[논문]음원을 이용한 멀티미디어 휴대용 단말장치 판별

이명환; 장태웅; 문창배; 김병만; 오득환

doi:10.9723/jksiis.2014.19.2.073

음원을 이용한 멀티미디어 휴대용 단말장치 판별
Hand-held Multimedia Device Identification Based on Audio Source 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.19 no.2, 2014년, pp.73 - 83

이명환 (금오공과대학교 소프트웨어공학과) , 장태웅 (금오공과대학교 소프트웨어공학과) , 문창배 (금오공과대학교 소프트웨어공학과) , 김병만 (금오공과대학교 소프트웨어공학과) , 오득환 (금오공과대학교 소프트웨어공학과)

초록
AI-Helper

다양한 오디오 편집 기술이 개발됨으로써 오디오 데이터의 변경이 보다 쉬워지고 그 결과로 위변조 같은 다양한 사회 문제가 발생하고 있다. 현재 이런 문제를 해결하기 위해 디지털 포렌식 기술이 활발히 연구되어지고 있다. 본 논문에서는 이러한 디지털 포렌식 기술 중의 하나로 모바일 기기를 판별하는 방법을 제안하였다. 제안 방법에서는 사람에게는 들리지 않지만 기기의 디자인과 IC로부터 발생하는 노이즈 특징을 이용한다. 위너필터를 사용하여 기기의 노이즈 음을 추출하고 MIRtoolbox를 이용하여 특징들을 추출한 후 이를 다층 신경망에 학습시켜 기기를 판별한다. 총 6개의 모바일 기기를 사용하였으며 5-fold test를 통하여 99.9%의 판별 성능을 보였다. 또한 UCC 사이트에 업로드 된 데이터에서도 노이즈 음을 통한 판별이 가능한지 실험을 진행하였으며 99.8%의 판별 성능을 보였다.

Abstract ▼ AI-Helper

Thanks to the development of diverse audio editing Technology, audio file can be easily revised. As a result, diverse social problems like forgery may be caused. Digital forensic technology is actively studied to solve these problems. In this paper, a hand-held device identification method, an area of digital forensic technology is proposed. It uses the noise features of devices caused by the design and the integrated circuit of each device but cannot be identified by the audience. Wiener filter is used to get the noise sounds of devices and their acoustic features are extracted via MIRtoolbox and then they are trained by multi-layer neural network. To evaluate the proposed method, we use 5-fold cross-validation for the recorded data collected from 6 mobile devices. The experiments show the performance 99.9%. We also perform some experiments to observe the noise features of mobile devices are still useful after the data are uploaded to UCC. The experiments show the performance of 99.8% for UCC data.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 멀티미디어 휴대용 단말장치 중에서 Mobile기기를 판별하는 방법을 제안하고 이의 유용성을 검증하기 위한 실험을 진행하였다. 녹음된 음원에서 위너 필터를 이용하여 기기의 노이즈 음 데이터를 얻었고, 이 데이터에 MIRtoolbox을 이용하여 391개의 특징 데이터를 추출하였다.
본 장에서는 현재 주로 사용되는 디지털 포렌식 기술들과 모바일 포렌식 기술, 증거 수집을 위한 스마트폰 포렌식 기술들을 기술하고, 영상 또는 음원을 이용한 포렌식 기술 연구를 살펴본다.

