해시넷
㈜스마트엠투엠
㈜스마트엠투엠(Smart M2M)은 소프트웨어/IT시스템 개발, 컴퓨터 제조, 학술연구용역/연구개발 등 시스템 소프트웨어 개발 및 공급업체이다.
개요
㈜스마트엠투엠은 2012년에 설립된 회사로 SW/HW 암호 설계 및 KCMVP 컨설팅, 보안성이 강화된 사물인터넷 플랫폼 연구, 그리고 Hyperledger Fabric 기반의 블록체인 플랫폼 사업을 수행하고 있다
연혁
- 2012년 : 스마트엠투엠 설립
- 2012년 : IEEE 802.15.4 기반 센서 네트워크 관리 및 보안 솔루션 개발
- 2015년 : 소형 IoT 기기에서의 암호기술 성능 분석
- 2015년 : 신규 검증대상 블록암호 구현 및 최적화 기술 연구
- 2015년 : IoT 환경에서의 암호, 인증기술 이용 기준 마련 및 최적 구현 방법 연구
- 2016년 : IoT환경의 공개키 알고리즘 및 해시함수 적용방안 연구
- 2016년 : 차세대 DSA 현장 단말장치용 암호인증 SoC HDL 설계 및 구현
- 2017년 : 표준 소프트웨어 환경에 신규 양자내성암호 최적화 연구
- 2017년 : 다중MG 데이터 통합 전처리 엔진 개발
- 2018년 : 연구개발 서비스업 등록
- 2018년 : 기업부설연구소 설립
- 2018년 : 스마트엠투엠 본사 확장 이전
- 2018년 : 클라우드 기반 글로벌 해운항만물류 통합플랫폼 구축을 위한 정보화전략계획(ISP) 수립
- 2018년 : IoT 디바이스 자율 신뢰보장 기술 및 글로벌 표준기반 IoT 통합보안 오픈 플랫폼 기술 개발
- 2018년 : 블록체인 시범사업 사례집 제작
- 2018년 : 어플리케이션 프레임워크 개발
- 2018년 : 프라이빗 블록체인 기반 활동 보상형 시스템 개발
- 2018년 : 원전 비안전등급 제어기기(DCS) 사이버침해 예방 및 탐지 기술 개발
- 2018년 : 양자내성암호 스킴의 하드웨어 구현 및 성능개선 방안 연구
- 2018년 : 모바일 디바이스에 대한 비침투형 공격환경 구축
- 2018년 : 보안성 및 상태복원력이 강화된 블록체인 핵심기술 및 플랫폼 보안 기술 사업
- 2018년 : 경량 암호화 기술(LEA) 개발 및 KCMVP 공급 용역 수행
- 2019년 : 주요 보안시설 및 항만 인프라 보안성 강화용 3S 보안허브플랫폼 연구
- 2019년 : 프라이빗 블록체인 기반 활동 보상형 시스템 개발
- 2019년 : 개방형 피어 리뷰 학술정보 블록체인 플랫폼 개발
- 2019년 : 블록체인기반 가상발전소 시스템 개발
- 2019년 : 블록체인기반 재난재해 예방 및 대응
- 2019년 : 정보보호교육센터 중장기 발전 방안 연구
- 2019년 : 전력거래 Blockchain Platform 납품
- 2019년 : 블록체인기반 ITT 운송시스템 확산사업 블록체인 개발
- 2019년 : 학술논문 출판의 투명성 및 신뢰성 확보를 위한 개방형 동료 심사용 블록체인 응용 플랫폼 연구
- 2020년 : 국제 암호모듈 기준 분석 및 개선 연구
주요 인물
- 장양자 : 부산대학교 사물인터넷연구센터 산학협력중점교수이자 (주)스마트엠투엠 대표이사이다. 2002년 서울대학교 산업공학과에서 공학박사를 취득했고, ETRI에서 물류기술 연구, LG CNS에서 기술전략기획, 한국문화정보원에서 정보화기획 업무를 수행했다. 주요 연구 분야는 빅데이터, 사물인터넷 기술이다. 또한 2020년 대통력직속 4차산업혁명위원회의 위원으로 활동중이다.
