Software R&D outcomes
SW연구성과정보
NIPA information on software research results, for technology licensing and collaboration.
8,561 rows.
| Asset code | Asset name | Asset description | Project unique number | कंपनी का नाम | Technology name | Development start date | Development end date | Technology overview | Competitiveness | Development goal | Target customers and market | Component technologies | Development environment | Test criteria | Test method |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ASSET_0016425 | 강화학습 기반 그래프 파티셔닝 내 구조적 패턴별 Coarsening(축약) 알고리즘 성능 분석 프레임워크 | 본 기술은 강화학습 기반 그래프 파티셔닝에서 그래프 구조에 따라 Coarsening 알고리즘의 성능 차이를 비교·분석하는 프레임워크임 그래프를 기하형, 커뮤니티형, 허브형과 노드 수 구간으로 구분하고 동일한 그래프에 Graclus, AMG, Random Matching, Leiden 기반 축약 기법을 적용함 축약 그래프에서 초기 파티션을 생성한 후 원본 그래프로 단계적으로 복원하며 동일한 강화학습 정책 모델을 이용해 파티션을 개선함 초기·최종 정규화 컷, 개선량, 파티션 균형도, 축약 단계 수, 축약 노드 수, 수행시간 등을 측정하고 구조·크기·알고리즘별 결과를 자동 집계함 그래프 파티셔닝, 그래프 축약, GNN 전처리, 대규모 그래프 분석 및 분산 데이터 처리 분야에 적용 가능함 | 2710093189 | 강원대학교산학협력단 | 강화학습 기반 그래프 파티셔닝 내 구조적 패턴별 Coarsening(축약) 알고리즘 성능 분석 프레임워크 | 2026-01-01 | 2026-04-30 | ㆍ본 기술은 강화학습 기반 그래프 파티셔닝에서 그래프 구조에 따라 Coarsening 알고리즘의 성능 차이를 비교·분석하는 프레임워크임 ㆍ그래프를 기하형, 커뮤니티형, 허브형과 노드 수 구간으로 구분하고 동일한 그래프에 Graclus, AMG, Random Matching, Leiden 기반 축약 기법을 적용함 ㆍ축약 그래프에서 초기 파티션을 생성한 후 원본 그래프로 단계적으로 복원하며 동일한 강화학습 정책 모델을 이용해 파티션을 개선함 ㆍ초기·최종 정규화 컷, 개선량, 파티션 균형도, 축약 단계 수, 축약 노드 수, 수행시간 등을 측정하고 구조·크기·알고리즘별 결과를 자동 집계함 ㆍ그래프 파티셔닝, 그래프 축약, GNN 전처리, 대규모 그래프 분석 및 분산 데이터 처리 분야에 적용 가능함 [참고 그림 : SW자산뱅크_등록목록_이수현] | ㆍ동일한 그래프에 여러 Coarsening 알고리즘을 적용하고 동일한 강화학습 모델과 실험 조건으로 평가하여 공정한 성능 비교가 가능함 ㆍ기존의 단순 축약률이나 수행시간 비교와 달리 그래프의 구조적 패턴과 축약 알고리즘 간의 관계를 분석할 수 있음 ㆍ차수 분포, 차수 지니계수, 군집계수, 모듈성 등의 구조 지표를 이용하여 실제 구조 특성을 기반으로 알고리즘 성능을 분석함 ㆍ난수 시드, 반복 횟수, 축약 조건 및 파티션 균형 조건을 통제하여 재현 가능한 실험 환경을 제공함 ㆍ그래프 구조별 적합한 Coarsening 방식을 객관적으로 비교하고 선택할 수 있다는 점에서 기존 개별 알고리즘 평가 방식과 차별화됨 | 그래프 구조에 따른 Coarsening 알고리즘의 성능 차이를 동일한 강화학습 환경에서 정량적으로 비교할 수 있는 통합 SW 프레임워크 구축을 정성적 목표로 함 ㆍ구조별 그래프 생성 및 분석 기능 구축을 정량적 목표로 함 - Geometric, Community, Hub의 3종 구조 패턴 지원 - 차수 분포, 차수 지니계수, 최대 차수 대비 평균 차수, 군집계수, 모듈성 등 5종 이상의 구조 지표 측정 ㆍCoarsening 알고리즘 비교 기능 구축을 정량적 목표로 함 - Graclus, AMG, Random Matching, Leiden 기반 4종의 Coarsening 알고리즘 지원 - 동일 그래프와 동일 강화학습 모델을 이용한 알고리즘별 반복 비교 지원 ㆍ멀티레벨 그래프 파티셔닝 및 성능 평가 기능 구축을 목표로 함 - METIS 기반 2-way 초기 파티셔닝 및 다단계 Uncoarsening 지원 - 초기·최종 정규화 컷, 개선량, 노드 균형도, 볼륨 균형도, 축약 단계 수, 최종 축약 크기, 축약·초기화·강화학습 수행시간 등 10종 이상의 성능 지표 자동 측정 - 100~5k, 5k~30k, 30k~60k, 60k~90k의 4개 그래프 규모 구간에서 성능 비교 수행 ㆍ반복 실험의 재현성 및 결과 관리 자동화를 목표로 함 - 난수 시드와 반복 횟수 설정을 통한 반복 실험 지원 - 중단된 실험의 Resume 기능 지원 - 실험 결과를 CSV 및 JSON의 2종 형식으로 자동 저장 | ㆍ그래프 파티셔닝, 그래프 축약, GNN 및 대규모 네트워크 분석을 연구하는 대학, 연구기관 및 기업 연구개발 조직을 주요 타겟으로 함 ㆍ소셜 네트워크, 추천 시스템, 금융 네트워크, 통신 네트워크, 바이오 네트워크 등 대규모 관계형 데이터를 처리하는 인공지능 및 데이터 분석 분야에 활용 가능함 ㆍ현재 시장은 그래프 알고리즘 및 그래프 파티셔닝 성능을 평가하기 위한 연구·분석용 SW 및 벤치마크 도구를 중심으로 형성되는 것으로 볼 수 있음 | ㆍ구조별 그래프 생성 및 분석 기술 - Delaunay·공간 그래프, SBM, BA·Holme-Kim을 이용하여 서로 다른 구조적 특성을 갖는 그래프를 생성함 - 차수 분포, 차수 지니계수, 최대 차수 대비 평균 차수, 군집계수, 모듈성 등을 이용하여 구조 특성을 분석함 ㆍCoarsening 비교 기술 - 동일한 그래프에 Graclus, AMG, Random Matching, Leiden 기반 축약 방식을 각각 적용함 - 그래프를 단계적으로 축약하고 각 단계의 노드 대응 관계를 저장함 ㆍ초기 파티셔닝 및 복원 기술 - 최하위 축약 그래프에서 METIS 기반 2-way 파티션을 생성함 - 저장된 노드 대응 관계를 이용하여 파티션을 원본 그래프까지 단계적으로 복원함 ㆍ강화학습 기반 파티션 개선 기술 - GNN 기반 상태 표현과 PPO 