[G1-Sync] Manual knowledge update

10_Wiki/Topics/Binary-Author-Identification.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-BAID-001
+id: [[P-Reinforce]]-AUTO-BAID-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.91
-tags: [auto-reinforced, binary-analysis, code-stylometry, security, author-identification, ml-security, de-compilation]
+tags: [auto-reinforced, binary-[[Analysis]], code-stylometry, security, author-identification, ml-security, de-compilation]
 last_reinforced: 2026-04-20
 ---
 
@@ -17,15 +17,15 @@ last_reinforced: 2026-04-20
 1.  **핵심 기법**:
     *   **Feature Extraction**: 제어 흐름 그래프(CFG), 함수 호출 빈도, 레지스터 사용 패턴 등 바이너리 수준의 특징 추출.
     *   **Stylometric Analysis**: 가변수 이름이 사라진 상태에서도 남아있는 고유한 '코드 스타일 지문' 분석.
-    *   **Deep Learning**: 바이너리 시퀀스를 임베딩하여 유사도를 측정하는 신경망 모델 적용. (Representation-Learning와 연결)
+    *   **Deep Learning**: 바이너리 시퀀스를 임베딩하여 유사도를 측정하는 신경망 모델 적용. ([[Representation-Learning]]와 연결)
 2.  **왜 중요한가?**:
-    *   악성코드 제작자 추적, 오픈소스 저작권 도용 적발 등 사이버 보안 포렌식 분야에서 결정적인 증거를 제공하기 때문임. (Risk-Management와 연결)
+    *   악성코드 제작자 추적, 오픈소스 저작권 도용 적발 등 사이버 보안 포렌식 분야에서 결정적인 증거를 제공하기 때문임. (Risk-[[Management]]와 연결)
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 컴파일러 최적화 정책(Optimization)이 스타일을 모두 날려버려 식별이 불가능하다고 믿었으나, 현대 AI 정책은 최적화 후에도 남는 미세한 편향성 정책(Bias)을 잡아내는 데 성공함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 컴파일러 최적화 정책([[Optimization]])이 스타일을 모두 날려버려 식별이 불가능하다고 믿었으나, 현대 AI 정책은 최적화 후에도 남는 미세한 편향성 정책(Bias)을 잡아내는 데 성공함(RL Update).
 - **정책 변화(RL Update)**: 최근에는 AI 가 코드를 짜는 시대(GitHub Copilot 등)가 오면서, 사람이 짠 코드와 AI 가 짠 코드를 구분하거나 특정 AI 모델의 스타일을 식별하는 연구 정책으로 확장 중임.
 
 ## 🔗 지식 연결 (Graph)
 - [[Risk-Management]], [[Representation-Learning]], Security, [[Source-Control]], [[Feature-Engineering]]
-- **Key Researchers**: Aylin Caliskan, Arvind Narayanan.
+- **Key [[Research]]ers**: Aylin Caliskan, Arvind Narayanan.
 ---