Loading the company…
Loading the company…
㈜네이버클라우드
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-11-02 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Gyeonggi, founded in 2009. Industry: Software & IT Services. Revenue for 2025 was ₩1.6tn. It has 1,871 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-09-23 · latest registration 2026-10-07 · newest first
본 발명은 룩업테이블 기반의 일반행렬연산을 위한 하드웨어 가속장치에 관한 것으로서, 본 발명의 일 실시예에 의한 하드웨어 가속장치는, 대상 모델의 가중치를 양자화한 정수(integer)의 양자 가중치를 포함하는 가중치 매트릭스 중 적어도 일부가 저장되는 가중치 버퍼(weight buffer); 상기 대상 모델에 대한 부동소수점(Floating Point number) 기반의 입력 활성값(input activation)들을 포함하는 입력 매트릭스 중 적어도 일부가 저장되는 입력 버퍼; 및 상기 가중치 버퍼 및 입력 버퍼와의 통신을 통하여, 상기 가중치 매트릭스와 입력 매트릭스 사이의 행렬연산을 수행하는 매트릭스 프로세싱 유닛(MPU: Matrix Processing Unit)을 포함하는 것으로, 상기 매트릭스 프로세싱 유닛은 상기 행렬연산시 발생가능한 상기 양자 가중치와 상기 입력 활성값 사이의 모든 경우의 수에 대응하는 각각의 연산결과값을 구하고, 상기 연산결과값을 포함하는 룩업테이블을 생성하는 룩업테이블 생성기; 및 상기 행렬연산시 상기 룩업테이블로부터 상기 양자 가중치에 대응하는 상기 연산결과값을 추출하여 부분 합(partial sum)를 생성하는 복수의 프로세싱 요소(PE: Processing Element)를 포함할 수 있다.
완전동형암호를 이용하여 다수의 민감정보 저장소의 데이터에 대한 추론 결과를 제공하는 방법 및 시스템을 개시한다. 일실시예에 따른 추론 결과 제공 방법은 추론 모델을 암호화하여 생성된 암호화된 추론 모델을 수신하는 단계, 데이터 제공자로부터 암호화된 데이터 및 연산 키를 수신하는 단계, 상기 암호화된 추론 모델 및 상기 연산 키를 이용하여 상기 암호화된 데이터에 대한 동형암호 추론 연산을 처리하여 추론 결과로서 암호화된 추론 데이터를 생성하는 단계 및 상기 데이터 제공자를 통해 상기 암호화된 추론 데이터를 복호화하여, 복호화된 추론 데이터를 획득하는 단계를 포함할 수 있다.
완전동형암호를 이용하여 다수의 민감정보 저장소의 데이터를 결합 연산하는 방법 및 시스템을 개시한다. 일실시예에 따른 데이터 결합 연산 방법은 네트워크를 통해 사용자의 데이터에 대한 완전동형암호의 연산을 처리하기 위한 연산 키를 수신하는 단계, 상기 사용자의 암호화 키를 통해 암호화된 데이터를 네트워크를 통해 수신하는 단계, 상기 연산 키를 이용하여 완전동형암호 알고리즘에 따라 상기 암호화된 데이터에 대한 연산을 처리하여 암호화된 상태의 연산 결과를 생성하는 단계 및 상기 암호화된 상태의 연산 결과를 제공하는 단계를 포함할 수 있다.
하이브리드 클라우드 기반의 원본 및 응용 데이터의 기밀성 보장을 위한 데이터 배포 방법 및 시스템을 개시한다. 일실시예에 따른 데이터 배포 방법은, 클라우드 기반의 인공지능 플랫폼의 인프라를 구현하는 제1 컴퓨터 장치에 의해 수행될 수 있으며, 원본 데이터를 제1 암호화 키를 이용하여 암호화하여 암호화된 원본 데이터를 생성하는 단계, 상기 제1 암호화 키와 연동되어 상기 암호화된 원본 데이터에 대한 복호화 요청을 인증하는 신뢰 앵커를 설정하는 단계, 상기 제1 암호화 키를 마스터 키로 암호화하여 봉인 키를 생성하는 단계, 상기 암호화된 원본 데이터 및 상기 봉인 키를 데이터 인벨로핑을 통해 묶어서 함께 배포하는 단계, 상기 원본 데이터를 가공하기 위한 클러스터 환경을 구현하는 제2 컴퓨터 장치로부터의 복호화 요청을 상기 신뢰 앵커를 통해 인증하는 단계, 및 상기 복호화 요청의 인증에 응답하여 상기 복호화 요청에 포함된 봉인 키를 상기 마스터 키로 복호화하여 복호화된 제1 암호화 키를 상기 제2 컴퓨터 장치로 전달하는 단계를 포함할 수 있다.
본 발명은 컴퓨팅 장치에 의해 수행되는 시계열 데이터 관리방법에 관한 것으로서, 스트림 전송 엔진을 모니터링하여 데이터 스트림 전송이 지연되는지 여부를 확인하는 단계; 상기 데이터 스트림 전송이 지연되는 경우, 지연된 데이터 스트림 영역에 관한 정보를 기록하고, 데이터 스트림에 대한 큐 처리를 중지하는 단계; 실시간 시계열 데이터를 처리하는 단계; 및 상기 실시간 시계열 데이터를 처리한 후, 상기 지연된 데이터 스트림 영역에 관한 정보를 기반으로 지연된 시계열 데이터를 처리하는 단계를 포함한다.