정책을 결합한 강화학습 에이전트를 이용하여 경계 주변 노드의 이동을 결정하고 파티션을 개선함 - 파티션이 특정 영역으로 과도하게 집중되지 않도록 볼륨 균형 제약을 적용함 ㆍ성능 분석 및 결과 관리 기술 - 초기·최종 정규화 컷, 균형도, 축약 단계, 축약 크기 및 수행시간을 기록함 - 구조·크기·알고리즘별 결과를 자동 집계하고 CSV 및 JSON 형식으로 저장함 | ㆍPython 3.9 이상의 실행 환경을 사용함 ㆍPyTorch 및 PyTorch Geometric을 GNN 및 강화학습 모델 실행에 사용함 ㆍNetworkX와 SciPy를 그래프 생성 및 수치 연산에 사용함 ㆍMETIS 연동 모듈을 초기 그래프 파티셔닝에 사용함 ㆍigraph 및 Leiden 관련 라이브러리를 Leiden 기반 그래프 처리에 사용함 ㆍCPU 기반 실행이 가능하며 대규모 반복 실험에서는 CUDA 지원 GPU를 활용할 수 있음 ㆍShell 스크립트와 Python 실행 파일을 통해 전체 실험을 수행하고 결과를 CSV 및 JSON으로 관리함 | ㆍGeometric, Community, Hub와 같은 구조별 그래프가 정상 생성되고 의도한 구조 특성을 나타내는지를 확인함 ㆍGraclus, AMG, Random Matching, Leiden의 4개 Coarsening 방식이 동일한 입력 그래프에서 정상적으로 실행되는지를 확인함 ㆍ초기 파티션과 강화학습 개선 이후 파티션의 Normalized Cut과 Volume Balance를 측정하여 파티션 품질 변화를 평가함 ㆍ그래프 구조별로 Coarsening 알고리즘 간 파티션 품질과 수행시간 차이가 구분되는지를 주요 성능 분석 기준으로 설정함 ㆍ동일한 난수 시드와 실행 설정에서 동일한 실험 조건을 재구성할 수 있고 중단된 실험을 정상적으로 재개할 수 있는지를 기능 만족 기준으로 설정함 | ㆍ그래프 구조별로 100~5k, 5k~30k, 30k~60k, 60k~90k의 노드 수 구간을 구성하여 그래프 크기에 따른 성능을 반복 측정함 ㆍ동일한 입력 그래프와 강화학습 모델을 유지하고 Coarsening 알고리즘만 변경하여 알고리즘별 영향을 통제 실험 방식으로 비교함 ㆍ초기 파티션의 NC와 강화학습 개선 이후 NC를 비교하여 파티션 품질 개선 정도를 측정하고 Volume Balance를 이용하여 파티션 균형도를 함께 평가함 ㆍCoarsening 수행시간과 강화학습 개선 수행시간을 별도로 측정하여 알고리즘별 계산 비용을 비교함 ㆍ서로 다른 난수 시드와 반복 횟수를 적용하여 결과의 평균 성능과 변동성을 확인하고 개별 결과와 집계 결과의 정합성을 검증함 |
| ASSET_0016424 | 제조 도메인 LMM 기반 지능 인사이트 워커(I2W, Intelligent Insight Worker) | ㆍ제조·비즈니스 현장의 내부 문서와 데이터를 근거로 사용자 질의에 답하고 표·차트 형태의 인사이트를 제공하는 온프레미스형 대화형 AI 시스템에 관한 것으로서, 보다 구체적으로는 PDF·HWP·HWPX 등 내부 문서에서 본문을 추출하여 약 1,000자 단위로 분할(100토큰 롤링 중첩)하고, 각 청크에 LLM이 생성한 문맥 요약을 결합(Contextual Retrieval)하여 BGE-M3 dense·sparse 임베딩으로 벡터DB(Milvus)에 적재하는 지식베이스 구축부; 사용자 질의에 대해 sparse·dense 하이브리드 검색으로 후보를 추출한 뒤 리랭커(BGE-reranker-v2-m3)로 재순위화하여 근거 청크를 선별하는 검색부; 선별된 근거와 최근 5턴의 대화 이력을 바탕으로 온프레미스 LLM(I2W-8b, vLLM 서빙)이 스트리밍 방식으로 응답을 생성하고 에이전트 로그·참고자료·추천 질문·표/차트를 함께 제공하는 응답 생성부; 및 계정·권한, 프롬프트 버전, 응답 필터링 정책, 운영 로그와 LLM 성능 지표를 관리하는 관리자 콘솔을 포함하며, 상기 응답 생성부는 관련 근거가 없으면 일반 지식 모드로 전환하고 LLM 오류나 컨텍스트 초과 시에는 폴백 처리를 수행함 | 2420030870 | (주)임픽스 | 제조 도메인 LMM 기반 지능 인사이트 워커(I2W, Intelligent Insight Worker) | 2024-10-29 | 2026-09-30 | ㆍ제조·비즈니스 현장의 내부 문서와 데이터를 근거로 사용자 질의에 답하고 표·차트 형태의 인사이트를 제공하는 온프레미스형 대화형 AI 시스템에 관한 것으로서, 보다 구체적으로는 PDF·HWP·HWPX 등 내부 문서에서 본문을 추출하여 약 1,000자 단위로 분할(100토큰 롤링 중첩)하고, 각 청크에 LLM이 생성한 문맥 요약을 결합(Contextual Retrieval)하여 BGE-M3 dense·sparse 임베딩으로 벡터DB(Milvus)에 적재하는 지식베이스 구축부; 사용자 질의에 대해 sparse·dense 하이브리드 검색으로 후보를 추출한 뒤 리랭커(BGE-reranker-v2-m3)로 재순위화하여 근거 청크를 선별하는 검색부; 선별된 근거와 최근 5턴의 대화 이력을 바탕으로 온프레미스 LLM(I2W-8b, vLLM 서빙)이 스트리밍 방식으로 응답을 생성하고 에이전트 로그·참고자료·추천 질문·표/차트를 함께 제공하는 응답 생성부; 및 계정·권한, 프롬프트 버전, 응답 필터링 정책, 운영 로그와 LLM 성능 지표를 관리하는 관리자 콘솔을 포함하며, 상기 응답 생성부는 관련 근거가 없으면 일반 지식 모드로 전환하고 LLM 오류나 컨텍스트 초과 시에는 폴백 처리를 수행함 [참고 그림 : 화면01_로그인] [참고 그림 : 화면02_메인_3분할] [참고 그림 : 화면03_대화응답_에이전트로그_표] [참고 그림 : 화면04_대화응답_차트_추천질문_참고자료] [참고 그림 : 화면06_문서요약_표응답] [참고 그림 : 화면05_참고자료_원문뷰어] [참고 그림 : 화면08_설정] [참고 그림 : 화면07_대화검색] [참고 그림 : 화면09_관리자_로그인] [참고 그림 : 화면10_관리자_LLM대시보드] [참고 그림 : 화면11_관리자_사용자관리] [참고 그림 : 화면12_관리자_프롬프트관리] [참고 그림 : 화면13_관리자_사용통계] [참고 그림 : 화면14_관리자_대화조회] [참고 그림 : 화면15_관리자_북마크] [참고 그림 : 화면16_관리자_운영로그] | ㆍ(온프레미스·데이터 보안) 생성 LLM, 임베딩, 리랭커, 벡터DB를 모두 사내 서버에서 구동하여 질의와 문서 데이터가 외부로 전송되지 않으며, 외부 API 없이 폐쇄망 환경에서도 운영 가능함 ㆍ(근거 기반 신뢰성) 하이브리드 검색(sparse+dense), 리랭커 재순위화, Contextual Retrieval을 결합하여 한국어 제조 문서의 검색 정확도를 높이고, 응답마다 참고자료(파일명·페이지·관련도)와 원문 뷰어를 제공하여 사용자가 답변 근거를 직접 확인할 수 있음. 