제안 방법

<표 2>는 위너 필터를 적용한 결과이고 각각 Mobile기기 데이터의 원음, 노이즈 제거 음, 노이즈 음의 시그널의 모습이며, <표 3>은 UCC를 통해 다운로드 된 Mobile 데이터의 원음, 노이즈 제거 음, 노이즈 음의 시그널의 모습이다. 각 Mobile기기의 노이즈 음은 육안으로도 차이를 확인할 수 있으며 이 노이즈 음에서 특징을 추출하고 그 특징을 이용하여 특정기기를 판별한다. <표 2>와 <표 3>은 육안으로는 차이를 확인할 수 없지만 미세한 차이가 존재 할 수 있다.
본 논문에서는 멀티미디어 휴대용 단말 장치 중에서 Mobile 기기 6개 ( HTC(Sensation Z710e), IPHONE(Mc603kh), KT(KM-S200), LG(LU2300), SAMSUNG(SHW-M250K), SKY(IM-A600S))를 사용하였고, 이 기기들을 이용하여 동영상 데이터를 수집하였다. 각 기기별로 48분 동안 동시 촬영 및 녹음을 진행하였다.
[11]의 연구에서는 출력물의 노이즈를 추정하여 미세한 차이를분석하였으며, 출력물을 스캔한 이미지에 대해 위너 필터를 거쳐 노이즈를 제거한 이미지를 차감하여 노이즈를 추출하였다. 계산된 노이즈 대해 명암도 동시 발생 행렬을 계산하여 특징 값들을 추출한 뒤 이를 서포트 벡터 머신 분류기를 이용하여 학습 및 판별을 하였다.
녹음된 음원에서 위너 필터를 이용하여 기기의 노이즈 음 데이터를 얻었고, 이 데이터에 MIRtoolbox을 이용하여 391개의 특징 데이터를 추출하였다. 그리고 이 특징을 이용하여 다층 신경망으로 학습 및 판별 실험을 하였다.
모바일 기기에서 동영상을 녹화하고 이 데이터를 PC에서 직접 복사하는 방법과 UCC에 업로드 하여 다운로드 하는 방법 2가지를 이용하여 PC에 데이터를 수집한 후 사운드 데이터만을 추출한다. 그리고 추출된 사운드 데이터를 위너 필터를 이용하여 노이즈를 추출한다. 그런 다음 추출된 노이즈로부터 MIRtoolbox를 이용하여, 노이즈의 특징들을 추출한다.
녹음이 완료되어진 데이터를 대상으로 2가지 모집군으로 데이터를 다시 수집하였는데, 첫 번째 모집군은 6개의 모바일 기기를 대상으로 한 실험으로 수집한 데이터를 PC에 직접 연결하여 복사한 Mobile 데이터이며 두 번째 모집군은 UCC에 업로드 된 음원 데이터를 대상으로 기기를 판별이 가능한지 알아보기 위해 앞서 수집된 Mobile 데이터를 Youtube 사이트를 이용하여 업로드 후 다시 다운로드하는 방법으로 수집한 데이터이다.
본 논문에서 사용한 다층 신경망 구조는 <그림 8>과 같이 특징 추출 과정과 정규화 과정으로 생성한 특징들을 입력 층의 입력으로 사용하였고 출력 층은 본 논문에서 판별하기 위한 기기의 수인 6개로 구축하였다. 또한 은닉 층은 20개로 구축하였다.
모바일 기기에서 동영상을 녹화하고 이 데이터를 PC에서 직접 복사하는 방법과 UCC에 업로드 하여 다운로드 하는 방법 2가지를 이용하여 PC에 데이터를 수집한 후 사운드 데이터만을 추출한다. 그리고 추출된 사운드 데이터를 위너 필터를 이용하여 노이즈를 추출한다.
본 논문에서 사용한 다층 신경망 구조는 과 같이 특징 추출 과정과 정규화 과정으로 생성한 특징들을 입력 층의 입력으로 사용하였고 출력 층은 본 논문에서 판별하기 위한 기기의 수인 6개로 구축하였다.
기기별 576개씩 6개기기에 대해 3,456개의 데이터를 구축하였다. 본 논문에서 사용한 신경망은 WEKA 의 다층 신경망을 사용하였으며 K-fold값 5(80%학습, 20%로 판별), Hidden 20 옵션을 사용하여 실험을 진행하였다.
본 논문에서는 과 같이 위너 필터를 이용하여 기기 노이즈를 추출한다.
본 논문에서는 기기 판별을 위해 수집한 기기들의 데이터를 위너 필터[3, 4]와 MIRtoolbox [5]를 이용하여 기기들의 노이즈 특징을 추출하고 이를 다층 신경망[6]을 사용하여 판별 모델을 구축하였다. 제안 방법의 유용성을 검증하기 위해 6가지의 모바일기기들을 대상으로 실험하였다.
수집된 동영상 데이터에서 음원(Wav 파일)만을 수집하고 이를 5초 단위로 세그먼트 하여 최종적으로 실험 데이터를 구축 하였다. 기기별 576개씩 6개기기에 대해 3,456개의 데이터를 구축하였다.
[13]의 연구에서는 각 장치의 녹음된 음성 데이터를 이용하여 마이크 또는 유선전화기를 분류하는 방법을 제시하였다. 실험에서는 주파수 응답의 통계적 특성을 사용 하였다. 장치에 음성을 녹음한 후 녹음 데이터는 가우시안 혼합모델에 기초하여 GSV라고 불리는 다차원 벡터로 변환되고 이 벡터들을 서포트 벡터 머신을 통하여 학습하게 된다.
장치에 음성을 녹음한 후 녹음 데이터는 가우시안 혼합모델에 기초하여 GSV라고 불리는 다차원 벡터로 변환되고 이 벡터들을 서포트 벡터 머신을 통하여 학습하게 된다. 이 연구에서는 8대의 유선전화기와 8대의 마이크를 비교 실험 하였다.[14]의 연구는 본연구의 사전 연구로 MP3 기기들을 대상으로 진행하였던 것으로 주요 적용기술은 본 논문과 동일하다.
이렇게 업로드한 파일을 의 UCC 다운로더 (알툴바)를 이용하여 다운로드 하였고, 다운로드한 데이터는 MP3 음원 추출기(Daum 팟 인코더)를 사용하여 MP3 음원 데이터로 변경 후 다시 Wav파일 변환기(Music Editor Free)를 사용하여 MP3 파일을 Wav 파일로 포맷을 변경 하였다.
그런 다음 추출된 노이즈로부터 MIRtoolbox를 이용하여, 노이즈의 특징들을 추출한다. 최종적으로 이렇게 추출한 특징들을 다층 신경망을 이용하여 학습 및 판별한다.
이로 인해 원본 데이터에 내재하고 있던 노이즈 특성이 사라질 우려가 있다. 이를 위해 본 논문에서는 휴대폰으로 촬영하고 이를 UCC에 업로드 후 다운로드 받은 데이터와 PC로 직접 복사하여 얻은 데이터를 이용하여 실험을 하였다.
[10]의 연구에서는 제조사마다 인쇄방법이 다르기 때문에, 출력물에 작은 차이점을 활용하여, 출력물을 스캔한 디지털 이미지에 대해 이산 웨이블릿 변환을 수행하여 계산한 고주파 영역을 추출한다. 이에 대해 명암도 동시발생 행렬을 계산한 후에 행렬데이터의 표준편차, 첨도, 왜도, 공분산, 상관계수의 특징을 추출하였다. 학습 및 판별은 서포트 벡터 머신 분류기를 사용하였다.
실험에서는 주파수 응답의 통계적 특성을 사용 하였다. 장치에 음성을 녹음한 후 녹음 데이터는 가우시안 혼합모델에 기초하여 GSV라고 불리는 다차원 벡터로 변환되고 이 벡터들을 서포트 벡터 머신을 통하여 학습하게 된다. 이 연구에서는 8대의 유선전화기와 8대의 마이크를 비교 실험 하였다.
그런 다음 추출된 노이즈로부터 MIRtoolbox를 이용하여, 노이즈의 특징들을 추출한다. 최종적으로 이렇게 추출한 특징들을 다층 신경망을 이용하여 학습 및 판별한다.
최초 원음이 입력되면 위너 필터를 사용하여 기기 노이즈를 제거한 음원을 구한 후, 원본과 노이즈 제거 음원의 차를 구하여 기기의 노이즈를 구하게 된다. 추출된 노이즈 음으로부터 MIRtoolbox를 이용하여, 노이즈 음의 특징들을 추출한다. 이렇게 추출한 특징들을 다층 신경망을 이용하여 학습 및 판별한다.