- 김호원 : 부산대학교 정보컴퓨터공학부 교수이자 (주)스마트엠투엠 기술이사이다. 사물인터넷 보안, 블록체인, 암호화 등 회사 전반의 기술 전략을 담당하고 있다.
주요 사업
암호/보안
스마트엠투엠에서는 각종 대칭키 및 공개키 암호에 대한 다양한 연구를 수행하고 있으며, SW기반의 암호모듈 및 HW기반 암호 모듈(FPGA, ASIC)구현 기술을 보유하고 있다. 또한 최근 밝혀진 양자컴퓨터상에서의 현대암호 취약점 이슈에 따라 양자내성암호에 대한 연구를 수행하고 있으며, 양자내성암호를 실생활에 적용할 수 있는 양자내성암호 TLS 연동 솔루션을 보유하고 있다.
블록체인
스마트엠투엠은 Hyperledger Fabric 기반의 블록체인 플랫폼 설계 및 구축, 그리고 컨설팅 사업을 수행하고 있다. 블록체인 기술의 높은 이해도를 바탕으로 항만/물류, 스마트시티, 스마트홈 등에 적용 가능한 다수의 프라이빗 블록체인 플랫폼 구축 사업 진행 경험을 보유하고 있다.
한국암호모듈검증(KCMVP)
한국암호모듈검증은 국가 공곡기관 정보통신망에서 소통되는 자료 중 중요 정보의 보호를 위해 사용되는 암호모듈의 안전성 및 구현 적합성을 검증하는 제도이다. 스마트엠투엠은 소프트웨어/하드웨어기반의 암호모듈에 대한 KCMVP 검증 진행 경험을 바탕으로 기관 및 기업에 대한 KCMVP 컨설팅 사업을 수행하고 있다. 또한, 자체 암호모듈 개발 인력을 보유하고 있으며 KCMVP 검증 가능한 암호모듈 설계 및 개발을 진행하고 있다.
사물인터넷 플랫폼
스마트엠투엠은 스마트시티/스마트홈/사물인터넷 상에서의 보안성 강화를 위한 국제 표준 사물인터넷 플랫폼에 대한 보안 기술 개발 역량을 보유하고 있으며, 표준화 연구 및 사물인터넷 보안 프로토콜(CoAP, (D)TLS 등) 응용 기술 개발을 수행하고 있다.
보유 기술
블록체인 플랫폼 연구 개발
스마트엠투엠은 토큰 경제 및 블록체인기술, 그리고 블록체인 기술의 핵심이 되는 암호 기술에 대한 높은 이해도와 기술력을 바탕으로 블록체인 플랫폼 개발 및 유지보수, 그리고 블록체인 기술 적용을 위한 컨설팅 서비스를 제공하고 있습니다.
블록체인 컨설팅
- 기업 시스템의 블록체인 기술 도입 시 적합성 검증 및 컨설팅을 통한 효율적인 블록체인 플랫폼 모델 설계
Hyperledger fabric기반 블록체인 플랫폼 개발
- 하이퍼레저 패브릭기반의 프라이빗 블록체인 플랫폼 개발
- HW/SW 기반 사용자 인증 및 인증 체인 기술
- 블록체인 상에서의 키 관리/프라이버시 보호 기술
DID, 인터블록체인 기술 연구개발
- 개인정보보호를 위한 탈중앙화 신원증명 기술 연구
- 이종 블록체인 연동을 위한 인터 블록체인 기술 연구
hyperledger fabric 오픈소스 기여
- 오픈소스 활동을 통한 기술 고도화 및 기술 확산에 기여
디앱
탈중앙화란 블록체인의 가장 큰 특징으로, 현재까지의 통화시스템은 중앙화된 장부 기입방식으로 구축이 되어 있어 거래에 대한 내용을 신뢰할 수 있는 기관에 맡겨야 했지만 이런 시스템은 항상 과도한 권력의 집중과 과도한 초과 이익을 부여해야 하는 문제를 갖고 있다. 하지만 블록체인이 생겨남으로써 탈중앙화가 이뤄지고 공공에게 완전히 장부를 개방해주어 중앙기관이 필요가 없게 된 것이 탈중앙화다. 때문에 기존의 어플리케이션은 개인정보 보안에 취약한 상태이다. 대부분 중개인이 서버를 보관하고 그곳에 보관된 정보들을 불러와서 어플리케이션 사용자들에게 제공되는 형태이기 때문이다. 하지만 디앱은 블록체인을 활용한 애플리케이션이라 정보의 분산으로 이러한 위험에 노출될 확률이 매우 적어진다.[1]