관련도가 기준 미만인 자료는 근거 목록에서 자동 제외함 ㆍ(경량·고효율 모델) 128개 전문가(expert) 중 8개만 활성화하는 희소 MoE 구조의 I2W-8b 모델(토큰당 활성 파라미터 3.8B, 약 8.7B 밀집 모델급 성능)을 적용하여 단일 GPU 서버에서 응답 속도와 답변 품질을 함께 확보함 ㆍ(설명 가능한 인사이트) 답변 도출 과정을 에이전트 로그로 표시하고, 수치 비교가 필요한 답변은 표·차트로 자동 시각화하며, 후속 분석을 위한 추천 질문을 제시함 ㆍ(운영·거버넌스) 프롬프트 버전 관리 및 롤백, 주민등록번호·카드번호 마스킹과 금칙어 필터링, 로그인·권한 변경·이용내역 열람 등 운영 로그 기록, LLM 호출량·지연시간·정확도·응답 만족도를 집계하는 LLM 운영 대시보드를 제공함 ㆍ(정량 성능 검증) 실제 서빙 모델의 응답 400건(한국어 평가 벤치마크, 8개 카테고리)을 채점한 결과 ROUGE-L 0.587, BLEU 0.381, METEOR 0.723으로 연구개발 최종 목표치(0.50 / 0.30 / 0.40)를 충족함 | ㆍ제조·비즈니스 도메인 내부 문서를 근거로 답하는 한국어 LMM 질의응답 및 인사이트(표·차트) 제공 시스템 개발 ㆍROUGE-L F1-score 0.50 이상 (1차년도 0.40) ㆍBLEU Score 0.30 이상 (1차년도 0.20) ㆍMETEOR Score 0.40 이상 (1차년도 0.38) ㆍG-Eval 4.0 이상 (5점 만점, 1차년도 3.5) ㆍ온프레미스 환경의 사용자 화면(3분할 대화 UI)과 관리자 콘솔(LLM 대시보드, 사용자·프롬프트·로그 관리) 구현 | ㆍ타겟 고객 - 사내 문서·데이터는 방대하지만 보안상 외부 클라우드 AI 사용이 제한되는 중소·중견 제조기업(품질·생산·공정·안전·재고 부서) - 경영지표·매출·인사 데이터를 분석하여 보고서를 작성하는 기획·경영지원 조직 - 스마트공장·MES 구축 기업 및 제조 분야 SI 기업(부가 솔루션으로 탑재) - 폐쇄망 운영이 요구되는 공공기관, 방산·제약 등 규제 산업 ㆍ글로벌 시장현황 - (제조 AI) 글로벌 제조 분야 AI 시장은 2024년 53억 달러에서 2030년 479억 달러 규모로 연평균 46.5% 성장 전망 (Grand View Research) - (생성형 AI) 글로벌 생성형 AI 시장은 2024년 약 169억 달러에서 2030년 약 1,094억 달러 규모로 연평균 37.6% 성장 전망 (Grand View Research) ㆍ국내 동향 - (시장 규모) 2024년 국내 AI 기업 매출은 6조 3,009억 원으로 전년(5조 6,991억 원) 대비 12.5% 증가 (과학기술정보통신부·소프트웨어정책연구소, 2024 인공지능산업 실태조사) - (응용 SW 비중) 사업 분야별로 AI 응용 SW 매출이 2조 6,682억 원(42.4%)으로 가장 큰 비중을 차지하여, 업무 특화형 AI 애플리케이션 수요가 시장 성장을 견인함 | ㆍ지식베이스 구축 모듈 - PDF(스캔 페이지 OCR 포함)·HWP·HWPX 문서 본문 추출 및 페이지 이미지 생성 - 약 1,000자 단위 청킹과 100토큰 롤링 중첩으로 문맥 단절 방지 - 청크별 LLM 문맥 요약(Contextual Retrieval)을 원문 청크와 결합하여 적재 - BGE-M3 dense(1,024차원, HNSW 인덱스)·sparse(역색인) 임베딩 생성, Milvus 적재 및 문서 매니페스트 관리 ㆍ하이브리드 검색·재순위화 모듈 - sparse·dense 하이브리드 검색으로 후보 20건 추출 - BGE-reranker-v2-m3 재순위화로 상위 5건을 근거로 선별, 관련도 기준 미만 자료는 참고자료에서 제외 ㆍ응답 생성 모듈 - vLLM으로 서빙하는 I2W-8b 모델의 SSE 스트리밍 응답 생성, 최근 5턴 대화 이력 반영 - 근거가 없으면 일반 지식 모드로 전환, LLM 오류·컨텍스트 예산 초과 시 폴백 처리 - 에이전트 로그(답변 도출 과정), 추천 질문, 표·차트(SVG) 생성 - 첨부 파일(PDF·TXT·DOCX·XLSX, 최대 25MB) 본문을 추출하여 질의 문맥으로 활용 ㆍ응답 정책·보안 모듈 - 주민등록번호·카드번호 마스킹 및 금칙어 치환(스트리밍 토큰 경계 처리) - PBKDF2-HMAC-SHA256 비밀번호 해시, Bearer 토큰 인증, 사용자/관리자 권한 분리 및 사용자별 데이터 격리 ㆍ사용자 화면 모듈 - 좌측(새 채팅·검색·설정·대화 목록), 중앙(대화), 우측(북마크) 3분할 UI 및 모바일 서랍형 패널 - 참고자료 원문 뷰어, 대화 검색·키워드 강조, 북마크, 응답 만족도 평가(좋아요/아쉬워요), 음성 입력(한국어) ㆍ관리자 콘솔 모듈 - LLM 대시보드(종합 성능 점수, 호출량 추세, 성공률·지연시간·토큰, 카테고리별 정확도, 응답 만족도, AI 분석·제안) - 사용자 관리, 프롬프트 버전 관리·롤백, 사용 통계, 대화 조회, 북마크 조회, 운영 로그 ㆍ성능 평가 모듈 - ROUGE-L·BLEU·METEOR(한국어 형태소 기반)와 G-Eval(LLM 심사자) 자체 구현, 400건 벤치마크 자동 채점 및 목표 대비 리포트 생성 | ㆍ시스템 환경 - OS : Ubuntu 24.04 LTS (서버) - H/W : AMD EPYC 7373X 16코어, RAM 377GB, NVIDIA RTX PRO 6000 Blackwell Max-Q (VRAM 96GB) 1식 - Client : Chrome 등 웹 브라우저 (PC·모바일 반응형) ㆍ개발 언어 - language : python 3.12, javascript (React 18 / JSX) ㆍ개발 도구 및 라이브러리 - web app : FastAPI 0.115, Uvicorn 0.34 (SSE 스트리밍), React 18, Vite 5 - LLM 서빙 : vLLM 0.23 (OpenAI 호환 API), I2W-8b (google/gemma-4-26B-A4B-it 기반, bfloat16) - 검색·임베딩 : Milvus 2.4.11 (etcd·MinIO), BAAI/bge-m3, BAAI/bge-reranker-v2-m3, FlagEmbedding 1.3.4 - 문서 처리 : PyMuPDF, pdfplumber, pyhwp - DB : SQLite (사용자·대화·북마크·LLM 호출·피드백·프롬프트·운영 로그), Milvus (벡터) - 평가 : 자체 구현 ROUGE-L·BLEU·METEOR·G-Eval 