• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제18권7호
• /
• pp.1986-2009
• /
• 2024

The integration of blockchain technology with the rapid growth of Internet of Things (IoT) devices has enabled secure and decentralised data exchange. However, security vulnerabilities and performance limitations remain significant challenges in IoT blockchain networks. This work proposes a novel approach that combines transaction representation and machine learning techniques to address these challenges. Various clustering techniques, including k-means, DBSCAN, Gaussian Mixture Models (GMM), and Hierarchical clustering, were employed to effectively group unlabelled transaction data based on their intrinsic characteristics. Anomaly transaction prediction models based on classifiers were then developed using the labelled data. Performance metrics such as accuracy, precision, recall, and F1-measure were used to identify the minority class representing specious transactions or security threats. The classifiers were also evaluated on their performance using balanced and unbalanced data. Compared to unbalanced data, balanced data resulted in an overall average improvement of approximately 15.85% in accuracy, 88.76% in precision, 60% in recall, and 74.36% in F1-score. This demonstrates the effectiveness of each classifier as a robust classifier with consistently better predictive performance across various evaluation metrics. Moreover, the k-means and GMM clustering techniques outperformed other techniques in identifying security threats, underscoring the importance of appropriate feature selection and clustering methods. The findings have practical implications for reinforcing security and efficiency in real-world IoT blockchain networks, paving the way for future investigations and advancements.

• 정보보호학회논문지
• /
• 제30권4호
• /
• pp.617-629
• /
• 2020

인터넷 컴퓨팅 환경의 변화, 새로운 서비스 출현, 그리고 지능화되어 가는 해커들의 다양한 공격으로 인한 규칙 기반 침입탐지시스템의 한계점을 극복하기 위해 기계학습 및 딥러닝 기술을 활용한 네트워크 이상 검출(NAD: Network Anomaly Detection)에 대한 관심이 집중되고 있다. NAD를 위한 대부분의 기존 기계학습 및 딥러닝 기술은 '정상'과 '공격'으로 레이블링된 훈련용 데이터 셋을 학습하는 지도학습 방법을 사용한다. 본 논문에서는 공격의 징후가 없는 일상의 네트워크에서 수집할 수 있는 레이블링이 필요 없는 데이터 셋을 이용하는 비지도학습 오토 엔코더(AE: AutoEncoder)를 활용한 NAD 적용 가능성을 제시한다. AE 성능을 검증하기 위해 NSL-KDD 훈련 및 시험 데이터 셋을 사용해 정확도, 정밀도, 재현율, f1-점수, 그리고 ROC AUC (Receiver Operating Characteristic Area Under Curve) 값을 보인다. 특히 이들 성능지표를 대상으로 AE의 층수, 규제 강도, 그리고 디노이징 효과 등을 분석하여 레퍼런스 모델을 제시하였다. AE의 훈련 데이터 셋에 대한 재생오류 82-th 백분위수를 기준 값으로 KDDTest+와 KDDTest-21 시험 데이터 셋에 대해 90.4%와 89% f1-점수를 각각 보였다.

• 인터넷정보학회논문지
• /
• 제24권5호
• /
• pp.17-27
• /
• 2023

오늘날 AI(Artificial Intelligence) 기술이 발전하면서 실용성이 증가함에 따라 실생활 속 다양한 응용 분야에서 널리 활용되고 있다. 이때 AI Model은 기본적으로 학습 데이터의 다양한 통계적 속성을 기반으로 학습된 후 시스템에 배포되지만, 급변하는 데이터의 상황 속 예상치 못한 데이터의 변화는 모델의 성능저하를 유발한다. 특히 보안 분야에서 끊임없이 생성되는 새로운 공격과 알려지지 않은 공격에 대응하기 위해서는 배포된 모델의 Drift Signal을 찾는 것이 중요해짐에 따라 모델 전체의 Lifecycle 관리 필요성이 점차 대두되고 있다. 일반적으로 모델의 정확도 및 오류율(Loss)의 성능변화를 통해 탐지할 수 있지만, 모델 예측 결과에 대한 실제 라벨이 필요한 점에서 사용 환경의 제약이 존재하며, 실제 드리프트가 발생한 지점의 탐지가 불확실한 단점이 있다. 그 이유는 모델의 오류율의 경우 다양한 외부 환경적 요인, 모델의 선택과 그에 따른 파라미터 설정, 그리고 새로운 입력데이터에 따라 크게 영향을 받기에 해당 값만을 기반으로 데이터의 실질적인 드리프트 발생 시점을 정밀하게 판단하는 것은 한계가 존재하게 된다. 따라서 본 논문에서는 XAI(eXplainable Artificial Intelligence) 기반 Anomaly 분석기법을 통해 실질적인 드리프트가 발생한 시점을 탐지하는 방안을 제안한다. DGA(Domain Generation Algorithm)를 탐지하는 분류모델을 대상으로 시험한 결과, 배포된 이후 데이터의 SHAP(Shapley Additive exPlanations) Value를 통해 Anomaly score를 추출하였고, 그 결과 효율적인 드리프트 시점탐지가 가능함을 확인하였다.