사물인터넷
사물인터넷(Internet of Things, IOT)은 각종 사물에 센서와 통신 기능을 내장하여 인터넷에 연결하는 기술 즉, 무선 통신을 통해 각종 사물을 연결하는 기술을 의미한다. 인터넷으로 연결된 사물들이 데이터를 주고받아 스스로 분석하고 학습한 정보를 사용자에게 제공하거나 사용자가 이를 원격 조정할 수 있는 인공지능 기술이다. 여기서 사물이란 가전제품, 모바일 장비, 웨어러블 컴퓨터 등 다양한 임베디드 시스템이 된다. 사물인터넷에 연결되는 사물들은 자신을 구별할 수 있는 유일한 식별자(ID)를 가지고 인터넷으로 연결되어야 하며, 외부 환경으로부터의 데이터 취득을 위해 센서를 내장할 수 있다. 모든 사물이 해킹의 대상이 될 수 있어 사물인터넷의 발달과 보안의 발달은 함께 갈 수밖에 없는 구조이다.
사물인터넷 표준
- oneM2M
- 전세계 표준 개발기구인 TTA(한국), ETSI(유럽), ATIS/TIA(북미), CCSA(중국), ARIB/TTC(일본) 등 7개의 표준 단체가 공동으로 추진했다.
- 에너지, 교통, 국방 등 산업별로 종속적이고 폐쇄적으로 운영되는 파편화된 개발 구조에서 벗어나 통합된 플랫폼을 공유하기 위한 표준이다.
- OCF
- Samsung, Intel, Cisco, MediaTek 4개사가 창립 보드 멤버로 신설한 IoT 표준 단체
- 다양한 IoT 유무선 연결 기술들 상에서 프로그램이 유연하게 탑재되어 동작이 가능하도록 프레임워크 설계했다.
- IoT 기기의 연결을 위한 공통된 표준 모델 구축을 통해 디바이스들 사이의 결집성을 확대시켰다.
- LwM2M
- OMA(Open Mobile Alliance)에서 소형장치들을 포함하는 다양한 기기를 지원하기 위해 개발된 사물인터넷 기기 관리 표준 프로토콜이다.
- 소형 장치를 위한 응용데이터 전달 프로토콜인 CoAP(Constrained Application Protocol)을 기반으로 하여 메시지가 작고 빠르며, 작은 코드 크기 및 실행 공간을 요구하기 때문에 다양한 사물인터넷 기기를 지원한다.[1]
인공지능
합성곱 신경망
합성곱 신경망(Convolutional Neural Network, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 장점이 있다. 최근 딥 러닝에서는 합성곱 심층 신뢰 신경망(Convolutional Deep Belief Network, CDBN)가 개발되었는데, 기존 CNN과 구조적으로 매우 비슷해서, 2차원 구조를 잘 이용할 수 있으며 그와 동시에 심층 신뢰 신경망 (Deep Belief Network, DBN)에서의 선훈련에 의한 장점도 얻을 수 있다. CDBN은 다양한 영상과 신호 처리 기법에 사용될 수 있는 일반적인 구조를 제공하며 CIFAR와 같은 표준 이미지 데이터에 대한 여러 벤치마크 결과에 사용되고 있다.[1]
CNN 특징
- Locality(Local Connectivity)
- CNN은 Local 정보를 활용하여 인접한 신호들에 대한 correlation 관계를 비선형 필터를 적용하여 추출한다.
- 비선형 필터를 여러 층 적용하면 다양한 local 특징을 추출할 수 있으며, 반복을 통해 Global Feature 추출한다.
