• 정보처리학회논문지D
• /
• 제16D권1호
• /
• pp.55-64
• /
• 2009

최근 다양한 비즈니스 모델 및 컴퓨팅 환경이 웹 서비스로 집결됨에 따라 웹 애플리케이션 형태의 다양한 제품들이 개발되고 있다. 이에 따라 국내외 대부분의 기업/조직들이 웹 소프트웨어 개발에 있어서 SOA(Service Oriented Architecture)를 적용한 사례들이 늘어나고 있다. SOA는 네트워크가 가용한 소프트웨어 자원에 대해 느슨한 결합과 프로토콜 독립 그리고 표준화 분산 컴퓨팅 접근방법 이다. SOA는 다양한 기업의 서비스 조합을 통한 프로세스의 통합을 요구하는 비즈니스 사용자의 신속함과 융통성을 제공하는 향후 기업의 관심 있는 기술이다. 하지만 SOA의 표준모델에서는 특정한 개발 방법론이 제시되지 않아 기존의 방법론들을 적용하여 개발하거나 SOA 솔루션 업체에서 제안하는 방법론으로 SOA 기반 애플리케이션을 구축하고 있다. 이로 인해 SOA를 초기 도입하는 기업의 경우 개별 프로젝트 단위에서 부분적 도입에 그치고 있어서 SOA의 장점 활용하는 것이 제한적이다. 본 논문에서는 소규모 웹 프로젝트의 생산성 향상과 SOA의 효과적 적용을 위해 Agile 개발 방법론을 SOA에 적용하는 프레임워크를 제안한다. SOA 아키텍처를 기반으로 하여 Agile 방법론을 도입한 아키텍처를 설계 구현하며 프레임워크 개발과정에서 필요한 다양한 Practice요소를 도입하여 프로세스 모델을 제안한다. 프레임워크 실행을 통해 향상된 개발속도와 고객의 변화하는 요구 수용성 및 유지보수성 향상을 평가하게 된다.

• 응용통계연구
• /
• 제32권1호
• /
• pp.111-128
• /
• 2019

지하철은 많은 승객들을 원거리까지 안전하고, 신속 정확하게 원하는 지점으로 대량 수송할 수 있는 친환경적인 교통수단이다. 지하철의 공익성을 증대시키기 위해서는 정확한 승객 수요 예측이 이루어져야 한다. 본 연구는 정확한 지하철 수요예측을 위하여, 군집분석을 통해 서울시 1-9호선 지하철역들을 군집화 하였다. 그 후, 전체 역과 각 군집 별 최종 예측 모형을 제시하였다. 군집화 결과, 294개의 역이 3개로 군집화 되었으며 그룹 1은 상공업지구, 그룹 2는 주상복합지구, 그룹 3은 주거지구가 중심이 되는 역들로 나타났다. 그 후 각 군집 별로 다양한 데이터 마이닝 기법을 이용해 지하철 승차인원 예측 모형을 제시하고, 수요 예측에 중요한 영향을 미치는 요인들을 도출하였다. 그리고 최종 모형을 바탕으로 2018년 10월에 개통될 서울시 9호선 3단계 연장역인 8개 신설역의 3개월 수요를 예측하였다. 8개 신설역의 월평균 시간당 평균 승차인원은 약 241에서 452명, 월평균 시간당 최대 승차인원은 약 969에서 1,515명으로 추정되었다. 본 분석의 최종 모형을 활용한 신설역의 지하철 수요 예측은 대중교통 정책 결정을 위한 기초자료로 활용되어 효율적인 지하철 운영 방안 수립에 기여할 수 있을 것이다.

• 인터넷정보학회논문지
• /
• 제23권5호
• /
• pp.79-85
• /
• 2022

이상 탐지는 일반적인 사용자들의 데이터 집합 속에서 비정상적인 데이터 흐름을 파악하여 미리 차단하는 방법이다. 기존에 알려진 방식은 이미 알려진 공격의 시그니처를 활용하여 시그니처 기반으로 공격을 탐지 및 방어하는 방식인데, 이는 오탐율이 낮다는 장점이 있지만 제로 데이 취약점 공격이나 변형된 공격에 대해서는 매우 취약하다는 점이 문제점이다. 하지만 이상 탐지의 경우엔 오탐율이 높다는 단점이 존재하지만 제로 데이 취약점 공격이나 변형된 공격에 대해서도 식별하여 탐지 및 차단할 수 있다는 장점이 있어 관련 연구들이 활발해지고 있는 중이다. 본 연구에서는 이 중 이상 탐지 메커니즘에 대해 다뤘다. 앞서 말한 단점인 높은 오탐율을 보완하며 그와 더불어 이상 탐지와 분류를 동시에 수행하는 새로운 메커니즘을 제안한다. 본 연구에서는 여러 알고리즘의 특성을 고려하여 5가지의 구성으로 실험을 진행하였다. 그 결과로 가장 우수한 정확도를 보이는 모델을 본 연구의 결과로 제안하였다. Extra Tree와 Three layer ANN을 동시에 적용하여 공격 여부를 탐지한 후 공격을 분류된 데이터에 대해서는 Extra Tree를 활용하여 공격 유형을 분류하게 된다. 본 연구에서는 NSL-KDD 데이터 세트에 대해서 검증을 진행하였으며, Accuracy는 Normal, Dos, Probe, U2R, R2L에 대하여 각각 99.8%, 99.1%, 98.9%, 98.7%, 97.9%의 결과를 보였다. 본 구성은 다른 모델에 비해 우수한 성능을 보였다.