킷들을 획득하여 특정 기간 동안의 플로우(flow)들을 획득하는 단계, 상기 네트워크에 연결된 복수의 단말들에 대하여, 단말 별 플로우 데이터를 생성하는 단계, 생성된 단말 별 플로우 데이터에 대한 하이브리드 샘플링을 수행하여 신경망을 학습시키는 단계 및 학습된 신경망에 기반하여 상기 복수의 단말들 중 비정상 단말을 확인하는 단계를 포함하는 것을 일 특징으로 한다. 본 발명의 일 실시 예에 따르면, 네트워크를 통해 획득되는 플로우들을 단말 별로 결합하여 더 높은 수준으로 보안 위협을 탐지할 수 있다.
본 개시는 스마트닉 장치 및 그 방법을 제안한다. 구체적으로, 스마트닉 장치는 서버 장치로부터 전달 받은 사용자 정책에 기반하여 접근 제어 목록을 결정하는 접근 제어 모듈과, 유입된 트래픽이 접근 제어 목록에 매칭되지 않는 것에 기반하여, 접근 제어 모듈로 접근 제어 목록을 요청하여 전달 받으며, 트래픽이 상기 접근 제어 목록에 매칭되는 것에 기반하여, 접근 제어 목록에 따라 (i) 트래픽 드랍 동작, (ii) 상기 서버 장치로의 전달 동작, 및/또는 (iii) 목적지로의 전달 동작 중 적어도 하나를 수행하는 트래픽 보안 연동 제어 모듈을 포함한다.
본 개시는 공격 위험도 결정 장치 및 그 방법을 제안한다. 구체적으로, 공격 위험도 결정 장치는, 실시간으로 공격자가 목표를 달성하기 위한 테크닉(technique)을 탐지하고 기 설정된 시간 단위로 테크닉의 탐지 횟수를 세는 카운팅부와, 슬라이딩 윈도우(sliding window)에 포함된 적어도 하나의 탐지 횟수에 기반하여 임계 값과 누수(leak) 값을 산출하는 버킷 산출부와, 테크닉의 탐지 횟수가 임계 값과 누수 값에 의한 버킷(bucket)을 기 설정된 값 만큼 초과하는 것에 기반하여 테크닉의 위험도를 결정하는 테크닉 위험도 결정부를 포함한다.
본 개시는 자산 위험 결정 장치 및 그 방법을 제안한다. 구체적으로, 자산 위험 결정 장치는, 수집된 패킷에 기반하여 위협 시나리오에 대한 탐지 내역 데이터를 생성하는 시나리오 탐지부와, 탐지 내역 데이터에 포함되는 하나 이상의 테크닉 내역들의 위험도와 각 그룹 별 가중치 테이블의 하나 이상의 테크닉 내역들에 대응하는 가중치를 내적하고, 내적 값에 기 정의된 함수를 적용하여 각 그룹 별 위험 점수를 산출하는 위험 점수 산출부와, 각 그룹 별 위험 점수 중 최대 값을 네트워크를 구성하는 자산의 위험 점수로 결정하는 자산 위험 결정부를 포함한다.
본 출원의 일 실시예에 따른 패킷의 희귀도에 기반하여 비정상 트래픽을 탐지하는 방법은, 설정된 기간에 발생된 네트워크 트래픽에 기반하여 사용자들의 트래픽 성향을 분석하는 단계, 네트워크를 통해 송수신되는 트래픽에서 패킷들을 수집하는 단계, 상기 분석된 트래픽 성향에 기반하여 상기 패킷들 중 희귀도가 높은 희귀 패킷을 판단하는 단계 및 미리 분류된 시나리오들에 기반하여 상기 희귀 패킷의 이상 행위를 탐지하는 단계를 포함하는 것을 일 특징으로 한다.