본 발명은 코드북 기반의 양자화 모델을 위한 일반행렬 연산의 가속화 방법 및 이를 위한 컴퓨팅 장치에 관한 것으로서, 본 발명의 일 실시예에 의한 프로세서가 실행하는, 코드북(codebook) 기반의 양자화 모델(quantization model)을 위한 일반행렬 연산(GEMM: General Matrix Multiply)의 가속화 방법은, 입력 활성벡터(input activation)를 재구성(reshape)하여, 적어도 하나 이상의 입력 세그먼트(input segment)를 생성하는 단계; 상기 양자화 모델의 코드북과 상기 입력 세그먼트 사이의 행렬연산을 수행하여, 상기 코드북 내 각각의 코드(code)에 대응하는 부분합(Partial sum)들을 포함하는 부분합-북(Psum book: Partial sum book)을 생성하는 단계; 상기 부분합-북을 참조하여, 상기 양자화 모델의 코드행렬에 포함되는 각각의 코드에 대응하는 부분합들을 추출하는 단계; 및 추출된 상기 부분합들을 이용하여, 상기 입력 활성벡터에 대응하는 출력벡터를 생성하는 단계를 포함할 수 있다.
서버실 화재발생에도 서버를 지킬 수 있는 소방 컨테인먼트를 개시한다. 일실시예에 따른 소방 컨테인먼트는, 서버실에 배치된 랙(Rack)의 상단에 구성되는 제1 차폐 프레임, 상기 제1 차폐 프레임 내부에 제1 축을 따라 회전 가능하도록 결합되어, 상기 회전을 통해 상기 제1 차폐 프레임을 개폐하는 제2 차폐 프레임 및 상기 제2 차폐 프레임의 회전을 전자기적 방식으로 제어하는 제어부를 포함할 수 있다.
기밀 컨테이너 기반의 물리적 격리성을 보장하는 멀티테넌트 HSM 서비스를 제공하는 시스템 및 방법을 개시한다. 일실시예에 따른 멀티테넌트 HSM 서비스 제공 시스템은, 사용자의 신뢰 실행 환경(Trusted Execution Environment, TEE) 기반의 클라이언트에 신뢰 체인을 주입하고 커넥션을 검증하는 커넥션 매니저를 포함할 수 있다. 이때, 커넥션 매니저는 상기 클라이언트와 커넥션을 갖는 HSM 키를 관리할 수 있고, 상기 클라이언트는 상기 커넥션을 갖는 HSM 키를 이용하여 암호화 및 복호화를 처리하도록 구현될 수 있다.
본 발명은 어텐션 기반 신경망 모델에서의 KV 캐시 관리 방법, 장치 및 컴퓨터 프로그램에 대한 것으로서, 보다 구체적으로는 어텐션 기반 신경망 모델에서의 KV 캐시를 관리하기 위한, 컴퓨팅 장치에서 수행되는 방법으로서, 상기 KV 캐시에 저장되는 복수의 K 값에 대하여 미리 정해진 중요도 기준에 따라 복수의 카테고리로 분류하는 단계; 상기 복수의 카테고리 중 제1-1 카테고리의 K 값에 대하여 제1 정밀도로 양자화하여 제1-1 양자화 K 값을 생성하고, 상기 제1-1 카테고리보다 낮은 중요도로 분류된 제1-2 카테고리의 K 각에 대해서는 상기 제1 정밀도보다 낮은 제2 정밀도로 양자화하여 제1-2 양자화 K 값을 생성하는 단계; 및 상기 제1 양자화 K 값 및 상기 제1-2 양자화 K 값을 이용하여 어텐션 연산을 수행하는 단계를 포함하는 방법을 개시한다.
키 데이터의 전방위적 상태 보호를 위한 신뢰 실행 환경 기반의 키 관리 시스템 및 방법을 개시한다. 일실시예에 따른 키 관리 시스템은, HSM(Hardware Security Module)에 저장된 루트 키로 사용자의 키를 암호화하여 영구 키 저장소에 저장 및 관리하는 키 관리 서버, 및 사용자별 전용 암복호화 처리 시스템을 신뢰 실행 환경(Trusted Execution Environment, TEE) 기반의 가상머신 또는 컨테이너로 구현 및 구동하고, 상기 영구 키 저장소에 저장된 상기 암호화된 사용자의 키를 상기 루트 키를 이용하여 복호화하고, 상기 복호화된 사용자의 키를 이용하여 상기 전용 암복호화 처리 시스템의 암복호화를 위한 기능을 상기 신뢰 실행 환경에서 처리하는 키 처리 클러스터를 포함할 수 있다.
본 발명은 기밀 컴퓨팅을 위한 사용자별 신뢰 실행 환경 기반 암호키 관리 방법, 장치, 시스템 및 컴퓨터 프로그램에 관한 것으로서. 보다 구체적으로 본 발명에서는, 컴퓨팅 장치를 이용하여 클라우드 시스템에서 기밀 컴퓨팅을 위한 암호키를 관리하는 방법으로서, 상기 클라우드 시스템에서 사용자에 대응하는 개인 인스턴스를 생성하는 단계- 상기 개인 인스턴스는 신뢰 실행 환경에 기반하여 각 사용자 별로 생성됨; 상기 개인 인스턴스를 기반으로 구동되는 키 중개 서비스가 기밀 컴퓨팅 객체로부터 수신된 암호키 전송 요청에 대응하여 상기 기밀 컴퓨팅 객체로 제1 인증 토큰을 요청하는 단계; 및 상기 기밀 컴퓨팅 객체로부터 수신된 제1 인증 토큰을 이용하여 상기 키 중개 서비스에서 관리하는 암호키를 상기 기밀 컴퓨팅 객체로 전송하는 단계를 포함하는, 방법을 개시한다.