• Perspectives in Nursing Science
• /
• 제10권2호
• /
• pp.97-110
• /
• 2013

Purpose: This study sought to identify how initiating breastfeeding soon after birth affected breastfeeding practice. Methods: The subjects were mothers and newborns in Seoul's S. University Hospital maternity unit who elected to breastfeed. They were divided into an experimental group, which practiced an "early latching-on program" (latching-on within 30 minutes after birth), and a control group, which did not. Both groups' daily frequencies of breastfeeding and supplementary-glucose or bottle feeding were recorded. Results: The correlation between socio-demographic and medical characteristics and the breastfeeding rate was examined; 3 variables showed statistical significance: neonatal health anomaly, Apgar score after 1 minute, and Apgar score after 5 minutes. The difference in breastfeeding rates between the two groups was clear: the experimental group's rate was 1.93, while the control group's was 3.76 (t-statistic difference: 14.865), with the experimental group's rate during hospitalization being twice that of the control group (73.3% and 32.6%, respectively). Multiple regression analysis assessing the influence of the latching-on program yielded a t-statistic of -4.735 and a p-value of .000, indicating statistical significance. Conclusion: An early latching-on program's positive effect on the breastfeeding practice of mother's of newborns was demonstrated. Therefore, an early latching-on program could be a practical and effective nursing intervention for after mothers give birth.

• 전기전자학회논문지
• /
• 제24권4호
• /
• pp.1011-1016
• /
• 2020

We propose a framework called Stacked Gated Recurrent Unit - Infrequent Residual Analysis (SG-IRA) that detects anomalies in time-series data that can be trained on streams of raw sensor data without any pre-labeled dataset. To enable such unsupervised learning, SG-IRA includes an estimation model that uses a stacked Gated Recurrent Unit (GRU) structure and an analysis method that detects anomalies based on the difference between the estimated value and the actual measurement (residual). SG-IRA's residual analysis method dynamically adapts the detection threshold from the population using frequency analysis, unlike the baseline model that relies on a constant threshold. In this paper, SG-IRA is evaluated using the industrial control systems (ICS) datasets. SG-IRA improves the detection performance (F1 score) by 5.9% compared to the baseline model.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2023년도 추계학술발표대회
• /
• pp.605-607
• /
• 2023

Recent research has highlighted the effectiveness of Deep Learning (DL) techniques in automating the detection of lung sound anomalies. However, the available lung sound datasets often suffer from limitations in both size and balance, prompting DL methods to employ data preprocessing such as augmentation and transfer learning techniques. These strategies, while valuable, contribute to the increased complexity of DL models and necessitate substantial training memory. In this study, we proposed a streamlined and lightweight DL method but effectively detects lung sound anomalies from small and imbalanced dataset. The utilization of 1D dilated convolutional neural networks enhances sensitivity to lung sound anomalies by efficiently capturing deep temporal features and small variations. We conducted a comprehensive evaluation of the ICBHI dataset and achieved a notable improvement over state-of-the-art results, increasing the average score of sensitivity and specificity metrics by 2.7%.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2024년도 춘계학술발표대회
• /
• pp.856-858
• /
• 2024

VR 기술의 발전은 다양한 분야에서 사용자에게 몰입감 있는 가상 현실 경험을 제공하지만, VR기기 내부에 사용자의 생체 데이터 및 금융정보와 같은 민감한 정보들이 저장되어 새로운 보안 문제를 야기하고 있다. 이에 따라 PIN, 패스워드 등과 같은 기존의 인증 방식이 VR 기기에 적용되고 있지만 이들은 shoulder-surfing attack 공격 취약하며 VR 환경에서 사용하기에 불편한 인터페이스를 가지고 있다. 따라서 본 논문에서는 이상 탐지 모델을 활용하여 외부 추론 공격에 강인하며 VR 환경에 적합한 사용자 행위 기반의 VR기기 사용자 인증 모델을 구현한다. 특정 task를 수행하는 동안 사용자의 행위 데이터를 수집 및 feature 데이터를 추출하고, 정상으로 라벨링 된 사용자의 데이터로 이상 탐지 머신러닝 모델들을 학습 후 정상 데이터와 비정상 데이터를 이용하여 인증 모델의 성능을 평가하였다. OC-SVM이 87.72%의 F1-score로 세 모델 중 가장 높은 성능을 보임을 확인하였으며, 향후 인증 모델 성능 향상을 위한 계획을 제시하였다.