본 출원의 일 실시예에 따른 컨텐츠 활동을 모니터링하는 장치가 컨텐츠를 복원하는 방법은, 네트워크를 통해 송수신되는 데이터 트래픽으로부터 패킷 데이터를 수집하는 단계, 상기 패킷 데이터의 원본을 디스크에 저장하는 단계, 상기 패킷 데이터를 인덱싱하여 고속 검색 DB를 생성하는 단계, 상기 고속 검색 DB에서 조건 값에 대응하는 패킷을 검색하고, 상기 패킷의 세션 정보를 확인하는 단계, 상기 디스크에서 상기 세션 정보와 관련된 패킷들의 원본 데이터를 조회하는 단계 및 상기 조회된 원본 데이터를 조합하여 컨텐츠를 복원하는 단계를 포함하는 것을 일 특징으로 한다.
본 출원의 일 실시예에 따른 딥러닝 모델에 기반하여 패킷의 어플리케이션을 분석하는 방법은, 네트워크를 통해 전송되는 패킷들에 기반하여 복수의 패킷 이미지들을 생성하는 단계, 상기 복수의 패킷 이미지들 및 상기 복수의 패킷 이미지들에 대응하는 메타데이터에 기반하여 패킷 이미지의 어플리케이션을 판단하도록 딥러닝 모델을 학습시키는 단계, 상기 네트워크를 통해 실시간으로 전송되는 패킷 데이터를 수집하고, 패킷 이미지로 변환하는 단계 및 상기 패킷 이미지와 상기 패킷 데이터의 메타데이터 정보를 상기 딥러닝 모델에 입력하여 상기 패킷 데이터의 어플리케이션을 판단하는 단계를 포함하는 것을 일 특징으로 한다. 본 발명의 일 실시 예에 따르면, 딥러닝 모델을 이용하여, 개발자가 직접 패킷의 패턴분석을 하지 않고도 패킷을 이미지화하여 어플리케이션을 분석할 수 있다. 본 발명의 일 실시 예에 따르면, 딥러닝 모델을 이용하여, 미리 발생하는 서비스의 패킷을 분석하여 패턴화시키는 과정 없이도 패킷의 어플리케이션을 분석할 수 있다.
본 발명의 일 실시 예에 따른 네트워크를 구성하는 복수의 자산들을 특성에 따라 군집화하는 방법은, 자산의 특성 정보를 의미하는 복수의 특성들을 설정하는 단계-상기 자산은 하나 이상의 특성을 가짐-, 상기 복수의 특성들 각각에 대하여, 특성에 해당하는 자산을 포함하도록 특성 그룹을 설정하는 단계-상기 자산은 하나 이상의 특성 그룹에 포함됨-, 상기 복수의 특성들 중 하나 이상의 특성을 포함하는 복수의 군집 유형들을 설정하는 단계, 상기 복수의 자산들 각각에 대하여, 상기 복수의 군집 유형들 중 자산이 해당하는 하나의 군집 유형을 판단하는 단계 및 상기 복수의 자산들 각각에 대하여, 자산이 해당하는 군집 유형의 인덱스를 할당하여 저장하는 단계를 포함할 수 있다. 본 발명에 따른 자산의 분류 방법은 군집 유형에 따라 자산을 분류함으로써 보다 빠르고 직관적으로 각 자산의 유형 및 각 유형별 자산의 수를 파악하고 검색할 수 있도록 하였다.
본 출원의 일 실시예에 따른 네트워크에서 수집된 패킷들을 분류하는 방법은, 사용자로부터 복수의 그룹들을 설정하기 위한 그룹 설정 조건 및 그룹명을 수신하는 동작, 상기 그룹 설정 조건 및 상기 그룹명에 기반하여 상기 패킷들을 그룹화하는 동작, 상기 사용자로부터 검색 조건을 수신하는 동작 및 상기 검색 조건에 해당하는 그룹의 패킷을 표시하는 동작을 포함할 수 있다.