본 발명은 룩업테이블 기반의 일반행렬연산을 위한 하드웨어 가속장치에 관한 것으로서, 본 발명의 일 실시예에 의한 하드웨어 가속장치는, 대상 모델의 가중치를 양자화한 정수(integer)의 양자 가중치를 포함하는 가중치 매트릭스 중 적어도 일부가 저장되는 가중치 버퍼(weight buffer); 상기 대상 모델에 대한 부동소수점(Floating Point number) 기반의 입력 활성값(input activation)들을 포함하는 입력 매트릭스 중 적어도 일부가 저장되는 입력 버퍼; 및 상기 가중치 버퍼 및 입력 버퍼와의 통신을 통하여, 상기 가중치 매트릭스와 입력 매트릭스 사이의 행렬연산을 수행하는 매트릭스 프로세싱 유닛(MPU: Matrix Processing Unit)을 포함하는 것으로, 상기 매트릭스 프로세싱 유닛은 상기 행렬연산시 발생가능한 상기 양자 가중치와 상기 입력 활성값 사이의 모든 경우의 수에 대응하는 각각의 연산결과값을 구하고, 상기 연산결과값을 포함하는 룩업테이블을 생성하는 룩업테이블 생성기; 및 상기 행렬연산시 상기 룩업테이블로부터 상기 양자 가중치에 대응하는 상기 연산결과값을 추출하여 부분 합(partial sum)를 생성하는 복수의 프로세싱 요소(PE: Processing Element)를 포함할 수 있다.
안전한 텍스트-이미지 생성 모델을 위한 디퓨전 모델의 반대 학습 방법 및 시스템이 개시된다. 일 실시예에 따른 적어도 하나의 컴퓨터 장치로 구현되는 반대 학습 시스템의 텍스트-이미지 모델의 생성을 위한 디퓨전(Diffusion) 모델의 반대 학습 방법은, 상기 적어도 하나의 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 디퓨전 모델의 반대 학습 방법은, 상기 적어도 하나의 프로세서에 의해, 디퓨전 모델을 통해 타겟 컨셉의 키워드가 존재하는 텍스트 프롬프트와 타겟 컨셉의 키워드가 미존재하는 텍스트 프롬프트를 이용하여 이미지 페어(pair)를 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 생성된 이미지 페어를 이용하여 상기 타겟 컨셉과 관련된 시각적 특징을 선택적으로 제거하도록 상기 디퓨전 모델을 가이드하는 단계를 포함할 수 있다.
정밀한 위치 정보 제공을 위한 데이터 가공 방법, 컴퓨터 장치, 및 컴퓨터 프로그램이 개시된다. 데이터 가공 방법은, 지리적 위치 서비스(geolocation service)를 위한 IP-위치정보 데이터를 가공하는 것으로, 수집된 IP 주소에 대해, API(application programming interface)를 대신하여 내부 데이터셋을 사용하는 로컬 리버스 지오코딩(local reverse geocoding)을 통해 지역 정보를 맵핑하는 단계를 포함할 수 있다.
인공지능 기반의 맞춤형 학습 서비스를 제공하기 위한 학습 데이터를 처리하는 방법 및 시스템을 개시한다. 일실시예에 따른 학습 데이터 처리 방법은, 데이터 업로드 툴을 이용하여 기업으로부터 상기 기업의 학습 서비스와 관련된 시드 데이터를 수신하는 단계, 상기 시드 데이터를 데이터베이스에 저장하는 단계, 상기 시드 데이터를 제1 인공지능 모델을 이용하여 가공하여 가공 데이터를 생성하는 단계, 및 상기 가공 데이터를 상기 데이터베이스에 저장하는 단계를 포함할 수 있다. 이때, 가공 데이터는 맞춤형 학습 서비스에서 제2 인공지능 모델이 사용자 액션에 대한 답변을 생성하는데 사용될 수 있다.
인공지능 기반의 맞춤형 학습 서비스를 제공하기 위한 학습 데이터를 처리하는 방법 및 시스템을 개시한다. 일실시예에 따른 학습 데이터 처리 방법은, 데이터 업로드 툴을 이용하여 기업으로부터 상기 기업의 학습 서비스와 관련된 시드 데이터를 수신하는 단계, 상기 시드 데이터를 데이터베이스에 저장하는 단계, 상기 시드 데이터를 제1 인공지능 모델을 이용하여 가공하여 가공 데이터를 생성하는 단계, 및 상기 가공 데이터를 상기 데이터베이스에 저장하는 단계를 포함할 수 있다. 이때, 가공 데이터는 맞춤형 학습 서비스에서 제2 인공지능 모델이 사용자 액션에 대한 답변을 생성하는데 사용될 수 있다.
