Update : 2018.11.14 수 20:29
시작페이지로 설정즐겨찾기 추가
 
> 뉴스 > 학술·연구 | 연구
     
해킹 기법 학습 및 방지 기술 구현하는 워터마킹 인공신경망 개발
워터마킹 인공신경망으로 해킹에 대응하는 기술 개발 시간 단축 … 복합적인 해킹 기법에도 워터마크를 검출할 수 있는 장점 가져
[453호] 2018년 10월 02일 (화) 심주연 기자 shimjushimju@kaist.ac.kr

 전산학부 이흥규 교수 연구팀이 인공 신경망을 기반으로 하는 워터마킹(Watermarking) 기술을 개발하여 지난달 3일부터 홈페이지를 통해 시범 운영하고 있다. 워터마킹은 저작권자를 확인하기 위해 디지털 파일에 특정 정보를 새겨 넣는 기술로, 디지털 콘텐츠의 저작권 보호에 활용되고 있다. 이번 연구를 통해 워터마킹 해킹 기법에 보다 능동적으로 대처할 수 있음은 물론, 복합적인 다중 공격에도 유연하게 대처할 수 있는 기반이 마련됐다.


기능적인 측면 개선 필요한 기존 기법

 워터마크는 저작물의 무단, 불법 유포를 방지하기 위해 도입되었다. 저작권자는 콘텐츠를 배포할 때에 유통사마다 서로 다른 워터마크를 새겨서 전달하며, 이후 불법 유통된 저작물의 워터마크를 확인함으로써 저작물의 불법 배포자를 밝혀낸다. 워터마크 삽입의 가장 기본적인 원리는 각각의 픽셀에 미세한 변화를 주는 방법이며, 적용 후에도 사용자에게 불편함을 주지 않고 해커들의 여러 변형 공격을 견딜 수 있어야 한다. 그러나 영상 압축, 자르기, 밝기 조절 등의 변형 과정을 거치면 저작권자가 적용한 변화 값이 달라지기 때문에 워터마크를 정상적으로 추출할 수 없게 된다. 또한, 사전에 예측한 변형 이외의 새로운 변형이 가해지기도 하는데, 기존에는 최적의 해결 방법을 찾기 위해 처음부터 다시 기술 개발을 시작해야 했다. 이 경우 최소 6개월에서 1년 정도의 시간 소요되고, 이로 인해 워터마크의 효용성에 대한 의문이 종종 제기됐다. 기존 기술은 해커가 워터마킹 기법을 유추해 영상에서 워터마크를 추출한 후, 이를 다른 워터마크로 대체할 수도 있었다. 이러한 경우 콘텐츠가 해커로부터 유출되었다는 사실을 밝혀낼 수 없어 오히려 또 다른 콘텐츠 유통자가 불법 유포에 대한 책임을 지는 문제가 발생한다.


스스로 학습해 최적의 알고리즘 찾아

연구팀은 인공신경망을 이용해 변화하는 해킹 기법에 능동적이고 신속하게 대응할 수 있는 기술을 개발했다. 인공신경망은 워터마크를 해킹하는 다양한 기법을 스스로 학습한 다음, 이를 방지하는 최적의 워터마크 삽입 알고리즘을 스스로 생산한다. 연구팀이 개발한 워터마크 인공 신경망은 삽입 신경망과 검출 신경망으로 구분된다. 삽입 신경망은 입력 데이터의 축소된 특징을 워터마크로 삽입하는 오토인코더*(Auto-Encoder) 구조이다. 이러한 신경망은 영상의 특징값을 삽입하면 워터마크를 생성 및 삽입한다.

 검출 신경망은 워터마크가 삽입된 영상에 공격이 가해지면 공격에 대한 자료 집합을 생성한다. 인공신경망은 이러한 자료 집합을 바탕으로 다양한 공격을 받은 이후에도 워터마크가 검출되도록 스스로 학습한다. 인공신경망은 임의로 생성된 다수의 가변적인 파라미터로 구성된 기저함수를 이용한다. 공간상에서 일어나는 운동을 표현하기 위한 기본 함수들의 집합이며 테일러 급수**를 이용해 공간상의 모든 운동을 근사적으로 표현할 수 있다. 다양한 기저함수로 구성된 인공신경망은 워터마킹 기술 설계자마저도 기술 구현시 사용된 정확한 내부 변수들을 알 수 없기 때문에 해커 또한 이를 정확하게 예측하는 것이 어렵다. 여러 복합적인 공격이 가해지더라도 학습을 통한 워터마크 검출이 가능하다. 


 만약 어떤 콘텐츠에 워터마크가 삽입되지 않았으나, 인공신경망이 워터마크가 삽입되었다고 인식한다면 무고한 콘텐츠 유통자가 책임을 지는 상황이 발생할 수 있다. 이와 같은 피해를 예방하기 위해서는 워터마킹 검출 기술이 99% 이상의 높은 신뢰도를 가져야 한다. 이 교수는 “추후 64 비트 이상의 충분한 정보를 삽입하더라도 원본 영상과 구별이 어려울 정도로 높은 화질을 유지하고, 검출 신뢰도가 높은 워터마킹 기술을 개발하겠다”고 밝혔다.


오토인코더*

출력값을 입력값의 근사로 하는 학습으로 훈련된 신경망. 

테일러 급수**

주어진 함수 내에서 정의역의 특정 점의 미분계수들을 계수로 가지는 다항식의 극한 꼴로 표현한 식.

심주연 기자의 다른기사 보기  
ⓒ 카이스트신문(http://times.kaist.ac.kr) 무단전재 및 재배포금지 | 저작권문의  

     
전체기사의견(0)  
 
※ 자동등록방지용 코드를 입력하세요!   
   * 200자까지 쓰실 수 있습니다. (현재 0 byte/최대 400byte)
   * 욕설등 인신공격성 글은 삭제 합니다. [운영원칙]
전체기사의견(0)
신문사소개기사제보불편신고개인정보취급방침이메일무단수집거부
대전 유성구 대학로 291 KAIST 교양분관 1층 카이스트신문사 | Tel 042-350-2243
발행인 신성철 | 주간 김동주 | 편집장 오태화
Copyright 2010-2016 카이스트신문. All rights reserved. mail to kaisttimes@gmail.com