본 출원의 일 실시예에 따른 자원 기만 방법은, 제 1 모드에서 사용자로부터 입력을 수신하는 동작, 제 2 모드에서 상기 사용자에 대하여 사용자 인증 여부를 판단하는 동작, 상기 사용자가 인증된 사용자인 경우, 제 1 경로를 통해 상기 수신된 입력에 대응하는 자원을 제공하는 동작 및 상기 사용자가 인증된 사용자가 아닌 경우, 제 2 경로를 통해 위장 자원을 제공하는 동작을 포함하는 것을 일 특징으로 한다.
본 발명은 단말의 위협 행위 표시 방법에 관한 것으로, 네트워크 내에서 패킷을 분석하여 위협 행위 데이터를 수집하고, 상기 위협 행위 데이터를 공격 식별자, 호스트 및 공격 유형에 따라 분류하는 데이터 수집 단계, 단말 화면의 제1 영역에 분류된 상기 위협 행위 데이터를 MITRE ATT0026#CK 행렬에 따라 블록화하여 표시하는 제1 블록 표시단계, 상기 화면의 제2 영역에 상기 위협 행위 데이터를 호스트별로 블록화하여 표시하는 제2 블록 표시단계, 임의의 제2 블록을 선택하는 신호가 수신되면, 상기 제1 블록 중 상기 제2 블록의 기준과 관련된 위협 행위에 대응되는 블록의 표시 특성을 변환하는 단계를 포함한다.
본 출원의 일 실시예에 따른 전자 장치가 단말 별 네트워크 행위를 분석하여 비정상 행위를 탐지하는 방법은, 네트워크를 통해 송수신되는 패킷들을 획득하여 특정 기간 동안의 플로우(flow)들을 획득하는 단계, 상기 네트워크에 연결된 복수의 단말들에 대하여, 단말 별 플로우 데이터를 생성하는 단계, 생성된 단말 별 플로우 데이터에 대한 하이브리드 샘플링을 수행하여 신경망을 학습시키는 단계 및 학습된 신경망에 기반하여 상기 복수의 단말들 중 비정상 단말을 확인하는 단계를 포함하는 것을 일 특징으로 한다. 본 발명의 일 실시 예에 따르면, 네트워크를 통해 획득되는 플로우들을 단말 별로 결합하여 더 높은 수준으로 보안 위협을 탐지할 수 있다.
본 출원의 일 실시예에 따른 전자 장치가 네트워크 행위를 다면 분석하여 비정상행위를 탐지하는 방법은, 송수신되는 패킷들을 획득하는 단계, 획득된 패킷들을 분석하여 패킷 정보를 생성하는 단계, 생성된 패킷 정보에 기반하여 미리 설정된 기간에 대한 통계 정보를 생성하는 단계, 상기 패킷 정보 및 통계 정보에서 복수의 행위분석 시나리오들 각각에 대응하는 시나리오 데이터들을 추출하는 단계, 미리 학습된 신경망에 상기 시나리오 데이터들을 입력하여 결과값들을 확인하는 단계 및 상기 결과값들에 기반하여 사용자의 비정상행위를 판단하는 단계를 포함하는 것을 일 특징으로 한다.
본 출원의 일 실시예에 따른 컨텐츠 활동 탐지를 위한 컨텐츠 추출 규칙을 구조화하는 방법은, 네트워크를 통해 송수신되는 패킷들을 수집하는 단계, 컨텐츠 활동에 대응하는 패킷의 패턴을 분석하는 단계, 상기 분석에 기반하여 상기 패턴을 정의하는 복수의 세션들로 분류하는 단계, 제 1 컨텐츠를 추출하기 위하여 사용자로부터 상기 복수의 세션들 각각에 대한 조건을 설정하는 제 1 입력을 수신하는 단계 및 대상 패킷들을 획득하고, 획득된 대상 패킷들 중 상기 제 1 입력에 대응하는 패킷을 추출하는 단계를 포함할 수 있다.