인공지능 기반의 맞춤형 학습 서비스를 제공하는 방법 및 시스템을 개시한다. 일실시예에 따른 맞춤형 학습 서비스 제공 방법은, 사용자에게 맞춤형 학습 서비스 인터페이스를 제공하는 단계, 상기 맞춤형 학습 서비스 인터페이스를 통해 설정된 사용자 정보 및 학습 자료 데이터베이스에 저장된 학습 자료에 기반하여 문제를 획득 또는 생성하는 단계, 상기 맞춤형 학습 서비스 인터페이스를 통해 상기 획득 또는 생성된 문제를 상기 사용자에게 제공하는 단계, 상기 제공된 문제와 관련하여 상기 맞춤형 학습 서비스 인터페이스를 통해 수신되는 사용자 입력을 상기 인공지능 모델을 통해 분석하는 단계, 판단 노드를 통해 상기 분석의 결과에 기반하여 상기 사용자 입력의 케이스를 분류하는 단계, 및 상기 분류된 상기 사용자 입력의 케이스에 따라 상기 사용자 입력을 처리하는 단계를 포함할 수 있다.
본 발명은 음성 합성 시스템 및 이의 제어 방법, 그리고 음성 합성 시스템의 학습 방법에 대한 것이다. 보다 구체적으로 본 발명은, 음성 합성 시스템의 보코더(Vocoder)에 대한 학습 방법에 대한 것이다. 본 발명에 따른 음성 합성 시스템의 학습 방법은, 정답 데이터에 해당하는 타겟 음성 파형(waveform)으로부터, 제1 타입의 어쿠스틱 피쳐 데이터를 추출하는 단계, 상기 추출에 의하여 획득된 상기 제1 타입의 어쿠스틱 피쳐 데이터를 스무딩 필터(smoothing filter)의 입력으로 처리하는 단계, 상기 스무딩 필터로부터, 상기 제1 타입의 어쿠스틱 피쳐 데이터에 대응되는 스무딩된 제2 타입의 어쿠스틱 피쳐 데이터를 획득하는 단계 및 상기 제1 타입의 어쿠스틱 피쳐 데이터 및 상기 제2 타입의 어쿠스틱 피쳐 데이터 중 적어도 일부를 이용하여 생성된 생성 음성 파형과 상기 타겟 음성 파형을 이용하여 상기 음성 합성 시스템의 보코더(vocoder)를 학습하는 단계를 포함할 수 있다.
하이브리드 공조시스템을 활용하여 데이터센터 서버실을 냉각하기 위한 리퀴드 쿨링 시스템을 제공한다. 본 발명의 일실시예에 따른 리퀴드 쿨링 시스템은, 데이터 센터에서 공냉식으로 서버실을 냉각시키는 서버실 냉각 장치의 열원을 이용하여 냉매를 냉각시키는 열교환기 및 상기 열교환기를 통해 냉각된 냉매를 리퀴드 쿨링 방식으로 상기 서버실에 배치된 서버들로 분산 공급하는 쿨링 분산 유닛을 포함할 수 있다.
본 출원은 클라우드 서버 내 가상 머신과 HSM 사이의 연결설정 방법 및 이를 이용하는 중계서버에 관한 것으로서, 본 발명의 일 실시예에 의한 중계 서버를 이용한 클라우드 서버 내 가상 머신과 HSM(Hardware Security Module) 사이의 연결설정 방법은, 중계 서버가 CA(Certificate Authority) 서버로부터 상기 가상 머신의 클라이언트 인스턴스(Client instance)에 대한 인증서를 수신하면, 상기 클라이언트 인스턴스를 대신하여, 상기 인증서를 상기 HSM에 설정하는 단계를 포함할 수 있다.
대형 언어 모델을 위한 인간 교육 과정 기반의 지시어 튜닝 방법, 컴퓨터 장치, 및 컴퓨터 프로그램이 개시된다. 대형 언어 모델을 위한 인간 교육 과정 기반의 지시어 튜닝 방법은, 인간 교육 과정에 포함된 각 주제와 인지적 난이도에 기반한 데이터셋을 구축하는 단계; 및 상기 데이터셋을 이용하여 LLM(large language model)의 지시어 튜닝(instruction tuning)을 수행하는 단계를 포함할 수 있다.
하이브리드 클라우드에서 데이터 소버런티를 보장하는 원격 암호 방법 및 시스템을 개시한다. 일실시예에 따른 원격 암호 방법은, 클라우드 제공자에 의해 배포되는 원격 KMS(Key Management System)를, 상기 하이브리드 클라우드 영역에 상기 컨테이너를 통해 구성하는 단계를 포함할 수 있다. 이때 상기 원격 KMS는, 기설정된 기능을 수행하기 위한 서버, 및 사용자의 암호화 키로 암호화된 저장소를 포함할 수 있다. 또한, 상기 암호화 키는 상기 클라우드 제공자의 KMS를 통해 리전 키(region key)로 암호화되어 상기 원격 KMS에 의해 관리될 수 있고, 상기 리전 키는 상기 클라우드 제공자의 KMS에 의해 관리될 수 있다.
