㈜스마트엠투엠

위키원
jihong1096 (토론 | 기여)님의 2019년 7월 10일 (수) 12:48 판 (→‎인공지능)
이동: 둘러보기, 검색

㈜스마트엠투엠은 소프트웨어/IT시스템 개발, 컴퓨터 제조, 학술연구용역/연구개발 등 시스템 소프트웨어 개발 및 공급업체이다.

개요

㈜스마트엠투엠은 2012년에 설립하여 정보보호, 사물인터넷, 인공지능과 같은 기술력을 바탕으로 발전해왔다. 2018년에는 블록체인 기반의 다양한 플랫폼을 개발하고 서비스를 준비하고 있다.

연혁

  • 2012년 : 스마트엠투엠 설립
  • 2012년 : 한국전자통신연구원 용역(부채널 방지 기법 탑재 AES 비대칭키 및 ECC 하드웨어 암호 모듈 개발
  • 2014년 : 차량 네트워크 보안 모듈 검증 툴킷 개발
  • 2014년 : 차량 네트워크 보안 개발 환경 구축
  • 2015년 : 부채널 공격 및 모델링 공격 취약성 검증 PUF 개발
  • 2015년 : 신규 암호 알고리즘 처리 가속화 보드 및 IP 개발
  • 2016년 : 에너지 IOT 디바이스 인증 및 보안기술 개발
  • 2016년 : 부산대학교 ICT 융합학과 설치운영 협약

주요 인물

  • 최종석 : 부산대학교 사물인터넷연구센터 연구교수이자, ㈜스마트엠투엠 대표이사이다. 2017년 부산대학교 컴퓨터공학과 공학박사를 취득했고, 스마일게이트 스토브 연구원(게임플랫폼 개발 및 블록체인/스트리밍 플랫폼 연구)으로 일했다. 2018년에는 블록체인 관련 학술 저널을 썼다. 연구 분야는 사물인터넷 플랫폼과 블록체인 플랫폼/서비스 기술이다.

주요 사업

재난재해 예방 및 대응서비스

스마트엠투엠은 다양한 재난재해에 제각기 가장 적절한 대응을 고민하면서 블록체인 기반 서비스 구축을 고안했다. "블록체인 기술을 활용해서 기관 간 동시·다중 상황 전파 블록체인 인프라 구축이 가능하다." 블록체인 기반의 도시재난 안전망은 재난재해 접수를 블록체인 네트워크에 기록해서 개선을 시도한다. 스마트계약으로 재난재해 종류를 나누고, 이를 소방서뿐만 아니라 경찰, 지자체 등 관련 기관에 통보한다. [1]

보안

스마트엠투엠에서는 각종 대칭키 및 공개키 암호 소프트웨어, FPGA 칩, SoC 칩을 개발했다. 또한 블록체인과 관련하여 익명성과 프라이버시 보호기술과 양자내성암호 기술을 연구하고 개발하고 있다.[2]

커뮤니케이션

파인독은 반려견을 위한 견주들간의 커뮤니케이션 및 정보 공유 어플리케이션이다. 견주인증을 통해 안전을 보장할 수 있고, 견주들간의 채팅과 정보 공유를 통해 사용자와 반려견들의 사교성 발달에 큰 도움을 줄 수 있다. GPS를 이용하여 주변의 산책공간의 위치를 편리하게 검색하고 확인할 수 있다. 다른 사용자들의 반려견과 산책시간 정보를 날짜 및 시간별로 확인할 수 있고, 오픈채팅 또는 개인채팅으로 다른 견주들과 실시간으로 정보를 공유하고 대화를 할 수 있다.

커머스

스마트코인은 전자 지갑 분실 시 인증을 통한 코인 회복 및 복구를 해주고 디바이스 인증 또는 생체 인증 기반의 거래이다. 또 검색의 효율을 위해 서브체인 기술을 개발했다.

콘텐츠

스마트엠투엠은 각종 컨텐츠의 데이터 공유를 위한 서비스를 준비하고있다.

보유기술

블록체인

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.

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.

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)
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.

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.

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.
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.

각주

  1. ↑ 박근모 기자, 〈2019년 블록체인 공공 시범사업 총정리〉, 《coindesk korea》, 2019-05-30
  2. ↑ ㈜스마트엠투엠 공식홈페이지 - http://www.smartm2m.co.kr/#!/

참고자료

원본 주소 "http://wiki1.kr/index.php?title=㈜스마트엠투엠&oldid=96403"