본 개시는 시나리오 헌팅 기반의 위험 점수 산출 장치 및 그 방법을 제안한다. 구체적으로, 위험 점수 산출 장치는 네트워크를 구성하는 자산의 패킷을 수집하는 패킷 수집부와, 수집된 패킷에 기반하여 위협 시나리오에 대한 탐지 내역 데이터를 생성하는 시나리오 탐지부와 탐지 내역 데이터에 포함되는 하나 이상의 테크닉 내역들의 위험도와 각 그룹 별 가중치 테이블에 기반하여 각 그룹 별 위험 점수를 산출하는 위험 점수 산출부를 포함한다.
본 출원의 일 실시예에 따른 컨텐츠 활동을 모니터링하는 장치가 컨텐츠를 복원하는 방법은, 네트워크를 통해 송수신되는 데이터 트래픽으로부터 패킷 데이터를 수집하는 단계, 상기 패킷 데이터의 원본을 디스크에 저장하는 단계, 상기 패킷 데이터를 인덱싱하여 고속 검색 DB를 생성하는 단계, 상기 고속 검색 DB에서 조건 값에 대응하는 패킷을 검색하고, 상기 패킷의 세션 정보를 확인하는 단계, 상기 디스크에서 상기 세션 정보와 관련된 패킷들의 원본 데이터를 조회하는 단계 및 상기 조회된 원본 데이터를 조합하여 컨텐츠를 복원하는 단계를 포함하는 것을 일 특징으로 한다.
본 개시는 공격 위험도 결정 장치 및 그 방법을 제안한다. 구체적으로, 공격 위험도 결정 장치는 각 테크닉(technique)의 카운팅 수에 슬라이딩 윈도우를 적용하여 각 테크닉에 대한 버스트 값들을 산출하고, 버스트 값들 중 최대 값을 스케일하여 임계 값을 산출하며, 각 테크닉의 카운팅 수를 평균하여 누수 값을 산출하는 버킷 산출부와, 각 테크닉의 실시간 카운팅 수가 임계 값과 누수 값에 의한 버킷을 기 설정된 만큼을 초과하는 것에 기반하여, 각 테크닉의 위험도를 결정하는 테크닉 위험도 결정부와 각 위협룰에 포함되는 하나 이상의 테크닉들의 위험도에 기반하여, 위협룰(threat rule)에 대한 위험도를 결정하는 공격 위험도 결정부를 포함한다.
본 출원의 일 실시예에 따른 패킷의 희귀도에 기반하여 비정상 트래픽을 탐지하는 방법은, 설정된 기간에 발생된 네트워크 트래픽에 기반하여 사용자들의 트래픽 성향을 분석하는 단계, 네트워크를 통해 송수신되는 트래픽에서 패킷들을 수집하는 단계, 상기 분석된 트래픽 성향에 기반하여 상기 패킷들 중 희귀도가 높은 희귀 패킷을 판단하는 단계 및 미리 분류된 시나리오들에 기반하여 상기 희귀 패킷의 이상 행위를 탐지하는 단계를 포함하는 것을 일 특징으로 한다.
본 출원의 일 실시예에 따른 딥러닝 모델에 기반하여 패킷의 어플리케이션을 분석하는 방법은, 네트워크를 통해 전송되는 패킷들에 기반하여 복수의 패킷 이미지들을 생성하는 단계, 상기 복수의 패킷 이미지들 및 상기 복수의 패킷 이미지들에 대응하는 메타데이터에 기반하여 패킷 이미지의 어플리케이션을 판단하도록 딥러닝 모델을 학습시키는 단계, 상기 네트워크를 통해 실시간으로 전송되는 패킷 데이터를 수집하고, 패킷 이미지로 변환하는 단계 및 상기 패킷 이미지와 상기 패킷 데이터의 메타데이터 정보를 상기 딥러닝 모델에 입력하여 상기 패킷 데이터의 어플리케이션을 판단하는 단계를 포함하는 것을 일 특징으로 한다. 본 발명의 일 실시 예에 따르면, 딥러닝 모델을 이용하여, 개발자가 직접 패킷의 패턴분석을 하지 않고도 패킷을 이미지화하여 어플리케이션을 분석할 수 있다. 본 발명의 일 실시 예에 따르면, 딥러닝 모델을 이용하여, 미리 발생하는 서비스의 패킷을 분석하여 패턴화시키는 과정 없이도 패킷의 어플리케이션을 분석할 수 있다.