하이브리드 클라우드 기반의 원본 및 응용 데이터의 기밀성 보장을 위한 데이터 배포 방법 및 시스템을 개시한다. 일실시예에 따른 데이터 배포 방법은, 클라우드 기반의 인공지능 플랫폼의 인프라를 구현하는 제1 컴퓨터 장치에 의해 수행될 수 있으며, 원본 데이터를 제1 암호화 키를 이용하여 암호화하여 암호화된 원본 데이터를 생성하는 단계, 상기 제1 암호화 키와 연동되어 상기 암호화된 원본 데이터에 대한 복호화 요청을 인증하는 신뢰 앵커를 설정하는 단계, 상기 제1 암호화 키를 마스터 키로 암호화하여 봉인 키를 생성하는 단계, 상기 암호화된 원본 데이터 및 상기 봉인 키를 데이터 인벨로핑을 통해 묶어서 함께 배포하는 단계, 상기 원본 데이터를 가공하기 위한 클러스터 환경을 구현하는 제2 컴퓨터 장치로부터의 복호화 요청을 상기 신뢰 앵커를 통해 인증하는 단계, 및 상기 복호화 요청의 인증에 응답하여 상기 복호화 요청에 포함된 봉인 키를 상기 마스터 키로 복호화하여 복호화된 제1 암호화 키를 상기 제2 컴퓨터 장치로 전달하는 단계를 포함할 수 있다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 이미지 생성 방법을 제공한다. 이 방법은, 텍스트 프롬프트 및 적어도 하나의 객체와 연관된 레이아웃 정보를 수신하는 단계, 레이아웃 정보에 기초하여, 이미지 생성 모델의 어텐션 스코어를 변조하는 단계 및 이미지 생성 모델을 이용하여, 텍스트 프롬프트에 기초한 이미지를 생성하는 단계를 포함하고, 어텐션 스코어는 크로스 어텐션 레이어와 연관된 제1 어텐션 스코어 및 셀프 어텐션 레이어와 연관된 제2 어텐션 스코어를 를 포함한다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 체중 관리를 위한 가이드라인 제공 방법을 제공한다. 이 방법은, 특정 사용자와 연관된 제1 사용자 정보를 수신하는 단계, 제1 인공지능 모델을 이용하여, 제1 사용자 정보에 기초한 제1 가이드라인을 생성하는 단계, 특정 사용자 및 제1 가이드라인과 연관된 제2 사용자 정보를 수신하는 단계 및 제2 인공지능 모델을 이용하여, 제2 사용자 정보에 기초한 특정 사용자의 체중 감량 성공 가능성을 예측하는 단계를 포함한다.
거대 언어 모델을 위한 스킬 관리 방법 및 시스템을 개시한다. 일실시예에 따른 스킬 관리 방법은 입력된 질의에 대해 답변을 생성하는 인공지능 모델이 사용 가능한 스킬을 생성하기 위한 스킬 관리 도구를 제공하는 단계, 상기 스킬 관리 도구를 통해 생성된 스킬을 등록하는 단계, 상기 질의의 처리를 위한 스킬을 상기 인공지능 모델을 통해 선택하는 단계, 상기 선택된 스킬에 대응하는 기능을 호출하는 단계 및 상기 적어도 하나의 프로세서에 의해, 상기 기능의 호출 결과를 이용하여 상기 인공지능 모델을 통해 상기 질의에 대한 답변을 생성하는 단계를 포함할 수 있다.
본 발명은 사용자에 대한 최적화된 코딩 작업 환경을 제공하는 방법, 장치 및 컴퓨터 프로그램에 대한 것으로서, 일인 이상의 사용자에 대하여 사용자의 특성에 맞추어 보다 효율적으로 코딩 작업을 수행할 수 있도록 최적화된 환경을 제공할 수 있으며, 보다 구체적으로는 코딩 윈도우에서 수행되는 코딩 작업을 위한 작업 환경을 제공하는 방법에 있어서, 서버가, 사용자가 상기 코딩 윈도우에서 입력한 텍스트를 기초로 상기 사용자에 대응하는 제1 검색 대상 데이터에 대하여 검색을 수행하는 단계; 상기 텍스트 및 상기 검색의 결과를 기초로 제1 신경망을 이용하여 코딩 작업 관련 정보를 추론하는 단계; 및 상기 코딩 작업 관련 정보를 상기 사용자에게 제공하는 단계;를 포함하는 방법을 개시한다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 이미지 이해 향상 방법을 제공한다. 이 방법은, 이미지를 수신하는 단계, 텍스트 프롬프트를 수신하는 단계, 제1 인코더가 이미지에 기초하여 제1 세트의 임베딩(embedding)을 생성하는 단계, 제2 인코더가 이미지로부터 추출된 정보에 기초하여 제2 세트의 임베딩을 생성하는 단계 및 디코더가 제1 세트의 임베딩, 제2 세트의 임베딩 및 텍스트 프롬프트에 기초하여 제1 출력을 생성하는 단계를 포함한다.
요소별 나누기 기반 라운딩을 이용한 네트워크 양자화를 위한 방법, 컴퓨터 장치, 및 컴퓨터 프로그램이 개시된다. 네트워크 양자화 방법은, 상기 적어도 하나의 프로세서에 의해, 뉴럴 네트워크(neural network)의 사전 학습된 가중치(weight)에 대해 학습 가능한 파라미터를 적용하여 양자화(quantization)를 수행하는 단계를 포함할 수 있고, 이때 상기 양자화를 수행하는 단계는, 상기 파라미터를 이용한 요소별 나누기(element-wise division) 기반의 라운딩 함수(rounding function)를 통해 사전 학습된 가중치를 양자화할 수 있다.
본 발명은 클라우드 시스템에서의 클라우드 데이터 암호화 방법에 관한 것으로서, 암호화의 대상이 되는 클라우드 데이터를 감지하는 단계; 상기 감지된 클라우드 데이터의 종류를 식별하는 단계; 및 상기 식별된 클라우드 데이터의 종류에 따라 서로 다른 암호화 키를 사용하여 상기 클라우드 데이터를 암호화하는 단계를 포함한다.