모듈, kiwipiepy 형태소 분석기 - 운영 : systemd 서비스 유닛(자동 재기동), Docker (Milvus) ㆍ제약사항 - 모델 가중치만 약 48GB로, 48GB 이상 VRAM GPU 서버가 필요함 (8B급 소형 GPU 환경에서는 구동 불가) - 채팅 첨부 파일은 텍스트 기반 문서만 인식하며, 스캔본 PDF·이미지 OCR은 지원하지 않음 - 온프레미스 배포 기준으로 외부 API 연동은 없음 | ㆍ테스트 기준으로는 요구사항을 반영한 화면설계서(BIRD v2), 데이터베이스 설계서, 연구개발 성능 목표를 기반으로 하기 3개 테스트를 진행하여, 모든 기능이 정상 작동하고 목표 성능을 충족하는지 확인함 ㆍ기능 테스트 - 사용자 화면 : 로그인·회원가입·비밀번호 재설정, 근거 기반/일반 지식 질의응답, 에이전트 로그·표·차트·추천 질문 표시, 참고자료 원문 뷰어, 파일 첨부 본문 인식·드래그앤드롭, 북마크 등록·해제·검색, 대화 검색·키워드 강조, 응답 만족도 평가, 모바일 패널 접근 - 관리자 화면 : LLM 대시보드(건수 0인 일자 포함 집계, 툴팁), 사용자 관리(권한 변경·삭제 확인 절차), 프롬프트 등록·롤백, 사용 통계, 대화 조 회(마크다운·차트 렌더링), 북마크 조회, 운영 로그 기록 - 판정 기준 : 기능 지적사항 29건 전건 정상 동작 ㆍ비기능 테스트 - 보안 : 비밀번호 평문 미저장, 사용자별 대화·북마크 격리, 관리자 전용 API 비인가 접근 차단 - 응답 정책 : 주민등록번호·카드번호 패턴 마스킹 및 금칙어 치환 (스트리밍 중 화면 노출 없음) - 안정성 : 검색 결과 없음·LLM 오류 시 폴백 응답, 서비스 비정상 종료 시 자동 재기동 - 호환성 : PC(1280·1440px)·모바일(430·820px) 해상도에서 레이아웃 깨짐 및 페이지 가로 밀림 없음 ㆍ성능 지표 테스트 (연구개발 최종 목표) - ROUGE-L F1 0.50 이상, BLEU 0.30 이상, METEOR 0.40 이상, G-Eval 4.0 이상 (한국어 평가 벤치마크 400건) | ㆍ상기 테스트 기준에 맞게 화면설계서와 데이터베이스 설계서에 설계된 대로 동작하는지 확인하도록 아래와 같이 절차를 정하고 테스트를 진행함 ㆍ기능·비기능 테스트 - (1) 테스트 계정으로 로그인한 후 화면설계서의 메뉴별 기능을 순서대로 실행 - (2) 지적사항 목록(기능 29건, 비기능 9건)의 항목별 재현 절차를 수행하여 적용 여부와 결과를 기록 - (3) 관리자 콘솔의 [운영 로그]·[대화 조회]에서 처리 이력이 DB에 정상 기록되었는지 교차 확인 - (4) PC·모바일 해상도별 화면을 캡처하여 결과를 증빙 (붙임 1 제품 화면정의서) ㆍ성능 지표 테스트 - (1) 한국어 평가 벤치마크 400건(8개 카테고리 × 50건, 질문·참조답안) 로드 - (2) 실제 서빙 모델(I2W-8b)로 400건 전수 응답 생성 (gen_predictions_live.py) - (3) 형태소 분석기(kiwipiepy)로 토큰화한 뒤 ROUGE-L·BLEU·METEOR를 산출하고, LLM 심사자로 G-Eval 채점 (run_eval.py) - (4) 지표별 측정값을 최종 목표치와 비교하여 충족 여부 판정 - (결과) ROUGE-L 0.587 / BLEU 0.381 / METEOR 0.723 - 3개 지표 목표 충족 [참고 그림 : 시험01_성능지표_실모델_채점결과] |
| ASSET_0016423 | Intel DSA(데이터 스트리밍 가속기) 성능 분석 도구 | ㆍ본 기술은 Linux 환경에서 Intel DSA(Data Streaming Accelerator)의 데이터 처리 성능을 측정하는 명령행 기반 벤치마크 소프트웨어임 - DSA 활용 시 연산 구성, 전송 크기, 미완료 요청 수, 메모리 및 캐시 조건에 따른 성능을 비교하고 적합한 실행 조건을 탐색할 수 있도록 구성했음 - 메모리 복사(memmove), 채우기(fill), 비교(compare), 무동작(noop)의 4종 연산을 지원하며, 하나의 사용자 작업 큐에 단일 또는 혼합 연산 요청을 비동기 방식으로 제출함 - 여러 설정값의 조합을 한 번의 프로그램 실행으로 순차 측정하고, 실행 조건과 처리량을 CSV 파일로 저장함 - 고성능 서버의 가속기 평가, 시스템 소프트웨어의 데이터 처리 최적화 및 연구용 성능 실험에 활용 가능함 [참고그림: 실행과정] | 2710093218 | 울산과학기술원 | Intel DSA(데이터 스트리밍 가속기) 성능 분석 도구 | 2026-07-01 | 2026-09-11 | ㆍ본 기술은 Linux 환경에서 Intel DSA(Data Streaming Accelerator)의 데이터 처리 성능을 측정하는 명령행 기반 벤치마크 소프트웨어임 ㆍDSA 활용 시 연산 구성, 전송 크기, 미완료 요청 수, 메모리 및 캐시 조건에 따른 성능을 비교하고 적합한 실행 조건을 탐색할 수 있도록 구성했음 ㆍ메모리 복사(memmove), 채우기(fill), 비교(compare), 무동작(noop)의 4종 연산을 지원하며, 하나의 사용자 작업 큐에 단일 또는 혼합 연산 요청을 비동기 방식으로 제출함 ㆍ여러 설정값의 조합을 한 번의 프로그램 실행으로 순차 측정하고, 실행 조건과 처리량을 CSV 파일로 저장함 ㆍ고성능 서버의 가속기 평가, 시스템 소프트웨어의 데이터 처리 최적화 및 연구용 성능 실험에 활용 가능함 [참고 그림 : 실행과정] | 본 소프트웨어는 혼합 연산 구성, 세분화된 캐시 정책, 조건 조합별 반복 측정을 하나의 명령행 인터페이스로 제공하여 실험 설정과 결과 수집의 편의성을 높이는 데 중점을 둠 ㆍ1) 혼합 워크로드 구성: 사용자가 지정한 연산 목록을 순환 제출하고, 동일 연산의 반복 지정으로 요청 구성 비율을 조절함 - 예를 들어 memmove,memmove,fill은 세 요청 중 두 요청을 복사, 한 요청을 채우기로 구성함 ㆍ2) 세분화된 캐시 조건: 원본·대상 버퍼의 캐시 준비 상태를 각각 hot, cold, mixed:N으로 지정하고, 쓰기 연산의 캐시 제어 힌트를 off, on, alternate, mixed:N으로 설정하여 다양한 조건을 비교함 ㆍ3) 실험 자동화: 전송 크기, 미완료 요청 수, 캐시 정책 및 작업 큐 모드에 복수 값을 지정하여 조합별 측정을 수행함 - 개별 실행 명령을 반복 작성하는 작업을 줄일 수 있음 ㆍ4) 측정 절차의 일관성: 예열, 버퍼 초기화, 캐시 준비, 사후 데이터 검증 및 파일 출력을 실측 구간에서 분리하고, 혼합 연산별 버퍼를 구분하여 데이터 간섭을 방지함 ㆍ5) 분석 도구 연계: 측정 조건과 집계 성능을 CSV로 함께 기록하여 외부 통계·그래프 도구를 이용한 후속 분석을 지원함 | ㆍ1. 