선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 이러한 전화사기를 예방하기 위해서 보이스 피싱 검출 알고리즘을 제안한다. 가해자의 휴대폰에서 전송된 음성 신호를 기반으로 3GPP2 표준 코덱인 Selectable Mode Vocoder (SMV)의 복호화 과정에서 자동적으로 추출되는 중요 특징벡터의 비교, 분석을 통해 참말과 거짓말에 대한 차이점을 밝히고, 이를 사용하여 가우시안 혼합모델 (Gaussian Mixture Model, GMM)을 구성한다.
- 본 논문에서는 전화사기 예방 위한 음성 코딩 파라미터 기반의 보이스 피싱 검출 알고리즘을 제안하였다. 제안된 알고리즘은 사용자의 휴대폰으로 전송되는 데이터를 음성으로 복호화하는 과정에서 자동으로 생성되는 중요 파라미터를 특징벡터 선택한 뒤 GMM을 이용하여 검출을 하였다' 실험 결과 가해자의 목소리에 따른 피치의 특징분포를 알 수 있었으며, SMV의 복호화 과정의 핵심 특징벡터를 사용한 검출이 우수한 성능을 보인 것을 알 수 있었다.
제안 방법
- 가장 인식 성능이 우수한 RC 특징벡터에 인식 성능을 보안하기위해서 후처리 과정에서 추출되어지는 특징 벡터들과 결합하여 새로운 특징벡터를 만들어 실험을 하였다. 실험결과 표 4와 같은 인식 성능을 보였다.
- 구성되어진 모델 파라미터 入는 EM 알고리즘을 사용하여 p(損入') > 夙損入)가 되는 새로운 모델 入'를 정해진 문턱 값에 도달할 때까지 반복하여 사후확률을 구한다. 구해진 사후확률 중 가장 큰 우도를 가진 모델을 구한 뒤 입력 값에 대한 모델별 우도 값을 비교하여 보이스 피싱 검출을 하게 된다尊
- 가해자의 휴대폰에서 전송된 음성 신호를 기반으로 3GPP2 표준 코덱인 Selectable Mode Vocoder (SMV)의 복호화 과정에서 자동적으로 추출되는 중요 특징벡터의 비교, 분석을 통해 참말과 거짓말에 대한 차이점을 밝히고, 이를 사용하여 가우시안 혼합모델 (Gaussian Mixture Model, GMM)을 구성한다. 그리고 추출한 특징벡터가 효과적인 보이스 피싱 검출을 위한 특징이 될 수 있는지 검증한다. 다양한 실험 결과 새로이 제안된 음성 코딩 파라미터를 이용한 보이스 피싱 알고리즘이 우수한 성능을 보인 것을 알 수 있었다.
- 제안된 보이스 피싱 검출을 위해 수집한 가해자의 목소리 데이터 (False)와 일반적인 전화목소리 (True) 그리고 OGI 데이터베이스 '關를 사용하여 추출한 피치의 히스토그램의 결과 일반적인 전화목소리 데이터베이스인 OGI 데이터베이스의 결과와 실제 수집된 일반 목소리와는 거의 비슷한 피치 분포를 볼 수 있으며 가해자의 목소리의 경우 일반적인 목소리에 비해 약 50~100 Hz 정도 높은 피치분포를 보이는 것을 볼 수 있다. 따라서 가장 좋은 성능을 보여주었던 피치와 피치 지연 그리고 LSF의 첫 번째 계수를 RC와 결합하여 최종적인 보이스 피싱 검출 성능을 테스트하였다. 관련하여 그림 6과 표 5는 최종적으로 행해진 실험의 ROC 커브와 EER을 보여주고 있다.
- 가까운 데이터의 수집이 필요하다. 따라서 직접 상황을 연출하여 데이터를 수집하는 방법보다는 재연이 아닌 실제 보이스 피싱 가해자의 목소리를 수집하는 방법을 통하여 데이터를 모았다. 실제 가해자의 목소리는 한국어를 대상으로 국내외 각종 인터넷 사이트에서 모았으며, 음성변조와 같은 경우는 제외 시켰다.
- 16 bit로 양자화 하였다. 보이스 피싱 검출을 위한 특징 벡터로 ID장에서 기술한 SMV의 복호화 과정에서 자동적으로 추출되어지는 LPC 10차, LSF 10차, RC 10차를 사용하여 특징벡터 구성하였으며, 16개의 혼합성분을 사용한 GMM을 구성하여 실험을 하였다. 그림 4와 표 3은 각각 특징벡터의 Receiver Operating Characteristic (ROC) 커브와 Equal Error Rate (EER)을 보여준다.
- 수집되어진 데이터는 모두 8 kHz로 샘플링 하였으며, 16 bit로 양자화 하였다. 보이스 피싱 검출을 위한 특징 벡터로 ID장에서 기술한 SMV의 복호화 과정에서 자동적으로 추출되어지는 LPC 10차, LSF 10차, RC 10차를 사용하여 특징벡터 구성하였으며, 16개의 혼합성분을 사용한 GMM을 구성하여 실험을 하였다.