클라우드 기반 데이터베이스 백업 관리 방법 및 시스템을 개시한다. 일실시예에 따른 데이터베이스 백업 관리 방법은 복수의 클라우드 데이터베이스 서비스의 제공을 위해 클라우드 환경에 구축된 복수의 데이터베이스 인스턴스들 각각의 제1 상태, 클라우드 공용 인프라 풀의 제2 상태 및 분산 스토리지의 제3 상태 중 적어도 하나를 모니터링하는 단계 및 상기 제1 상태, 상기 제2 상태 및 상기 제3 상태 중 적어도 하나에 기반하여 상기 복수의 데이터베이스 인스턴스 각각의 백업 수행 여부 및 백업 수행 시점 중 적어도 하나를 결정하는 단계를 포함할 수 있다.
컨테이너 기반 클라우드 데이터베이스의 호스트 노드 자원 관리 방법 및 시스템을 개시한다. 일실시예에 따른 호스트 노드 자원 관리 시스템의 호스트 노드 자원 관리 방법은 복수의 클라우드 데이터베이스 서비스의 제공을 위해 클라우드 환경에 구축된 컨테이너 기반의 복수의 데이터베이스 인스턴스들 각각의 제1 상태 및 컨테이너 기반의 데이터베이스 인스턴스의 실행이 가능한 복수의 호스트 노드 각각의 제2 상태를 모니터링하는 단계 및 상기 모니터링된 제1 상태 및 상기 모니터링된 제2 상태에 기반하여 상기 복수의 호스트 노드 각각의 자원을 제어하는 단계를 포함할 수 있다.
시계열 기반 이상 탐지 방법 및 시스템을 개시한다. 본 실시예에 따른 이상 탐지 방법은 기설정된 탐지주기마다 시계열 데이터를 수집 및 전처리하는 단계, 이전 탐지주기의 시계열 데이터의 특징을 이용한 비지도 학습(Unsupervised Learning) 방식으로 학습된 딥러닝 모델을 이용하여 현재 탐지주기에 전처리된 시계열 데이터의 이상을 탐지하는 단계, 현재 학습주기 동안 전처리된 시계열 데이터를 더 이용하여 딥러닝 모델을 재학습하는 단계 및 상기 현재 학습주기 이후의 탐지주기에 수집 및 전처리된 시계열 데이터의 이상을 재학습된 딥러닝 모델을 이용하여 탐지하는 단계를 포함할 수 있다.
합성 데이터와 동형암호를 활용한 데이터 분석 방법 및 시스템을 개시한다. 일실시예에 따른 데이터 분석 방법은 제1 데이터 제공자의 제1 원본 데이터에 대한 합성 데이터(synthetic data)를 획득하는 단계, 상기 획득된 합성 데이터를 분석하는 단계 및 상기 합성 데이터의 분석 결과에 기반하여 상기 제1 데이터 제공자에 의해 암호화된 상기 제1 원본 데이터 또는 제2 데이터 제공자에 의해 암호화되고 상기 제1 원본 데이터와 동일한 형태를 갖는 제2 원본 데이터의 동형암호 연산을 위한 프로세스를 생성하는 단계를 포함할 수 있다.
본 발명은 컨텐츠 목록 제공 방법, 장치 및 컴퓨터 프로그램에 관한 것으로서, 보다 구체적으로는 사용자의 이미지나 동영상 등 컨텐츠를 소정의 기간 별로 분류하고 미리 정해진 기준에 따라 유효 컨텐츠를 선별하여 제공함으로써, 사용자가 사진이나 동영상 등 다수의 컨텐츠에 대하여 보다 빠르고 편리하게 탐색하여 원하는 작업을 처리할 수 있으며, 또한 상기 다수의 사진이나 동영상 등 컨텐츠에 대한 탐색에 소요되는 전산 자원 및 네트워크 트래픽을 줄이고 보다 효율적인 처리가 가능하게 하는 것을 특징으로 하는 컨텐츠 목록 제공 방법, 장치 및 컴퓨터 프로그램을 개시한다.
완전동형암호를 이용하여 다수의 민감정보 저장소의 데이터를 결합 연산하는 방법 및 시스템을 개시한다. 일실시예에 따른 데이터 결합 연산 방법은 네트워크를 통해 사용자의 데이터에 대한 완전동형암호의 연산을 처리하기 위한 연산 키를 수신하는 단계, 상기 사용자의 암호화 키를 통해 암호화된 데이터를 네트워크를 통해 수신하는 단계, 상기 연산 키를 이용하여 완전동형암호 알고리즘에 따라 상기 암호화된 데이터에 대한 연산을 처리하여 암호화된 상태의 연산 결과를 생성하는 단계 및 상기 암호화된 상태의 연산 결과를 제공하는 단계를 포함할 수 있다.
완전동형암호를 이용하여 다수의 민감정보 저장소의 데이터에 대한 추론 결과를 제공하는 방법 및 시스템을 개시한다. 일실시예에 따른 추론 결과 제공 방법은 추론 모델을 암호화하여 생성된 암호화된 추론 모델을 수신하는 단계, 데이터 제공자로부터 암호화된 데이터 및 연산 키를 수신하는 단계, 상기 암호화된 추론 모델 및 상기 연산 키를 이용하여 상기 암호화된 데이터에 대한 동형암호 추론 연산을 처리하여 추론 결과로서 암호화된 추론 데이터를 생성하는 단계 및 상기 데이터 제공자를 통해 상기 암호화된 추론 데이터를 복호화하여, 복호화된 추론 데이터를 획득하는 단계를 포함할 수 있다.
