• 정보보호학회논문지
• /
• 제12권2호
• /
• pp.21-34
• /
• 2002

본 논문에서는 최근 발표된 멱승방법인 나눗셈 체인을 적용한 새로운 모듈로 멱승기의 하드웨어 구조를 제안하였다. 나눗셈 체인은 제수(divisor) d=2 또는 $d=2^I +1$ 과 그에 따른 나머지(remainder) r을 이용하여 지수 I를 새롭게 변형하는 방법으로 전체 멱승 연산이 평균 약 1.4$log_2$E 번의 곱셈으로 가능한 알고리즘이다. 이것은 Binary Method가 하드웨어 구현 시 항상 worst case인 $2log_2$E의 계산량이 필요한 것과 비교할 때 상당한 성능개선을 의미한다. 전체 구조는 파이프라인 동작이 가능한 선형 시스톨릭 어레이 구조로 설계하였으며, DG(Dependence Graph)를 수평으로 매핑하여 k비트의 키 사이즈에 대해 두 개의 k 비트 프레임이 k/2+3 개의 PE(Processing Element)로 구성된 두 개의 곱셈기 모듈을 통해 병렬로 동시에 처리되어 100% 처리율을 이루게 하였다. 또한, 규칙적인 데이터 패스를 가질 수 있도록 나눗셈체인을 새롭게 코딩하는 방법을 제안하였다. ASIC 구현을 위해 삼성 0.5um CMOS 스탠다드 셀 라이브러리를 이용해 합성한 결과 최장 지연 패스는 4.24ns로 200MHz의 클럭이 가능하며, 1024비트 데이터 프레임에 대해 약 140kbps의 처리속도를 나타낸다. 복호화 시에는 CRT(Chinese Remainder Theorem)를 적용하여 처리속도를 560kbps로 향상시켰다. 전자서명의 검증과정으로 사용되기도 하는 암호화 과정을 수행할 때 공개키 E는 3,17 혹은 $2^{16} +1$의 사용이 권장된다는 점을 이용하여 E를 17 비트로 제한할 경우 7.3Mbps의 빠른 처리속도를 가질 수 있다.

• 한국도서관정보학회지
• /
• 제53권2호
• /
• pp.355-375
• /
• 2022

이 연구에서는 FR 모형과 LRM을 개체, 속성, 관계 측면에서 비교 분석하여 목록 관련 표준 및 개별 시스템에서 LRM을 수용할 수 있도록 LRM 특성과 그 적용방안을 모색하고자 한다. LRM 특성에 따른 적용방안으로 다음을 제시하였다. 첫째, LRM에서 가족, 단체, 식별자, 전거형접근점, 개념, 대상, 사건, 기관, 규칙의 개체가 삭제되었지만, LRM을 적용하려는 표준과 시스템에서 필요시 하위 개체를 정의하여 개체를 확장해야 한다. 둘째, 링크드데이터를 위해 LRM에서는 속성 요소가 관계로 변경되면서 속성이 많이 감소하였으나, LRM을 수용하려는 표준과 시스템에서는 속성을 세분하여 확장해야 한다. 특히, LRM에서는 유사한 기능을 갖거나 여러 개체에서 반복되는 속성과 자료에 특화된 속성이 포괄적인 일반화된 속성명으로 통합되었기 때문에 표준 및 개별 시스템에서는 보다 구체적이고 세부적인 속성명을 명확하게 제시해야 하며, 속성에 해당하는 어휘인코딩스킴도 개발되어야 한다. 셋째, 관계가 속성에 비해서는 증가되었으나 관계 자체가 추상적이기 때문에, 관계는 세목화 및 다단계 관계를 통해 관계가 확장되어야 한다. 본 연구는 목록 관련 표준 및 시스템에서 LRM을 적용하는 경우 적용방안 모색에 활용될 수 있을 것이다.

• 한국문헌정보학회지
• /
• 제57권1호
• /
• pp.93-114
• /
• 2023

정보추출은 문헌 내에 존재하는 개체명을 인식함과 동시에 이들 간의 의미적 관계까지도 식별하여 최종적으로 문헌 내에 포함된 의미적 트리플을 자동으로 추출하여 활용할 수 있으므로 문헌에 대한 심층적인 분석과 이해에 많은 도움을 줄 수 있다. 그러나 지금까지 대부분의 정보추출에 대한 연구는 개체명 인식과 관계추출이 개별 연구로 각각 분리되어 진행되었으며, 그 결과 입력 문헌에 대한 정보추출의 최종 출력인 의미적 트리플 추출 성능에 대한 객관적이고 정확한 평가가 제대로 이루어지지 않았다. 이에 본 논문에서는 진료 기록 문헌에 나타나는 개체명과 그들 간의 관계를 트리플 형태로 직접 추출할 수 있는 종단형 정보추출의 2가지 모델인 파이프라인 및 결합형 모델을 구축하는 구체적인 방법론을 제시하고 성능 비교 실험을 진행하였다. 우선 파이프라인 모델은 양방향 GRU-CRFs를 활용한 개체명 인식 모듈과 다중 인코딩 기반 관계추출 모듈로 구현되었고, 결합형 모델을 위해서는 다중 헤드 레이블링 기반의 양방향 GRU-CRFs이 적용되었다. 두 가지 시스템을 바탕으로 진료기록 문헌 내의 개체명과 관계를 모두 태깅하여 구축된 i2b2/VA 2010 데이터셋을 활용한 비교 실험에서 파이프라인 모델의 성능이 5.5%(F-measure) 더 높게 나타났다. 추가적으로, 대규모 신경망 언어모델과 수작업으로 구축된 자질 정보를 활용한 최고 수준의 기존 시스템과의 비교 실험을 통해, 본 논문에서 구현한 종단형 모델의 객관적인 성능 수준을 파악할 수 있었다.