본 개시는 스마트닉 기반의 트래픽 제어 장치 및 그 방법을 제안한다. 구체적으로, 클라우드 서버와 스마트닉을 포함하는 트래픽 제어 장치는 스마트닉은 트래픽 보안 연동 제어 모듈 및 접근 제어 모듈을 포함하고, 트래픽 보안 연동 제어 모듈은 유입된 트래픽이 접근 제어 목록에 매칭되는 것에 기반하여 트래픽을 제어하며, 접근 제어 모듈은 클라우드 서버로부터 사용자 정책을 전달 받고 사용자 정책에 기반하여 트래픽 보안 연동 제어 모듈에 접근 제어 목록을 전달한다.
본 발명이 해결하고자 하는 과제는 풀 패킷이라는 대량의 데이터에서 검색 조건에 해당하는 패킷을 고속으로 검색할 수 있도록 실시간 누적 데이터를 처리하는 방법에 관한 것으로, 5-tuple 정보를 포함하는 플로우 정보와 메타정보, 컨텐츠 정보, 위협탐지정보, 자산정보, URL 정보 및 IP 정보를 포함하는 패키지 정보에서 적어도 하나의 정보를 획득하는 네트워크 패킷 정보 수신단계, 패키지 정보의 식별정보와 플로우 정보의 식별정보를 인덱스한 맵핑 테이블 생성 단계, 맵핑 테이블을 포함하여 플로우 정보에 특화된 데이터를 생성하여 데이터베이스에 저장하는 단계를 포함한다.
본 발명의 일 실시 예에 따른 자산 군집화 분류 방법은 자산을 특성별로 분류하여 적어도 하나 이상의 특성 그룹을 생성하는 단계, 자산이 속하는 적어도 하나 이상의 특성 그룹을 군집 유형으로 분류하고, 자산을 군집 유형에 따라 분류하는 군집화 표본 생성 단계, 및 화 표본을 데이터베이스에 저장하는 단계를 포함하여 이루어질 수 있다. 본 발명에 따른 자산의 분류 방법은 군집 유형에 따라 자산을 분류함으로써 보다 빠르고 직관적으로 각 자산의 유형 및 각 유형별 자산의 수를 파악하고 검색할 수 있도록 하였다.
본 개시의 일 실시 예에 따른 고속 패킷 검색 방법은 네트워크에서 수집된 패킷들 중에서 검색 조건에 해당하는 패킷을 고속으로 검색하는 방법에 있어서, 상기 검색 조건에 특화된 데이터를 생성하여 데이터베이스에 저장하는 단계; 및 상기 검색 조건이 입력되면, 상기 저장된 데이터에 기초하여, 상기 입력된 검색 조건에 해당하는 패킷을 검색하는 단계를 포함한다.