- Shared Weights
- 필터 반복 적용을 통한 획기적인 변수를 감소시킨다.
- 토폴로지(Topology) 변화에 무관한 항상성(Invariance)[1]
CNN 구조
CNN은 Convolution 레이어, Pooling 레이어, Fully-Connected 레이어로 구성된다. Input 레이어 이후에 Convolution 레이어와 Pooling 레이어가 반복되고 마지막 1 또는 2레이어에서 Fully-Connected 레이어로 구성된다.
- Convolution
- 입력 영상으로부터 Convolution(Filter)를 통해 Feature Map을 생성한다.
- 여러 개의 다른 특징을 추출하고 싶다면 여러개의 Convolution Kernel를 사용한다.
- Sub-sampling(Pooling)
- 가장 강한 신호만 전달하는 방식을 채택하여 가장 큰 값을 선택하는 방법인 max-pooling을 주로 사용한다.
- 이동이나 변형 등에 무관한 학습 결과를 보이기 위해서 Convolution + Sub-sampling 과정을 여러 번 거쳐 대표할 수 있는 특징을 얻는 것이 중요하다.[1]
순환 신경망
순환 신경망(Recurrent Neural Networks, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다. 이러한 특성에 의해 순환 신경망은 필기체 인식(Handwriting recognition)과 같은 분야에 활용되고 있고, 높은 인식률을 나타냄. 순환 신경망을 구성할 수 있는 구조에는 여러가지 방식이 사용되고 있다. 완전 순환망(Fully Recurrent Network), Hopfield Network, Elman Network, Echo state network(ESN), Long short term memory network(LSTM), Bi-directional RNN, Continuous-time RNN(CTRNN), Hierarchical RNN, Second Order RNN 등이 대표적인 예다. 순환 신경망을 훈련(Training)시키기 위해 대표적으로 경사 하강법, Hessian Free Optimization, Global Optimization Methods 방식이 쓰이고 있다. 하지만 순환 신경망은 많은 수의 뉴런 유닛이나 많은 수의 입력 유닛이 있는 경우에 훈련이 쉽지 않은 스케일링 이슈를 가지고있다.[1]
RNN 특징
- 시계열 학습
- RNN은 딥러닝(Deep Learning) 알고리즘 중 순차적인 데이터를 학습하여 분류 및 예측 수행한다. 현재의 출력 결과는 이전 Time Step의 결과에 영향을 받으며, 히든(Hidden) 레이어는 일종의 메모리 역할을 수행한다.
- 변수(Parameter) 공유
- 기존의 DNN(Deep Neural Networks)의 경우 각 레이어마다 변수들이 독립적이었으나 RNN은 이를 공유하고 있다.[1]
RNN 구조
- Convolution
- 입력 영상으로부터 Convolution(Filter)를 통해 Feature Map을 생성한다.
- 여러 개의 다른 특징을 추출하고 싶다면 여러개의 Convolution Kernel를 사용한다.
- Sub-sampling(Pooling)
- 가장 강한 신호만 전달하는 방식을 채택하여 가장 큰 값을 선택하는 방법인 max-pooling을 주로 사용한다.
- 이동이나 변형 등에 무관한 학습 결과를 보이기 위해서 Convolution + Sub-sampling 과정을 여러 번 거쳐 대표할 수 있는 특징을 얻는 것이 중요하다.[1]
각주
참고자료
- ㈜스마트엠투엠 공식 홈페이지 - http://www.smartm2m.co.kr/#!/
- 최종석 DBpia - https://www.dbpia.co.kr/author/authorDetail?ancId=76066
- ㈜스마트엠투엠 saramin - http://www.saramin.co.kr/zf_user/company-info/view?csn=6218196850
- 한국정보과학회 - http://www.kiise.or.kr/conference/main/getContent.do?CC=conf&CS=023&content_no=853&PARENT_ID=020300
- 박근모 기자, 〈2019년 블록체인 공공 시범사업 총정리〉, 《코인데스크코리아》, 2019-05-30
같이 보기