기능: 4종 DSA 연산의 단일·혼합 실행, 3종 메모리 할당 방식, 공유형·전용형 작업 큐 및 다양한 캐시 정책을 지원하여 주요 실험 조건을 하나의 도구로 설정할 수 있도록 함 ㆍ2. 품질: 정상 측정의 완료 요청 수를 설정값과 일치시키고, 비교 연산 및 선택적 복사·채우기 검증에서 데이터 불일치 0건을 목표로 함. 잘못된 입력, 장치 제한 초과 및 출력 오류를 식별하여 사용자에게 알림 ㆍ3. 측정 신뢰성: 준비·검증·출력 시간을 실측 구간에서 제외하고, 집계 처리량과 계산 기준을 명확히 제공하여 결과 해석의 일관성을 확보함 | ㆍIntel DSA가 탑재된 고성능 서버를 사용하는 연구자, 시스템 소프트웨어 개발자 및 관련 기업을 주요 대상으로 함 ㆍ대학·연구기관의 컴퓨터 구조 및 시스템 연구, 서버·스토리지·네트워크 소프트웨어 개발 조직, 데이터센터의 성능 평가 조직에서 DSA 도입 검토와 워크로드별 실행 조건 분석에 활용 가능함 ㆍ적용 시장은 고성능 컴퓨팅, 서버 가속기 평가 및 시스템 성능 분석용 개발 도구 분야임 | ㆍ1) 설정 해석 및 실험 구성(core.c, core.h) - 명령행에서 연산 목록, 전송 크기, 미완료 요청 수, 예열·측정 요청 수, 캐시 정책, 메모리 방식, CPU 및 작업 큐를 입력받음 - 연산 목록은 한 측정 안에서 순환 제출하는 작업 순서로 해석하고, 전송 크기 등 다른 목록형 설정은 별도의 측정 조건 조합으로 전개함 - 연산에 관계없는 조건은 중복 측정을 줄이도록 처리함 ㆍ2) DSA 장치 및 작업 큐 연계(dsa_copy.c, dsa_copy.h) - libaccel-config를 이용해 활성화된 사용자 작업 큐를 탐색하고, 지정 경로와 모드에 맞는 큐를 선택함 - 장치 포털을 메모리에 매핑하여 공유형 큐는 ENQCMD, 전용형 큐는 MOVDIR64B 명령으로 요청을 제출함 - 포털 매핑이 권한 오류로 실패하면 장치 파일의 write 방식으로 전환함 - 장치의 지원 연산, 최대 전송 크기 및 큐 크기를 확인하고 제출 재시도 횟수를 수집함 ㆍ3) 메모리 및 캐시 관리(memory.c, memory.h) - 재사용 가능한 원본·대상 버퍼 풀을 할당하고 4KB 페이지, THP 요청, 명시적 2MB 대형 페이지 방식을 지원함 - THP의 실제 적용 여부는 운영체제 상태에 따라 달라질 수 있음 - hot은 버퍼를 읽어 캐시 적재를 유도하고, cold는 캐시 라인을 플러시하며, mixed:N은 고정된 해시 계산과 임계값으로 일부 버퍼에 hot 처리를 적용함 - N은 선택 비율을 제어하는 값으로 유한한 버퍼 풀에서 정확히 N%의 개수를 보장하지 않음 - 캐시 준비는 측정 전에 수행하며, 실행 중 버퍼가 재사용되면 캐시 상태가 변할 수 있음 ㆍ4) 연산 구성 및 데이터 검증(ops.c, ops.h) - 연산별 입력 데이터를 초기화하고 DSA 작업 기술자와 완료 레코드를 구성함 - 복사·채우기에 캐시 제어 힌트를 적용하며, 비교·무동작에는 해당 힌트를 적용하지 않음 - 비교 연산은 동일·상이 데이터의 예상 결과와 완료 결과를 대조함 - --verify 지정 시 복사·채우기의 사용된 대상 버퍼를 측정 종료 후 검증함 ㆍ5) 비동기 실행 및 시간 측정(runner.c, runner.h) - 연산 목록의 각 위치에 별도 버퍼 영역을 배정하고, 전체 미완료 요청 수를 --inflight 이하로 유지하며 요청 제출과 완료 확인을 반복함 - 요청 제출 순서는 지정 목록을 따르지만 하드웨어의 실제 실행·완료 순서를 보장하지 않음 - 예열 후 입력과 캐시 상태를 다시 준비하고 CLOCK_MONOTONIC_RAW로 측정 구간의 경과 시간을 계산함 - 전송 크기와 큐 용량 등 조건을 검사하여 실행할 수 없는 측정을 건너뜀 ㆍ6) 결과 집계 및 출력(core.c, runner.c) - 각 측정의 완료 요청 수, 경과 시간, 논리적 데이터 처리량(GB/s), 초당 백만 요청 수(Mops), 경과 시간을 요청 수로 나눈 값(average_ns), 제출 재시도 횟수를 집계함 - average_ns는 개별 요청의 지연시간 측정값이 아니며, 혼합 연산의 처리량은 전체 연산의 논리적 처리량임 - 결과는 표준 출력과 CSV 파일에 기록하고, 각 행을 즉시 플러시함 - 기본 파일명은 results.csv이며 실행할 때마다 지정 파일을 덮어씀 - 그래프 시각화는 외부 도구를 통해 수행함 [참고 그림 : 출력예시] | 개발 환경: ㆍUbuntu 22.04 기반 Linux 환경 ㆍIntel DSA 기능을 사용할 수 있는 Xeon 기반 서버와 Linux idxd 드라이버 및 활성화된 DSA Work Queue 환경을 가정함 개발 언어: ㆍC 언어 | 코드 품질 ㆍ기준: 지정 빌드 옵션에서 컴파일·링크 오류 0건, 경고 검토 완료, 정적 구조체 크기 검사 통과 기능 정확성 ㆍ기준: 4종 단일 연산과 혼합 연산에서 완료 요청 수가 --iterations와 일치하고, 비교 및 --verify 검증의 데이터 불일치가 0건이어야 함 설정 조합 및 경계 처리 ㆍ기준: 유효한 조건 조합별로 결과가 출력되고, 잘못된 입력 및 장치 제한 초과 조건은 오류 또는 건너뛰기 사유가 표시되어야 함 비기능 품질 ㆍ기준: 실측 구간에 준비·사후 검증·CSV 출력이 포함되지 않아야 하고, 출력된 성능 지표는 계산식과 표시 정밀도 범위에서 일치해야 함 인수 테스트 ㆍ기준: 대상 서버에서 빌드, 도움말 확인, 지정 작업 큐의 혼합 연산 측정, 데이터 검증 및 CSV 저장까지 정상 수행되어야 함 | 빌드 및 기본 실행 점검 ㆍmake와 make check를 실행하여 빌드 오류와 경고를 수집하고, --help의 정상 종료와 출력 파일 미생성을 확인함 단일·혼합 연산 검증 ㆍnoop, memmove, fill, compare를 각각 실행함 ㆍmemmove·fill에는 --verify를 적용하고, compare에는 equal과 different 입력을 각각 적용함 ㆍ이어 memmove,fill,compare 및 memmove,memmove,fill 등의 혼합 목록을 실행하여 버퍼 검증 오류와 요청 수 누락 여부를 확인함 비동기 제어 및 경계값 점검 ㆍ--inflight를 1, 복수 값, 버퍼 풀 또는 전용 큐의 허용 상한으로 바꾸어 실행함 |