본 발명은 기업 내 자산의 위협 행위 파악을 위한 특화된 데이터베이스 구축을 포함하는 네트워크 패킷 분석 방법 및 시스템에 관한 것으로, 네트워크 패킷을 분석하여 위협 행위를 탐지하는 패킷 분석 단계, 탐지된 위협 행위 중 기 설정된 위협 행위 분류에 대응되는 위협 행위를 추출하는 추출 단계, 추출된 위협행위 데이터를 미리 정의한 용도에 따라 병합하는 병합 단계, 병합된 데이터를 이용하여 패킷 내 정보 중 하나를 키(Key)로 하는 데이터베이스를 적어도 하나 이상 구축하는 데이터베이스 구축 단계를 포함하고, S1 내지 S4 단계는 각각 독립적으로 실행되도록 구성된다. 이에 더하여, 본 발명은 데이터베이스 구축 단계에서 추출된 위협 행위를 인프라 내 자산의 IP주소를 기반으로 분류하고, 특화된 데이터베이스를 구축하여 기업 내 자산의 관리를 보다 용이하게 할 수 있도록 한다. 이를 통해 트래픽 양이 증가하는 경우에도 데이터의 누락 없이 모든 패킷을 분석할 수 있도록 하였으며, 분석된 데이터를 용이하게 검색 가능하도록 별도의 키 값을 가지는 데이터베이스를 복수개 구비하도록 하였다.
본 출원의 일 실시예에 따른 자원 기만 방법은, 제 1 모드에서 사용자로부터 입력을 수신하는 동작, 제 2 모드에서 상기 사용자에 대하여 사용자 인증 여부를 판단하는 동작, 상기 사용자가 인증된 사용자인 경우, 제 1 경로를 통해 상기 수신된 입력에 대응하는 자원을 제공하는 동작 및 상기 사용자가 인증된 사용자가 아닌 경우, 제 2 경로를 통해 위장 자원을 제공하는 동작을 포함하는 것을 일 특징으로 한다.
본 출원의 일 실시예에 따른 네트워크에서 수집된 패킷들을 분류하는 방법은, 사용자로부터 복수의 그룹들을 설정하기 위한 그룹 설정 조건 및 그룹명을 수신하는 동작, 상기 그룹 설정 조건 및 상기 그룹명에 기반하여 상기 패킷들을 그룹화하는 동작, 상기 사용자로부터 검색 조건을 수신하는 동작 및 상기 검색 조건에 해당하는 그룹의 패킷을 표시하는 동작을 포함할 수 있다.
본 발명의 일 실시 예에 따른 자산 군집화 분류 방법은 자산을 특성별로 분류하여 적어도 하나 이상의 특성 그룹을 생성하는 단계, 자산이 속하는 적어도 하나 이상의 특성 그룹을 군집 유형으로 분류하고, 자산을 군집 유형에 따라 분류하는 군집화 표본 생성 단계, 및 화 표본을 데이터베이스에 저장하는 단계를 포함하여 이루어질 수 있다. 본 발명에 따른 자산의 분류 방법은 군집 유형에 따라 자산을 분류함으로써 보다 빠르고 직관적으로 각 자산의 유형 및 각 유형별 자산의 수를 파악하고 검색할 수 있도록 하였다.
본 발명이 해결하고자 하는 과제는 풀 패킷이라는 대량의 데이터에서 검색 조건에 해당하는 패킷을 고속으로 검색할 수 있도록 실시간 누적 데이터를 처리하는 방법에 관한 것으로, 5-tuple 정보를 포함하는 플로우 정보와 메타정보, 컨텐츠 정보, 위협탐지정보, 자산정보, URL 정보 및 IP 정보를 포함하는 패키지 정보에서 적어도 하나의 정보를 획득하는 네트워크 패킷 정보 수신단계, 패키지 정보의 식별정보와 플로우 정보의 식별정보를 인덱스한 맵핑 테이블 생성 단계, 맵핑 테이블을 포함하여 플로우 정보에 특화된 데이터를 생성하여 데이터베이스에 저장하는 단계를 포함한다.