디자인 킷을 이용한 업무 협업을 위한 방법, 시스템, 및 비-일시적인 컴퓨터 판독가능한 기록 매체가 개시된다. 화면 디자인의 업무 협업을 위한 사이트를 제공할 수 있고, 이때 화면 구성에 사용되는 디자인 요소를 상태 표현과 인터랙션이 포함된 컴포넌트로 코드화하여 제공하고 이러한 컴포넌트를 이용하여 화면을 구성할 수 있다.
클라우드 환경에서 완전동형암호에 필요한 컴퓨팅 파워 예측에 기반한 컴퓨팅 파워별 연산 장치 제공 방법 및 시스템을 개시한다. 일실시예에 따른 연산 장치 제공 방법은 적어도 하나의 프로세서를 포함하는 컴퓨터 장치에서 실행될 수 있다. 이때, 컴퓨터 장치는 클라우드 환경에 포함된 적어도 하나의 노드를 구현할 수 있다. 여기서, 연산 장치 제공 방법은 동형암호 연산을 처리하는 연산 장치의 신청 기능을 포함하는 관리 도구를 클라이언트 장치로 제공하는 단계 및 상기 관리 도구를 통해 요청된 동형암호 연산의 처리를 위한 연산 장치를 추천하는 단계를 포함할 수 있다.
부호화에 기반한 로그 처리를 위한 방법, 컴퓨터 장치, 및 컴퓨터 프로그램이 개시된다. 부호화에 기반한 로그 처리 방법은, 컴퓨터 소프트웨어에 포함된 적어도 하나의 로그 데이터를 부호화 처리하는 단계; 상기 로그 데이터 각각에 대해 원본 문자열과 부호화 문자열을 맵핑한 테이블을 생성하는 단계; 및 상기 로그 데이터를 상기 부호화 문자열로 치환하여 상기 컴퓨터 소프트웨어의 소스 코드를 빌드하는 단계를 포함할 수 있다.
코드 난독화 및 성능 개선을 위한 자동화된 패키지 재구성 방법 및 시스템을 개시한다. 일실시예에 따른 패키지 재구성 방법은 패키지 파일을 분석하여 실행 코드, 리소스 및 설정 파일을 추출하는 단계, 상기 실행 코드에서 클래스, 필드 및 메서드를 추출하는 단계, 상기 실행 코드에서 상기 추출된 클래스, 필드 및 메서드 각각의 이름을 난독화하는 단계 및 상기 리소스 및 상기 설정 파일 각각에서 참조되는 클래스, 필드 및 메서드의 이름을 상기 실행 코드에서 난독화된 클래스, 필드 및 메서드의 대응하는 이름으로 변경하는 단계를 포함할 수 있다.
시각적인 착시 효과를 이용한 스크린 캡처 방지 방법 및 시스템을 개시한다. 일실시예에 따른 스크린 캡처 방지 방법은 원본 이미지를 표시하기 위한 사용자 단말의 화면 주사율 정보를 수집하는 단계, 상기 화면 주사율 정보에 기초하여 상기 원본 이미지의 적어도 일부를 포함하는 이미지들의 제1 셋 및 노이즈를 포함하는 이미지들의 제2 셋을 포함하는 복수의 이미지들을 생성하는 단계 및 상기 사용자 단말에서 상기 복수의 이미지들이 교체되면서 표시되도록 상기 원본 이미지를 대신하여 상기 복수의 이미지들을 제공하는 단계를 포함할 수 있다.
서식 제공 방법 및 시스템을 개시한다. 일실시예에 따른 서식 제공 방법은 복수의 컴포넌트들의 식별정보의 리스트를 표시하는 컴포넌트 영역, 상기 컴포넌트 영역에서 사용자에 의해 선택된 컴포넌트의 식별정보에 대응하는 컴포넌트를 배치하는 서식 제작 영역 및 상기 서식 제작 영역에 배치된 컴포넌트의 세부설정 기능을 제공하는 컴포넌트 설정 영역을 포함하는 서식 제작 페이지를 제공하는 단계, 상기 사용자의 제1 입력에 따라, 상기 컴포넌트 영역에서 선택된 식별정보에 대응하는 컴포넌트를 상기 서식 제작 영역에 배치하여 표시하는 단계, 상기 서식 제작 영역에 배치된 컴포넌트 중 상기 사용자의 제2 입력을 통해 선택된 컴포넌트를 식별하여 상기 식별된 컴포넌트에 대해 기설정된 세부설정 기능을 상기 컴포넌트 설정 영역에 표시하는 단계 및 상기 세부설정 기능을 이용하여 상기 사용자의 제3 입력을 통해 설정된 컴포넌트의 세부설정을 상기 서식 제작 영역에 배치된 대응하는 컴포넌트에 대해 동적으로 반영하는 단계를 포함할 수 있다.