| ASSET_0016422 | 차세대 오픈란 환경에서의 분산원장 기반 핸드오버 사용자 인증 프로그램 | ㆍ6G Open RAN 환경에서 UE(User Equipment)의 이동 및 핸드오버 과정에서 발생하는 인증을 효율적으로 지원하기 위해 DAG(Directed Acyclic Graph) 기반 분산원장을 활용하는 UE 인증 프로그램임 - Open RAN 기지국 구성요소인 O-DU와 DAG 기반 인증 시스템을 연계하여 UE의 인증 정보를 관리하도록 설계되며, UE가 DAG 원장에 직접 접근하는 것이 아니라 O-DU가 인증 시스템과 연동하여 필요한 인증 정보를 기록 및 확인하는 구조를 적용함으로써 UE 측의 처리 및 통신 부담을 최소화하도록 구성 - 본 프로그램의 주요 기능은 다음과 같이 2가지로 구성됨 - (1) UE 초기 인증 기능 + UE의 Open RAN 최초 접속 시, 해당 네트워크 내의 O-DU가 인증 정보로 인증 크리덴셜을 생성 + O-DU는 인증 결과 관련 정보를 포함하는 인증 트랜잭션을 생성하고, DAG 기반 인증 시스템에 기록하여 UE 인증 이력을 관리 - (2) 핸드오버 UE 재인증 기능 + UE 핸드오버 시, UE는 새로운 O-DU에게 증명값인 해시화된 신원정보, 암호화된 OTP와 함께 가상 ID 제출 + O-DU는 DAG 기반 인증 시스템에서 가상 ID로 조회된 인증 트랜잭션 내 신원정보 및 OTP와 해당 시점의 UE 증명값을 비교함으로써, 동일하면 정상 UE로 인증 | 2710093857 | 세종대학교 산학협력단 | 차세대 오픈란 환경에서의 분산원장 기반 핸드오버 사용자 인증 프로그램 | 2026-01-01 | 2026-09-01 | ㆍ6G Open RAN 환경에서 UE(User Equipment)의 이동 및 핸드오버 과정에서 발생하는 인증을 효율적으로 지원하기 위해 DAG(Directed Acyclic Graph) 기반 분산원장을 활용하는 UE 인증 프로그램임 ㆍOpen RAN 기지국 구성요소인 O-DU와 DAG 기반 인증 시스템을 연계하여 UE의 인증 정보를 관리하도록 설계되며, UE가 DAG 원장에 직접 접근하는 것이 아니라 O-DU가 인증 시스템과 연동하여 필요한 인증 정보를 기록 및 확인하는 구조를 적용함으로써 UE 측의 처리 및 통신 부담을 최소화하도록 구성 본 프로그램의 주요 기능은 다음과 같이 2가지로 구성됨 ㆍ(1) UE 초기 인증 기능 + UE의 Open RAN 최초 접속 시, 해당 네트워크 내의 O-DU가 인증 정보로 인증 크리덴셜을 생성 + O-DU는 인증 결과 관련 정보를 포함하는 인증 트랜잭션을 생성하고, DAG 기반 인증 시스템에 기록하여 UE 인증 이력을 관리 ㆍ(2) 핸드오버 UE 재인증 기능 + UE 핸드오버 시, UE는 새로운 O-DU에게 증명값인 해시화된 신원정보, 암호화된 OTP와 함께 가상 ID 제출 + O-DU는 DAG 기반 인증 시스템에서 가상 ID로 조회된 인증 트랜잭션 내 신원정보 및 OTP와 해당 시점의 UE 증명값을 비교함으로써, 동일하면 정상 UE로 인증 [참고 그림 : 차세대 오픈란 환경에서의 분산원장 기반 핸드오버 사용자 인증 프로그램_기술개요] | ㆍ본 프로그램은 6G Open RAN 환경에서 UE 핸드오버에 따른 기존 인증 방식에서의 저지연 및 확장성에 대한 제약을 해결하기 위한 것으로, DAG 분산원장을 활용함으로써 UE의 효율적인 인증이 가능함 ㆍ기존 중앙집중형 인증 서버에서는 중앙 서버 의존, O-DU 간 상태 공유 시 별도 동기화가 필요하였으나, 본 프로그램에서는 DAG 원장에 인증 이력을 공유하여 분산된 O-DU가 공통 인증 상태를 참조하게 함 ㆍ기존 핸드오버 인증 정보 전달에서는 이전 노드와의 인증 정보 전달이나 코어망 의존성이 존재할 수 있으나, 본 프로그램에서는 이전 O-DU와의 직접적인 인증 상태 전달이 아닌 공유 원장의 인증 트랜잭션을 이용한 상태 확인이 가능함 ㆍ일반 블록체인 기반 인증에서는 선형 블록 생성, 합의 및 블록 확정 과정이 인증 지연에 영향을 줄 수 있으나, 본 프로그램에서는 DAG 특성에 따른 병렬 트랜잭션 관리가 가능함 | ㆍ6G Open RAN 환경에서 UE 초기 인증, 핸드오버 재인증, DAG 기반 인증 트랜잭션 처리 및 관리를 하나의 프로그램으로 구현함 ㆍOpen RAN의 O-DU와 DAG 기반 인증 시스템을 연계하여 UE가 DAG 분산원장에 직접 접근하지 않고도 인증 정보의 생성, 기록 및 조회 가능하도록 구현함 ㆍUE의 ID, 가상 ID 및 OTP를 이용하여 인증 크리덴셜을 생성하고, QUARK 해시 및 ASCON 암호화를 적용한 경량화된 인증정보 보호 기능을 구현함 ㆍ초기 인증 결과와 인증 크리덴셜을 포함하는 인증 트랜잭션을 생성하여 DAG 기반 인증 시스템에 기록하고, UE별 인증 이력을 지속적으로 관리할 수 있도록 구현함 ㆍUE의 핸드오버 발생 시 새로운 O-DU가 DAG 기반 인증 시스템에서 기존 인증 트랜잭션 및 인증 크리덴셜을 조회하고, UE가 제출한 증명값과 비교하여 재인증을 수행할 수 있도록 구현함 ㆍ서로 다른 O-DU 간 UE 핸드오버 시 기존 인증 정보를 활용하여 UE 인증 상태를 지속 관리하고 핸드오버 재인증 과정의 처리 부담을 최소화할 수 있도록 구현함 ㆍUE 초기 인증에 따른 인증 크리덴셜 생성, 인증 트랜잭션 생성 및 DAG 기록 과정의 정상 처리율 95% 이상, 인증 저지연 0.01초 이내를 목표로 함 ㆍ핸드오버 UE 인증 트랜잭션 조회, 인증 크리덴셜 확인, 증명값 비교 및 재인증 결과 처리의 정상 처리율 95% 이상, 인증 저지연 0.01초 이내를 목표로 함 | ㆍ6G 및 Open RAN 환경에서 UE의 이동성과 핸드오버 과정에 대한 안전하고 신속한 인증 기능이 필요한 이동통신 사업자 및 네트워크 운영기관 ㆍOpen RAN 기반 기지국 및 O-DU 솔루션을 개발/운영하며 UE 인증 정보의 분산 관리와 핸드오버 재인증 기능을 필요로 하는 통신장비 및 네트워크 솔루션 기업 ㆍ차세대 6G 이동통신망에서 UE 인증, 핸드오버 보안, 분산형 인증관리 기술을 연구/개발하는 정보보호 및 이동통신 관련 기업과 연구기관 ㆍDAG 또는 분산원장 기술을 이동통신 네트워크의 인증 및 보안 기능과 연계하려는 블록체인 혹은 분산원장 플랫폼 개발기업 및 관련 기관 ㆍ자율주행, V2X, IoT 등과 같이 UE의 빈번한 이동과 핸드오버가 발생하는 차세대 이동통신 서비스 환경에서 인증 연속성 및 인증 정보 추적 기능으로 활용 가능함 ㆍUE 초기 인증부터 인증 크리덴셜 생성, DAG 기반 인증 트랜잭션 기록/조회 및 핸드오버 재인증까지 제공하여 Open RAN 기반 이동통신 인증 시스템의 개발 및 검증 업무에 활용 가능함 | UE 인증 정보 생성 및 처리 기술 ㆍUE 초기 인증을 위해 ID, 가상 ID 및 OTP를 인증 정보로 활용함 ㆍUE ID와 가상 ID를 결합하여 신원정보를 구성하며, 이는 