- SMV의 부호화는 묵음 개선(Silence Enhancement), 고대역 통과 필터(Hgh Pass Filter), 잡음 제거 (Noise Suppression) 그리고 적응 틸트 필터 (Adaptive Tilt Filter)와 같은 전처리(Pre~ ProcessinG를 거치게 된다. 전처리 과정을 거친 입력신호는 프레임 단위마다 지각가중치가 적용된 음성(Perceptually Weighted Speech), 개회로 피치 검출(Open Loop Pitch Detection), 신호 수정(Signal Modification) 그리고 LPC 분석(Linear Prediction coding Analysis)을 이용하여 프레임 별 음성검출 및 클래스 분류 그리고 전송률을 결정한 뒤 신호를 비트 스트림으로 출력하게 된다. 여기서 SMV는 입력신호에 대해 묵음 (SHence), 잡음 유사한 무성음 (Noise-Like UnvoicM), 무성음 (Unvoiced), 시작음 (Onset), 비정상 유성음 (Non-Stationary Voiced) 그리고 정상 유성음(Stationary Voiced)과 같이 총 여섯 가지의 클래스로 분류를 하며, 전송률에 따라 정상 유성음을 가지는 타입 0 프레임과 그 외의 모든 타입 1 프레임의 두 가지로 프레임을 분류한다.
- 제안된 알고리즘은 그림 2의 SMV의 복호화 처리 과정 중에서 비트스트림에서 추출된 LSF를 LPC로 변환하는 과정에서 자동적으로 추출되는 특징벡터와 구해진 LPC를 음성 신호로 바꾸는 후처리 과정에서 자동적으로 추출되어지는 특징벡터를 이용하여 보이스 피싱 검출을 위한 가장 효과적인 특징벡터를 구성한 뒤 동일 특징 벡터로 이미 훈련된 GMM을 사용하여 실시간으로 전송되는 비트스트림에 대해서 우도 (Likelihood)를 구한다. 구해진 우도를 비교해서 가장 큰 우도를 가진 값에 대한 플래그 (Flag)를 선택하게 된다.
- 지금까지 연구되어진 보이스 피싱 검출 알고리즘은 사람이 거짓말 할 경우 감정의 변화에 기반한 검출 방법 이 대부분이 었다또한 이산여현변환과 같이 별도의 복잡한 계산량을 필요로 하는 특징벡터를 사용하여 이루어진 연구가 이루어 졌다'*이 하지만 본 논문에서는 휴대폰으로 전송되어지는 신호를 SMV 복호화기에서 음성신호로 변경하는 복호화 과정에서 자동적으로 추출 되어지는 파라미터만을 사용해서 별도의 특징 벡터추출과정 없이 보이스 피싱 검출을 위한 효과적인 알고리즘을 제안한다.
이론/모형
- SMV의 부호화과정에서 자기상관함수와 반사 계수를 사용한 Levinson-Durbin 알고리즘'"'을 사용하여 구해진다. 복호화 과정에서는 얻어지는 LPC 계수 값은 부호화 과정에서 LPC에서 LSF로의 변환과정의 역변환을 이용하여 얻어진다'21.
- 피싱 검출 알고리즘을 제안한다. 가해자의 휴대폰에서 전송된 음성 신호를 기반으로 3GPP2 표준 코덱인 Selectable Mode Vocoder (SMV)의 복호화 과정에서 자동적으로 추출되는 중요 특징벡터의 비교, 분석을 통해 참말과 거짓말에 대한 차이점을 밝히고, 이를 사용하여 가우시안 혼합모델 (Gaussian Mixture Model, GMM)을 구성한다. 그리고 추출한 특징벡터가 효과적인 보이스 피싱 검출을 위한 특징이 될 수 있는지 검증한다.
- 수 있다. 이러한 현상을 Ekmane 비언어적 누출(Nonverbal Leakage) 이라는 표현을 사용하여 정의하였다. 특히 목소리의 기본 주파수 (Fundamental Frequency)의 경우 진실을 말할 때 보다 거짓말을 할 때 더 높다는 사실과 모든 거짓말에는 감정이 개입되었다는 사실을 밝혀냈다(2)
성능/효과
- 우수한 성능을 보였다. SMV의 복호화 과정에서 자동적으로 추출되는 특징벡터 중 가장 우수한 성능을 보인 것을 알 수 있었으며, 피치 정보가 감정과 보이스 피싱 검출에 큰 영향을 주는지 알 수 있었다.
- 그리고 추출한 특징벡터가 효과적인 보이스 피싱 검출을 위한 특징이 될 수 있는지 검증한다. 다양한 실험 결과 새로이 제안된 음성 코딩 파라미터를 이용한 보이스 피싱 알고리즘이 우수한 성능을 보인 것을 알 수 있었다.
- 실험결과 표 4와 같은 인식 성능을 보였다. 실험 결과 피치와 관련된 특징벡터에서 기존의 RC 성능보다 우수한 성능의 결과를 보였고, 나머지 특징들은 기존의 RC성능에 비해 낮은 성능 인식을 보였다. 또한 RC+LPC, RC+LSF 그리고 RC+LPC+LSF의 경우 역시 RC에 비해 낮은 성능 인식을 보였다.