본 출원은 클라우드 서버 내 가상 서버의 복호화 방법 및 이를 이용하는 클라우드 서버에 관한 것으로서, 본 발명의 일 실시예에 의한 가상 서버의 복호화 방법은 키 설정 솔루션으로부터, 상기 가상 서버의 암호화된 블록 디바이스(block device)에 대한 제1 키를 로딩하는 단계; 상기 가상 서버의 고객 키로 상기 제1 키를 복호화하여 암호화키를 추출하고, 상기 암호화키로 상기 블록 디바이스를 복호화하는 단계; 상기 블록 디바이스에 대한 복호화가 실패하면, 상기 키 설정 솔루션으로부터 상기 블록 디바이스에 대한 제2 키를 로딩하는 단계; 및 임시키로 상기 제2 키를 복호화하여 상기 암호화키를 추출하고, 상기 암호화키로 상기 블록 디바이스를 복호화하는 단계를 포함할 수 있다.
본 발명은 클라우드 시스템에서의 클라우드 데이터 암호화 방법에 관한 것으로서, 암호화의 대상이 되는 클라우드 데이터를 감지하는 단계; 상기 감지된 클라우드 데이터의 종류를 식별하는 단계; 및 상기 식별된 클라우드 데이터의 종류에 따라 서로 다른 암호화 키를 사용하여 상기 클라우드 데이터를 암호화하는 단계를 포함한다.
본 출원은 클라우드 서버 내 가상 머신과 HSM 사이의 연결설정 방법 및 이를 이용하는 중계서버에 관한 것으로서, 본 발명의 일 실시예에 의한 중계 서버를 이용한 클라우드 서버 내 가상 머신과 HSM(Hardware Security Module) 사이의 연결설정 방법은, 중계 서버가 CA(Certificate Authority) 서버로부터 상기 가상 머신의 클라이언트 인스턴스(Client instance)에 대한 인증서를 수신하면, 상기 클라이언트 인스턴스를 대신하여, 상기 인증서를 상기 HSM에 설정하는 단계를 포함할 수 있다.
임의 반출이 통제된 데이터 분석 환경을 제공하는 방법, 시스템, 및 컴퓨터 프로그램이 개시된다. 데이터 분석 플랫폼 서비스 방법은, 클라우드 환경의 데이터 분석 플랫폼 서비스를 통해 사용자에 의해 선택된 소스 데이터에 대한 데이터 분석을 수행하는 단계; 및 데이터 분석 결과에 대한 반출 요청에 따라 상기 소스 데이터의 반출이 통제된 환경에서 상기 데이터 분석 결과를 반출하는 단계를 포함한다.
부팅 중 통신 모듈 적용을 통한 원격 터미널 접속을 위한 방법 및 시스템을 개시한다. 일실시예에 따른 원격 접속 방법은 가상 머신의 부팅 중 임시로 수행될 원격 접속 기능이 포함된 가상 머신 이미지를 획득하는 단계, 상기 가상 머신 이미지로 상기 가상 머신을 생성하는 단계, 상기 가상 머신의 부팅이 시작된 후, 상기 가상 머신 이미지가 포함하는 원격 접속 기능을 실행하는 단계 및 상기 가상 머신의 부팅 중에 에러가 발생한 경우, 상기 원격 접속 기능에 기반하여 상기 가상 머신의 소유자에게 부팅의 펜딩이 발생한 가상 머신의 원격 접속 기능으로의 접속 방식을 안내하는 단계를 포함할 수 있다.
시계열 기반 이상 탐지 방법 및 시스템을 개시한다. 본 실시예에 따른 이상 탐지 방법은 기설정된 탐지주기마다 시계열 데이터를 수집 및 전처리하는 단계, 이전 탐지주기의 시계열 데이터의 특징을 이용한 비지도 학습(Unsupervised Learning) 방식으로 학습된 딥러닝 모델을 이용하여 현재 탐지주기에 전처리된 시계열 데이터의 이상을 탐지하는 단계, 현재 학습주기 동안 전처리된 시계열 데이터를 더 이용하여 딥러닝 모델을 재학습하는 단계 및 상기 현재 학습주기 이후의 탐지주기에 수집 및 전처리된 시계열 데이터의 이상을 재학습된 딥러닝 모델을 이용하여 탐지하는 단계를 포함할 수 있다.
본 발명은 바이너리 파일을 역공학으로부터 안전하게 보호하기 위한 바이너리 파일 재구성 장치에 관한 것으로서, 상기 바이너리 파일을 분석하여 해당 바이너리 파일의 실행에 필요한 필수 정보를 상기 바이너리 파일로부터 추출하는 바이너리 분석부; 상기 바이너리 파일로부터 추출된 필수 정보를 기반으로 해당 바이너리 파일을 재구성하는 바이너리 재구성부; 및 미리 결정된 보안 기능을 수행하는 코드를 상기 재구성된 바이너리 파일에 삽입하는 보안기능 삽입부를 포함할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 454 · titles in Korean as filed, with our English translation below · abstracts in Korean · 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 | 1,399.0 | 1,554.5 |
| Operating expenses | (1,291.7) | (1,395.2) |
| Operating income (loss) | 107.3 | 159.2 |
| Non-operating income | 56.6 | 186.2 |
| Other gains | 42.8 | 152.0 |
| Finance income | 13.8 | 34.2 |
| Non-operating expenses | (58.6) | (110.6) |
| Other losses | (16.8) | (51.9) |
| Finance costs | (41.8) | (58.7) |
| Profit (loss) before tax | 105.3 | 234.8 |
| Income tax expense | (27.4) | (69.2) |
| Net income (loss) | 77.9 | 165.6 |
Revenue ₩1,554.5bn, up 11.1% YoY.
Operating margin 10.2% (prior 7.7%).
Net income ₩165.6bn.
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 2026-11-05