이후 인증 과정에서 UE 식별 및 검증을 위한 정보로 활용힘 ㆍ가상 ID는 DAG 기반 인증 시스템에 기록된 트랜잭션을 조회하고 기존 인증 이력을 연계하기 위한 식별정보로 활용함 QUARK 및 ASCON 기반 인증 정보 보호 기술 ㆍUE 신원정보에는 QUARK 기반 해시 처리를 적용하고, OTP에는 ASCON 기반 암호화를 적용함 ㆍUE 신원정보 및 인증 정보의 원본 대신 변환된 값을 인증 크리덴셜과 재인증 과정에 활용할 수 있도록 구성 UE 인증 크리덴셜 생성 기술 ㆍO-DU는 UE가 제공한 인증 정보를 기반으로 UE 인증 상태를 나타내는 인증 크리덴셜을 생성함 ㆍ인증 크리덴셜에는 해시화된 신원정보와 암호화된 OTP 등 UE 검증에 필요한 정보가 포함됨 ㆍ초기 인증 완료 후, 다른 O-DU에서 해당 UE 재인증을 위한 기준정보로 활용함 DAG 기반 인증 트랜잭션 생성 및 기록 기술 ㆍO-DU는 UE 인증 크리덴셜과 인증 결과 관련 정보를 이용하여 인증 트랜잭션을 생성 ㆍO-DU가 UE의 직접적인 원장 접근 없이 인증 트랜잭션을 DAG 기반 인증 시스템에 기록 ㆍDAG 분산원장 내에서 UE별 인증 정보 및 이력을 분산원장 상에서 관리할 수 있도록 구성함 UE 인증 트랜잭션 조회 기술 ㆍUE가 핸드오버하는 경우, 새로운 O-DU는 UE가 제출한 가상 ID로 DAG 기반 인증 시스템에서 해당 UE 관련 인증 트랜잭션을 조회함 ㆍ인증 트랜잭션으로부터 기존 O-DU에서 생성된 인증 크리덴셜을 확인 후, 해당 정보를 핸드오버 UE의 재인증을 위한 정보로 활용함 핸드오버 UE 검증 및 재인증 기술 ㆍUE는 새로운 O-DU에 가상 ID와 함께 해시화된 신원정보 및 암호화된 OTP를 증명값으로 제출 ㆍ새로운 O-DU는 DAG 기반 인증 시스템에서 조회한 인증 크리덴셜의 인증 정보와 UE가 제출한 증명값을 비교하여 동일 여부를 검증 ㆍ검증 결과가 일치하는 경우, 해당 UE가 이전 O-DU에서 정상적으로 인증된 UE임을 확인하고 재인증을 완료 DAG 기반 UE 인증 이력 관리 기술 ㆍUE 초기 인증 및 재인증 시 생성되는 인증 결과를 인증 트랜잭션 형태로 관리함 ㆍ특정 UE의 인증 수행 위치, 활용 크리덴셜 정보를 관리하며, UE 인증 정보의 무결성 및 인증 과정의 추적성을 확보할 수 있게 함 | ㆍUTM 기반 Linux 환경에서 UE, O-DU 및 DAG 인증 시스템의 각 구성요소를 개별적으로 실행하고 연계할 수 있도록 구성함 ㆍPython을 이용하여 UE의 인증 요청, O-DU의 인증 정보 처리, QUARK 기반 해시 처리, ASCON 기반 암호화, 인증 크리덴셜 생성 및 재인증 검증 기능을 구현함 ㆍMove 언어를 이용하여 인증 트랜잭션 생성, DAG 원장 기록 및 인증 정보 관리에 필요한 분산원장 모듈을 구현함 ㆍO-DU에서는 초기 인증 및 재인증을 모두 실행할 수 있도록 구성하며, UE 핸드오버에 따른 초기 인증 및 재인증 과정을 독립적으로 수행할 수 있도록 구현함 ㆍ각 O-DU가 접근하는 로컬 DAG 원장을 기반으로 인증 트랜잭션을 저장 및 조회하고, O-DU 간 원장 상태를 동기화하여 UE의 인증 상태를 공유할 수 있도록 구성함 ㆍ핸드오버 재인증을 수행하기 전에 UE에 대한 초기 인증과 인증 크리덴셜 및 인증 트랜잭션의 DAG 기록 과정이 선행되어야 함 ㆍ재인증 시 새로운 O-DU가 이전 인증 트랜잭션을 정상적으로 조회할 수 있도록 O-DU가 사용하는 DAG 원장의 상태가 정상적으로 유지 및 동기화되어야 함 ㆍ인증 트랜잭션 조회에 사용되는 UE의 가상 ID와 등록된 인증 크리덴셜이 정상적으로 관리되어야 하며, 일치하지 않는 인증 정보가 입력되는 경우 인증 실패를 반환하도록 구성함 | ㆍUE 초기 인증 요청 시 ID, 가상 ID 및 OTP 기반 인증정보가 O-DU에 정상적으로 전달되는지 확인 ㆍO-DU에서 UE 신원정보에 대한 QUARK 기반 해시 처리와 OTP에 대한 ASCON 기반 암호화가 정상적으로 수행되는지 확인 ㆍ초기 인증 완료 후 UE의 인증 크리덴셜 및 인증 트랜잭션 생성 정상 처리율 및 지연시간 확인 ㆍ생성된 인증 트랜잭션이 DAG 기반 인증 시스템에 정상적으로 기록되고 이후 조회 가능한지 확인 ㆍUE 핸드오버 시 새로운 O-DU가 유효한 가상 ID를 이용하여 기존 UE의 인증 트랜잭션을 정상적으로 조회하는지 확인 ㆍUE가 제출한 증명값과 DAG 원장에서 조회한 기존 인증 정보가 일치하는 경우 핸드오버 재인증 정상 처리율 및 지연시간 확인 ㆍO-DU 간 DAG 원장 상태가 정상적으로 동기화된 환경에서 기존 O-DU가 기록한 트랜잭션을 새로운 O-DU에서 정상적으로 조회할 수 있는지 확인 ㆍ잘못된 인증 정보 또는 일치하지 않는 증명값 입력 시 프로그램 전체가 비정상 종료되지 않고 인증 실패로 정상 처리되는지 확인 ㆍ초기 인증, 인증 트랜잭션 기록, 핸드오버 및 재인증으로 구성된 전체 인증 절차의 정상 처리율 및 지연시간 확인 | ㆍ초기 인증 성공 시 인증 크리덴셜과 인증 트랜잭션이 정상적으로 생성되고 DAG 원장에 기록되는지 확인함 ㆍDAG 원장에 기록된 인증 트랜잭션에서 UE의 기존 인증 정보 및 인증 크리덴셜을 정상적으로 조회할 수 있는지 확인함 ㆍ정상적인 UE 인증 정보를 입력한 경우 초기 인증 및 핸드오버 재인증 결과가 성공으로 출력되는지 확인함 ㆍ기존 인증 정보와 일치하지 않는 증명값을 입력한 경우 재인증 결과가 실패로 출력되는지 확인함 ㆍO-DU에서 초기 인증을 완료한 UE가 새로운 O-DU로 이동하였을 때 기존 인증 정보의 조회와 검증을 통해 전체 핸드오버 재인증 과정이 정상적으로 완료되는지 확인함 ㆍ반복적인 초기 인증 및 재인증 수행 시 프로그램의 비정상 종료 없이 인증 결과와 DAG 인증 트랜잭션이 정상적으로 처리되는지 확인함 |