본 발명은 단말의 위협 행위 표시 방법에 관한 것으로, 네트워크 내에서 패킷을 분석하여 위협 행위 데이터를 수집하고, 상기 위협 행위 데이터를 공격 식별자, 호스트 및 공격 유형에 따라 분류하는 데이터 수집 단계, 단말 화면의 제1 영역에 분류된 상기 위협 행위 데이터를 MITRE ATT0026#CK 행렬에 따라 블록화하여 표시하는 제1 블록 표시단계, 상기 화면의 제2 영역에 상기 위협 행위 데이터를 호스트별로 블록화하여 표시하는 제2 블록 표시단계, 임의의 제2 블록을 선택하는 신호가 수신되면, 상기 제1 블록 중 상기 제2 블록의 기준과 관련된 위협 행위에 대응되는 블록의 표시 특성을 변환하는 단계를 포함한다.
본 발명은 이동장치 운행 중 전력 소모가 적은 암호화 방법 및 암호화 시스템에 관한 것이다. 본 발명의 일 실시예에 따른 암호화 방법은 이동장치와 중계기 간에 데이터 링크 연결 단계, 키와 카운터 스트림을 암호화하여 적어도 하나 이상의 암호화 블럭을 생성하는 단계, 암호화 블럭을 저장하는 단계, 이동장치가 운용 중인지 판단하는 단계, 운용 중이라고 판단 시, 암호화대상 데이터를 암호화 블럭과 동일한 크기의 평문 블럭으로 분할하는 단계, 평문 블럭을 암호화하는 단계를 포함한다. 본 발명에 따른 암호화 시스템은 이동장치 운행 중 획득한 데이터를 저전력으로 암호화하여 이동장치의 운행시간을 늘리면서도 높은 보안성을 가지도록 할 수 있다.
본 발명은 기업 내 자산의 위협 행위 파악을 위한 특화된 데이터베이스 구축을 포함하는 네트워크 패킷 분석 방법 및 시스템에 관한 것으로, 네트워크 패킷을 분석하여 위협 행위를 탐지하는 패킷 분석 단계, 탐지된 위협 행위 중 기 설정된 위협 행위 분류에 대응되는 위협 행위를 추출하는 추출 단계, 추출된 위협행위 데이터를 미리 정의한 용도에 따라 병합하는 병합 단계, 병합된 데이터를 이용하여 패킷 내 정보 중 하나를 키(Key)로 하는 데이터베이스를 적어도 하나 이상 구축하는 데이터베이스 구축 단계를 포함하고, S1 내지 S4 단계는 각각 독립적으로 실행되도록 구성된다. 이에 더하여, 본 발명은 데이터베이스 구축 단계에서 추출된 위협 행위를 인프라 내 자산의 IP주소를 기반으로 분류하고, 특화된 데이터베이스를 구축하여 기업 내 자산의 관리를 보다 용이하게 할 수 있도록 한다. 이를 통해 트래픽 양이 증가하는 경우에도 데이터의 누락 없이 모든 패킷을 분석할 수 있도록 하였으며, 분석된 데이터를 용이하게 검색 가능하도록 별도의 키 값을 가지는 데이터베이스를 복수개 구비하도록 하였다.
본 발명은 단말의 위협 행위 표시 방법에 관한 것으로, 네트워크 내에서 지정된 시간동안 패킷을 분석하여 위협 행위 데이터를 수집하고, 위협 행위 데이터를 정형화된 공격 식별자, 호스트 및 공격 유형에 따라 분류하는 데이터 수집 단계, 이를 블록화하여 제1 색상으로 표시하는 제1 블록 표시단계, 화면의 제2 영역에 데이터를 호스트별로 분류하고, 이를 블록화하여 표시하는 제2 블록 표시단계, 임의의 제2 블록을 선택하는 제스처가 수신되면, 제1 블록 중 제2 블록의 호스트와 관련된 위협 행위에 대응되는 블록을 제2 색상으로 표시하는 단계를 포함한다. 본 발명에 따르면, 보안 담당자는 위협 행위를 동적으로 분석하여 보다 용이하게 가해진 위협 행위를 파악할 수 있으며, 호스트 정보 및 피어 정보도 용이하게 파악할 수 있다.
