지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 오경환
- 발행연도
- 2020
- 저작권
- 서강대학교 논문은 저작권에 의해 보호받습니다.
이용수11
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
기존의 기계 학습 연구는 다양한 특징 선택과 모델을 이용하여 테스트 데이터셋의 예측력을 향상시키는 것을 목표로 하고 있다.
하지만 네트워크 공격은 시스템 및 네트워크의 환경과 공격에 사용되는 도구 등에 의해 달라질 수 있으므로, 학습 모델을 실제로 활용하는데 한계가 있다. 또한 정상 패킷에 비해서 공격 패킷이 극도로 적은 데이터의 특징도 고려해야 할 요소이다. 이러한 불균형 문제를 해소하기 위해서 기존의 연구는 SMOTE 알고리즘에 기반한 다양한 오버 샘플링에 힘써왔다. 그러나 최근 몇년간은 새로운 합성 데이터를 생성해 낼 수 있는GAN 알고리즘에 대한 연구가 활발하다. 본 연구에서는 GAN알고리즘에 기반한 CTGAN기법을 이용하여 구조화 데이터의 합성 샘플을 생성하고, 이에 대한 성능을 전통적인 방법들과 비교한다. 더 나아가서, 기존 데이터 셋이 아닌 유사 공격을 발생 시켜, 학습 된 모델의 실제 응용 가능성까지 확인한다.
하지만 네트워크 공격은 시스템 및 네트워크의 환경과 공격에 사용되는 도구 등에 의해 달라질 수 있으므로, 학습 모델을 실제로 활용하는데 한계가 있다. 또한 정상 패킷에 비해서 공격 패킷이 극도로 적은 데이터의 특징도 고려해야 할 요소이다. 이러한 불균형 문제를 해소하기 위해서 기존의 연구는 SMOTE 알고리즘에 기반한 다양한 오버 샘플링에 힘써왔다. 그러나 최근 몇년간은 새로운 합성 데이터를 생성해 낼 수 있는GAN 알고리즘에 대한 연구가 활발하다. 본 연구에서는 GAN알고리즘에 기반한 CTGAN기법을 이용하여 구조화 데이터의 합성 샘플을 생성하고, 이에 대한 성능을 전통적인 방법들과 비교한다. 더 나아가서, 기존 데이터 셋이 아닌 유사 공격을 발생 시켜, 학습 된 모델의 실제 응용 가능성까지 확인한다.
목차
제1장 서론 1제2장 연구 배경 4제3장 불균형 데이터 리샘플링 모델 83.1 SMOTE 83.2 Borderline-SMOTE 103.3 ADASYN 113.4 CTGAN 13제4장 실험 및 결과 분석 174.1 실험 데이터 174.2 실험 설계 234.3 성능 평가 방법 314.4 실험 결과 334.4.1 랜덤 포레스트 334.4.2 LightGBM 364.4.3 분류 모델의 실험 결과 38제5장 결론 및 향후 연구 44참고문헌 47
최근 본 자료
댓글(0)
0