| ASSET_0016421 | 외부 AI 마켓 연동을 위한 통합 게이트웨이 모듈 | ㆍ외부의 다양한 AI 마켓 정보를 등록·관리하고, 하나의 게이트웨이에서 통합적으로 이용할 수 있도록 공통 인터페이스를 제공하는 통합 게이트웨이 모듈 ㆍ서로 다른 AI 모델 및 서비스 인터페이스를 공통 모듈로 통합 관리하고, 운영 정보 모니터링 및 제공을 통해 관리자의 운영 편의성과 관리 효율성 향상 ㆍ다양한 AI 모델과 데이터를 하나의 통합 환경에서 사용할 수 있도록 지원하여 AI 서비스 개발 및 운용 복잡성을 감소 및 사용자 친화적 통합 AI 개발 플랫폼 환경 구축 [참고 그림 : aipaas대표 아키텍쳐] | 2710093106 | (주)이노그리드 | 외부 AI 마켓 연동을 위한 통합 게이트웨이 모듈 | 2026-01-01 | 2026-12-31 | ㆍ외부의 다양한 AI 마켓 정보를 등록·관리하고, 하나의 게이트웨이에서 통합적으로 이용할 수 있도록 공통 인터페이스를 제공하는 통합 게이트웨이 모듈 ㆍ서로 다른 AI 모델 및 서비스 인터페이스를 공통 모듈로 통합 관리하고, 운영 정보 모니터링 및 제공을 통해 관리자의 운영 편의성과 관리 효율성 향상 ㆍ다양한 AI 모델과 데이터를 하나의 통합 환경에서 사용할 수 있도록 지원하여 AI 서비스 개발 및 운용 복잡성을 감소 및 사용자 친화적 통합 AI 개발 플랫폼 환경 구축 [참고 그림 : aipaas대표 아키텍쳐] | 기술 현황 ㆍ정보통신기획평가원(IITP) 주관 'AI PaaS 기술 개발' 과제의 주관사인 이노그리드가 총괄하여 개발 중이며, 과제 종료 시점인 2026년까지 상용화 수준의 'MLOpsit(가칭)' 솔루션으로 고도화될 예정 ㆍ국내외 CSP 6종 이상, AI 가속기(GPU, NPU, TPU) 3종 이상을 수용하는 범용적인 멀티클라우드 관리 UI 기술을 확보 ㆍHugging Face와 같은 외부 AI 모델 마켓플레이스와의 연동 기능을 포탈 내에 구현하여 글로벌 AI 자산을 즉각적으로 활용할 수 있는 뛰어난 확장성을 보유 ㆍAI PaaS 내부 서비스 모듈과 외부 AI 마켓을 통합 인터페이스로 연동·제어하고, 워크플로우·모델·자원 관리 기능을 단일 환경에서 제공하는 AI PaaS 통합 운영·개발 플랫폼 기술을 확보 시장 동향 ㆍ글로벌 빅테크(AWS SageMaker, Google Vertex AI 등)가 주도하는 시장에서 국내 기업들이 겪는 특정 벤더 종속성(Lock-in) 문제를 해결하기 위한 '독립형 통합 포탈'의 필요성이 대두 ㆍ클라우드 네이티브 기반의 빠른 서비스 출시가 기업 경쟁력으로 부상함에 따라, 인프라 관리 부담을 덜어주는 직관적인 PaaS 포탈에 대한 수요가 급증 ㆍ글로벌 AI 플랫폼은 데이터·모델·워크플로우·권한 관리 등 분산된 AI 개발·운영 기능을 하나의 통합 환경에서 제공하고, 외부 AI 모델 서비스와 연계해 다양한 AI 모델을 통합 활용하는 방향으로 고도화되는 추세 제안 기술 특징 ㆍ다양한 AI 마켓 및 클라우드 연계: 해외 AI 모델 공유 플랫폼 외에 다양한 CSP 환경을 연계하여 특정 마켓이나 클라우드 사업자에 종속되지 않는 AI 모델 활용 환경 제공 ㆍ사전학습 AI 모델 경량화 및 추천 시스템 개발 : 외부 사전학습 AI 모델을 경량화 및 성능 평가를 통해 데이터 셋에 가장 적합한 사전학습 AI 모델 추천 밎 연동 지원 ㆍ효율적 학습데이터 관리 및 분산 처리: 다양한 유형의 학습데이터를 단일 스토리지 환경에서 통합 관리하고, 메타데이터 관리 및 Kubernetes 기반 분산처리 환경을 제공하여 대규모 학습데이터의 효율적인 관리 및 활용 지원 | ㆍ이종 마켓의 자원을 단일 PaaS 환경에서 탐색하고 호출할 수 있도록 표준화된 API Gateway 아키텍처 구축 및 고도화 달성 ㆍHugging Face 및 국내 AI 마켓을 아우르는 글로벌·로컬 오픈마켓 연동 파이프라인 구축을 통해 오픈마켓 지원 체계를 완성하여 사용자의 모델 선택권과 데이터 활용 범위 다각화 지원 ㆍ외부 마켓의 사전학습 AI 모델을 카탈로그 기반 MLOps 환경과 연동하여 플랫폼 내 워크플로우에서 활용하고, 모델 최적화·경량화 및 바이오·문서 등 도메인별 실증 파이프라인과의 연계 지원 | ㆍ효율적인 MLOps 환경이 필요한 AI 서비스 개발팀, 내부 보안을 유지하며 AI 인프라를 운영하려는 공공/금융 기업(프라이빗 구축 사업자), 다양한 AI 포트폴리오를 제공하려는 CSP 사업자 ㆍAI 클라우드 관리 플랫폼 시장, MLOps 소프트웨어 시장, 그리고 산업별(의료, 물류, 문서 등) AI 실증 서비스 지원 플랫폼 시장을 주요 타겟 | 외부 AI 마켓 API Gateway 모듈 ㆍ이종 마켓플레이스의 외부 엔드포인트를 단일 진입점으로 통합하고 통신 프로토콜을 표준화하여 안전한 중계 및 자원 접근성을 제공하는 기술 사전학습 AI 모델 유입 및 카탈로그 동기화 기술 ㆍ외부 사전학습 모델의 메타데이터 수집·표준화를 통한 플랫폼 카탈로그 자원 자동 등록 및 대용량 파일 연동 기술 MLOps 워크플로우 파이프라인 연계 모듈 ㆍ외부 사전학습 모델을 플랫폼의 최적화·경량화 도구 및 가속 하드웨어 서빙 엔진을 통해 배포 및 추론 실행을 지원하는 연동 기술 도메인 특화 공통 실증 파이프라인 연동 기술 ㆍ외부 모델을 바이오(백신/신약), 생성형 AI 문서 작업, 비전(물류 관리) 등 분야별 실증 워크플로우와 매핑하여 상용 수준의 유용성을 검증하는 인터페이스 기술 | 운영 및 실행 환경 ㆍLinux 계열 운영체제 기반으로 실행 ㆍPython 가상환경을 구성하여 프로그램 실행 개발 및 데이터 관리 환경 ㆍPython 언어 기반으로 개발 ㆍ데이터 저장 및 관리를 위해 MySQL 설치 필요 연동 대상 ㆍHugging Face, KISTI 데이터레이크, 써로마인드/폴라리스오피스/소프트온넷/바이오브레인 파이프라인, 국내외 주요 CSP(AWS, NHN 등) | ㆍ사용성 만족도: 포탈의 직관성, 응답 속도, 기능 유효성 등에 대한 사용자 만족도 평가 점수(80점 이상 목표) ㆍ기능 완성도: 클러스터 자동 구축, 외부 모델 마켓 연동, 통합 모니터링 등 핵심 요구사항의 시나리오별 작동 성공 여부 ㆍ보안성: 멀티 테넌트 간 데이터 격리 및 통합 인증(SSO)의 보안 결함 유무 | ㆍ검증 절차: 인천 드림마크원 IDC의 테스트베드 환경에서 실제 개발자가 포탈에 접속하여 AI 개발 환경을 구축하고, 모델 학습 및 배포 과정을 수행하며 인터페이스의 오류와 성능을 점검 ㆍ결과 확인: 실증 시나리오(생성형 AI 문서, 비전 물류 등) 수행 결과를 통해 포탈의 유용성을 입증하고, 연차별 SW 등록 및 기술 문서를 통해 개발 성과를 최종 확정 |
See all 8,561 पंक्तियाँ
- हर डेटासेट की हर पंक्ति, और हर तालिका के अंदर खोज की सुविधा।
- केवल वे पंक्तियाँ दिखाएँ जिनमें भारत का उल्लेख है।
- Excel के लिए CSV के रूप में डाउनलोड करें।
स्रोत: data.go.kr के माध्यम से 정보통신산업진흥원, कोरिया ओपन गवर्नमेंट लाइसेंस (공공누리) के तहत। कॉलम के नाम इंडोयांग कनेक्ट द्वारा अनूदित हैं। मान प्रकाशित रूप में ही दिए गए हैं। मूल कोरियाई देखने के लिए कॉलम के नाम पर कर्सर ले जाएँ।
