• 정보보호학회논문지
• /
• 제31권1호
• /
• pp.83-97
• /
• 2021

무선 센서 네트워크를 구성하는 무선 센서는 일반적으로 전력 및 자원이 극히 제한적이다. 무선 센서는 전력을 보존하기 위해 일정 주기마다 sleep 상태로 진입한다. Sleep deprivation attack은 무선 센서의 sleep 상태 진입을 막음으로써 전력을 소진 시키는 치명적인 공격이지만 이에 대한 뚜렷한 대응책이 없다. 이에 본 논문에서는 클러스터링 기반 이진 탐색 트리 구조의 Sleep deprivation attack 탐지 모델을 제안한다. 본 논문에서 제안하는 sleep deprivation attack 탐지 모델은 기계학습을 통해 분류한 공격 센서 노드와 정상 센서 노드의 특징을 사용한다. 이때 탐지 모델에 사용한 특징은 Long Short-Term Memory(LSTM), Decision Tree(DT), Support Vector Machine(SVM), K-Nearest Neighbor(K-NN)을 이용하여 결정하였다. 결정된 특징은 본 논문에서 제안한 알고리즘에 사용하여 공격 탐지를 위한 값들을 계산하였으며, 계산한 값을 판정하기 위한 임계값은 SVM을 적용하여 도출하였다. 본 논문에서 제안하는 탐지 모델은 기계학습으로 도출된 특징과 임계값을 본 논문에서 제안한 탐지 알고리즘에 적용하여 구성하였으며, 실험을 통해 전체 센서 노드 20개 중 공격 센서 노드의 비율이 0.35일 때 94%의 탐지율을 갖고 평균 에너지 잔량은 기존 연구보다 최대 26% 향상된 결과를 보였다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.

• 대한핵의학회지
• /
• 제38권4호
• /
• pp.318-324
• /
• 2004

목적: Philips GEMINI PET/CT 스캐너는 GSO 섬광결정을 사용해 제작된 전신용 PET/CT 스캐너이다. 이 연구에서는 NEMA에서 새롭게 제안한 NEMA NU2-2001에 따라 GEMINI PET/CT 스캐너의 공간분해능, 민감도, 산란분획, NECR 등을 평가하고 그 결과를 BGO, LSO등의 섬광결정의 특성과 비교하였다. 대상 및 방법: GEMINI는 Philips ALLEGRO PET과 MX8000 D multi-slice CT 스캐너를 결합한 PET/CT 스캐너로서 검출기는 GSO 섬광결정 ($4{\times}6{\times}20mm^3$)을 사용하였고 축방향 시야는 18 cm이다. 공간분해능. 민감도, 산란분획, NECR 등을 평가하기 위하여 PET 데이터를 획득하였다(동시계수창: 8 ns, 에너지창: $409{\sim}664$ keV). 공간분해능 측정을 위하여 축횡단면의 중심에서 1 cm, 10 cm 떨어진 지점의 각 3지점((a) x=0, y=1, (b)x=10, y=0, (c)x=0, y=10)에서 영상을 획득한 다음 여과후역투사방법(램프필터 사용)과 3D RAMLA를 이용하여 영상재구성을 하고 FWHM을 구하였다. 민감도 측정을 위하여 선선원(F-18)을 축횡단면의 중심과 중심에서 10 cm 벗어난 지점에서 5개의 알루미늄관을 차례로 씌워 매질감쇠에 따라 달라지는 참계수를 구하고 이 값을 회귀분석하여 감쇠매질이 없는 이상적인 상황에서의 민감도를 측정하였다(랜덤계수가 참계수의 1%이내). 산란분획과 NECR을 측정하기 위하여 F-18 선선원(1110 MBq)을 산란팬텀에 주입하여 7반감기동안 계수를 획득하였다. SSRB을 사용하여 3D 데이터를 재구성한 다음 랜덤계수율이 참계수율이 1% 미만인 영역에서 산란분획을 구하고 각 횡단면의 값을 평균하여 전체 산란분획을 얻었다. 이 값을 기초로 각 프레임, 각 횡단면에 대한 랜덤계수율, 산란계수율, NECR을 구하였다. 결과: 스캐너의 중심에서 1 cm 벗어난 지점에서 횡축방향, 축방향 공간분해능은 (1) 5.3, 6.5 mm (FBP), (2) 5.1, 5.9 mm (3D RAMLA)이었다. 횡단면의 중심에서 10 cm 벗어난 지점에서 횡축반경방향, 횡축접선방향, 축방향 공간분해능은 (1) 5.7, 5.7, 7.0 mm (FBP), (2) 5.4, 5.4, 6.4 mm (3D RAMLA)이었다. 감쇠매질이 없는 이상적인 상황에서의 민감도는 횡단면의 중심에서 3,620 counts/sec/MBq, 횡단면의 중심에서 10 cm 벗어난 지점에서 4,324 counts/sec/MBq이었다. 산란분획은 40.6%, 최대 참계수율과 최대 NECR은 각각 88.9 kcps @ 12.9 kBq/mL, 34.3 kcps @ 8.84 kBq/mL이었다. 결론: 이 실험에서 NEMA NU2-2001을 이용해 GSO 섬광결정을 사용해 제작된 PET/CT에 대한 성능 평가를 실시하였다. 이는 BGO, LSO 섬광결정을 사용해 제작된 PET 스캐너의 특성과 비교할 수 있는 자료를 제공하며 PET 영상 획득 시 객관적 평가와 분석에 유용하였다.