본 발명은 이동장치 운행 중 전력 소모가 적은 암호화 방법 및 암호화 시스템에 관한 것이다. 본 발명의 일 실시예에 따른 암호화 방법은 이동장치와 중계기 간에 데이터 링크 연결 단계, 키와 카운터 스트림을 암호화하여 적어도 하나 이상의 암호화 블럭을 생성하는 단계, 암호화 블럭을 저장하는 단계, 이동장치가 운용 중인지 판단하는 단계, 운용 중이라고 판단 시, 암호화대상 데이터를 암호화 블럭과 동일한 크기의 평문 블럭으로 분할하는 단계, 평문 블럭을 암호화하는 단계를 포함한다. 본 발명에 따른 암호화 시스템은 이동장치 운행 중 획득한 데이터를 저전력으로 암호화하여 이동장치의 운행시간을 늘리면서도 높은 보안성을 가지도록 할 수 있다.
본 개시의 일 실시 예에 따른 고속 패킷 검색 방법은 네트워크에서 수집된 패킷들 중에서 검색 조건에 해당하는 패킷을 고속으로 검색하는 방법에 있어서, 상기 검색 조건에 특화된 데이터를 생성하여 데이터베이스에 저장하는 단계; 및 상기 검색 조건이 입력되면, 상기 저장된 데이터에 기초하여, 상기 입력된 검색 조건에 해당하는 패킷을 검색하는 단계를 포함한다.
본 발명은 고성능 패킷 스트림 저장 시스템 및 이를 이용한 고성능 패킷 스트림 저장 방법에 관한 것으로서, (a) 네트워크를 통해 전송되는 데이터 트래픽으로부터 패킷 원본을 수집하는 단계; (b) 상기 수집된 패킷 원본을 메모리에 기록하는 단계; (c) 상기 수집된 패킷 원본에서 메타데이터를 추출하여 메모리에 기록하는 단계; 및 (d) 상기 패킷 원본과 상기 메타데이터를 상기 메모리로부터 저장부에 저장하는 단계를 포함할 수 있다.
본 발명은 패턴 기반 색인 처리 시스템을 이용한 패턴 기반 색인 처리 방법에 관한 것으로서, (a) 패킷 데이터를 재조합하는 단계; (b) 재조합된 패킷 데이터에 대하여 어플리케이션 분석을 하는 단계; 및 (c) 상기 재조합 패킷 데이터의 메타데이터를 추출하여 색인화 하는 단계를 포함할 수 있다.
본 발명은 패턴 기반 색인 처리 시스템을 이용한 패턴 기반 색인 처리 방법에 관한 것으로서, (a) 패킷 데이터를 재조합하는 단계; (b) 재조합된 패킷 데이터에 대하여 어플리케이션 분석을 하는 단계; 및 (c) 상기 재조합 패킷 데이터의 메타데이터를 추출하여 색인화 하는 단계를 포함할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 42 of 42 · 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 | 12.3 | 12.1 |
| Cost of sales | 8.5 | 9.4 |
| Gross profit (loss) | 3.8 | 2.7 |
| Selling, general and administrative expenses | 7.5 | 7.1 |
| Operating income (loss) | (3.7) | (4.4) |
| Non-operating income | 1.3 | 5.0 |
| Other gains | 0.0 | 0.0 |
| Finance income | 1.3 | 5.0 |
| Non-operating expenses | 1.9 | 2.4 |
| Other losses | 0.0 | 0.0 |
| Finance costs | 1.9 | 2.4 |
| Profit (loss) before tax | (4.2) | (1.9) |
| Income tax expense | 0.0 | 0.0 |
| Net income (loss) | (4.3) | (1.9) |
Revenue ₩12.1bn, down 2.1% YoY.
Operating margin -36.6% (prior -29.7%).
Net income ₩-1.9bn.
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