• 한국산업융합학회 논문집
• /
• 제27권4_2호
• /
• pp.1001-1007
• /
• 2024

Recent deep learning algorithms for object detection in real-time play a crucial role in various applications such as autonomous driving, traffic monitoring, health care, and water quality monitoring. The size of small objects, in particular, significantly impacts the accuracy of detection models. However, data containing small objects can lead to underfitting issues in models. Therefore, this study developed a deep learning model capable of quickly detecting small objects to provide more accurate predictions. The RE-SOD (Residual block based Small Object Detector) developed in this research enhances the detection performance for small objects by using RGB separation preprocessing and residual blocks. The model achieved an accuracy of 1.0 in image classification and an mAP50-95 score of 0.944 in object detection. The performance of this model was validated by comparing it with real-time detection models such as YOLOv5, YOLOv7, and YOLOv8.

• 대기
• /
• 제28권4호
• /
• pp.479-490
• /
• 2018

This study assesses the prediction skill of regional scale model for the mean temperature anomaly over South Korea produced by Pusan National University Coupled General Circulation Model (PNU CGCM)-Weather Research and Forecasting (WRF) chain. The initial and boundary conditions of WRF are derived from PNU CGCM. The hindcast period is 11 years from 2007 to 2017. The model's prediction skill of mean temperature anomaly is evaluated in terms of the temporal correlation coefficient (TCC), root mean square error (RMSE) and skill scores which are Heidke skill score (HSS), hit rate (HR), false alarm rate (FAR). The predictions of WRF and PNU CGCM are overall similar to observation (OBS). However, TCC of WRF with OBS is higher than that of PNU CGCM and the variation of mean temperature is more comparable to OBS than that of PNU CGCM. The prediction skill of WRF is higher in March and April but lower in October to December. HSS is as high as above 0.25 and HR (FAR) is as high (low) as above (below) 0.35 in 2-month lead time. According to the spatial distribution of HSS, predictability is not concentrated in a specific region but homogeneously spread throughout the whole region of South Korea.

• 한국지구과학회지
• /
• 제39권3호
• /
• pp.211-227
• /
• 2018

본 연구에서는 한국기상청의 장기예측시스템 현업모형인 GloSea5의 성층권 극소용돌이 강화사례에 대한 예측성을 진단 및 검증하였다. 진단에 사용된 통계량은 이상상관계수(ACC, Anomaly Correlation Coefficient)와 평균제곱근 예측성(MSSS, Mean Squared Skill Score)으로, 1991-2010년간 발생한 14개 극소용돌이 강화사례에 대한 GloSea5의 예측성한계는 ACC를 기준으로 13.6일, MSSS를 기준으로 18.5일로 나타났다. 모형의 평균제곱오차(MSE, Mean Squared Error)의 각 성분을 정량적으로 비교분석한 결과, 예측성을 저하시키는 가장 큰 요인은 맴돌이(에디)오차로, 그 중 에디의 위상오차가 전체 예측오차의 큰 부분을 차지하는 것으로 나타났다. 또한 극소용돌이 현상이 수평적으로 큰 규모를 가지는 만큼 동서파수 1의 에디와 관련한 오차가 더 작은 규모의 에디에 비해 가장 크게 예측오차에 기여하는 것으로 나타났다. 한편, 분석한 사례들에 대하여 GloSea5의 대류권 순환에 대한 예측성은 성층권 예측성과는 큰 관련이 없는 것으로 나타났다. 이는 단순히 GloSea5 모형이 성층권-대류권 접합과정을 잘 모의하지 못하기 때문에 나타난 결과로 유추할 수 있다. 하지만, 극소용돌이 강화에 의한 영향에 비해 대류권에서 내부변동성의 절대적인 크기가 종종 크게 나타난다는 점을 감안하면, 모형에서 성층권-대류권 접합을 잘 모의하고 있더라도 극소용돌이 강화 자체만의 영향이 뚜렷하게 나타나지 않았을 가능성 또한 간과하면 안 될 것이다.