- 그림 5는 실험에 사용되어진 남, 녀 데이터에 따른 피치 분포와 일반적인 전화통화시 남, 녀의 피치 분포를 보여주고 있다. 제안된 보이스 피싱 검출을 위해 수집한 가해자의 목소리 데이터 (False)와 일반적인 전화목소리 (True) 그리고 OGI 데이터베이스 '關를 사용하여 추출한 피치의 히스토그램의 결과 일반적인 전화목소리 데이터베이스인 OGI 데이터베이스의 결과와 실제 수집된 일반 목소리와는 거의 비슷한 피치 분포를 볼 수 있으며 가해자의 목소리의 경우 일반적인 목소리에 비해 약 50~100 Hz 정도 높은 피치분포를 보이는 것을 볼 수 있다. 따라서 가장 좋은 성능을 보여주었던 피치와 피치 지연 그리고 LSF의 첫 번째 계수를 RC와 결합하여 최종적인 보이스 피싱 검출 성능을 테스트하였다.
- 제안하였다. 제안된 알고리즘은 사용자의 휴대폰으로 전송되는 데이터를 음성으로 복호화하는 과정에서 자동으로 생성되는 중요 파라미터를 특징벡터 선택한 뒤 GMM을 이용하여 검출을 하였다' 실험 결과 가해자의 목소리에 따른 피치의 특징분포를 알 수 있었으며, SMV의 복호화 과정의 핵심 특징벡터를 사용한 검출이 우수한 성능을 보인 것을 알 수 있었다. 또한 간접적인 방법이 아닌 직접적인 방법을 통해서 데이터를 수집할 수 있다면 그 성능은 더욱 향상 될 것이다.
- 최종적으로 제안된 특징벡터를 이용한 실험 결과 남자의 경우 많은 성능향상을 보이지는 않았지만 여자의 경우 많은 성능향상을 보였고, 남, 녀 데이터를 혼합한 경우에도 우수한 성능을 보였다. SMV의 복호화 과정에서 자동적으로 추출되는 특징벡터 중 가장 우수한 성능을 보인 것을 알 수 있었으며, 피치 정보가 감정과 보이스 피싱 검출에 큰 영향을 주는지 알 수 있었다.
- f9]. 하지만 여자의 경우 LPC가 좋은 인식률을 보였으며, 남, 녀의 데이터를 혼합하여 인식성능을 확인한 결과 RC가 가장 좋은 성능을 나타내었다.
후속연구
- 제안된 알고리즘은 사용자의 휴대폰으로 전송되는 데이터를 음성으로 복호화하는 과정에서 자동으로 생성되는 중요 파라미터를 특징벡터 선택한 뒤 GMM을 이용하여 검출을 하였다' 실험 결과 가해자의 목소리에 따른 피치의 특징분포를 알 수 있었으며, SMV의 복호화 과정의 핵심 특징벡터를 사용한 검출이 우수한 성능을 보인 것을 알 수 있었다. 또한 간접적인 방법이 아닌 직접적인 방법을 통해서 데이터를 수집할 수 있다면 그 성능은 더욱 향상 될 것이다. 특히, 휴대폰의 발신자 등록이 되어 있지 않은 상대방과 통화 시에 이용하거나, 차후 공인인증이 되어있지 않은 전화로부터 걸려온 전화 통화에 한정해 이용시 더 강인한 성능을 보일 것으로 기대된다.
- 특히, 휴대폰의 발신자 등록이 되어 있지 않은 상대방과 통화 시에 이용하거나, 차후 공인인증이 되어있지 않은 전화로부터 걸려온 전화 통화에 한정해 이용시 더 강인한 성능을 보일 것으로 기대된다. 마지막으로, 보이스 피싱 검출 및 감정 인식 분야에서 보다 적합한 특징벡터와 패턴 인식기에 대한 다양한 시도와 연구가 진행 되야 할 것이다.
- 본 논문에서 제안한 음성코딩 파라미터 기반의 보이스 피싱 검출 알고리즘의 성능 평가를 위해서는 보다 실제에 가까운 데이터의 수집이 필요하다. 따라서 직접 상황을 연출하여 데이터를 수집하는 방법보다는 재연이 아닌 실제 보이스 피싱 가해자의 목소리를 수집하는 방법을 통하여 데이터를 모았다.
- 또한 간접적인 방법이 아닌 직접적인 방법을 통해서 데이터를 수집할 수 있다면 그 성능은 더욱 향상 될 것이다. 특히, 휴대폰의 발신자 등록이 되어 있지 않은 상대방과 통화 시에 이용하거나, 차후 공인인증이 되어있지 않은 전화로부터 걸려온 전화 통화에 한정해 이용시 더 강인한 성능을 보일 것으로 기대된다. 마지막으로, 보이스 피싱 검출 및 감정 인식 분야에서 보다 적합한 특징벡터와 패턴 인식기에 대한 다양한 시도와 연구가 진행 되야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.