대상 데이터

[12]의 연구에서는 디지털 미디어 포렌식을 위한 방법 중 오디오 steganalysis기능을 사용하여 마이크에 녹음된 디지털 오디오 샘플을 구별하기 위한 방법을 제안 하였다. 44.1KHz로 샘플링된 16bit 마이크 4개로 10군데의 객실에서 데이터를 수집하였다. 각 객실당 800개의 데이터가 구축되었다.
1KHz로 샘플링된 16bit 마이크 4개로 10군데의 객실에서 데이터를 수집하였다. 각 객실당 800개의 데이터가 구축되었다. 동일한 제조사의 동일 마이크 모델이 고려되지 않았다.
수집된 동영상 데이터에서 음원(Wav 파일)만을 수집하고 이를 5초 단위로 세그먼트 하여 최종적으로 실험 데이터를 구축 하였다. 기기별 576개씩 6개기기에 대해 3,456개의 데이터를 구축하였다. 본 논문에서 사용한 신경망은 WEKA 의 다층 신경망을 사용하였으며 K-fold값 5(80%학습, 20%로 판별), Hidden 20 옵션을 사용하여 실험을 진행하였다.
본 논문에서는 멀티미디어 휴대용 단말장치 중에서 Mobile기기를 판별하는 방법을 제안하고 이의 유용성을 검증하기 위한 실험을 진행하였다. 녹음된 음원에서 위너 필터를 이용하여 기기의 노이즈 음 데이터를 얻었고, 이 데이터에 MIRtoolbox을 이용하여 391개의 특징 데이터를 추출하였다. 그리고 이 특징을 이용하여 다층 신경망으로 학습 및 판별 실험을 하였다.
제안 방법의 유용성을 검증하기 위해 6가지의 모바일기기들을 대상으로 실험하였다. 또한 실생활에서는 영상 및 음원데이터의 경우 UCC, 블로그 등과 같은 웹 공간을 통하여 파일 포맷 변경 및 복사 등이 이루어지는데 이 경우에도 기기 판별이 가능한지를 알아보기 위해 대표적인 UCC사이트인 Youtube에 업로드 후 재 다운로드 한 데이터를 대상으로 실험하였다.
본 논문에서는 [10]에서 사용한 MIRtoolbox를 사용하여 음원에서 391개의 특징을 추출하였는데 그 특징은 아래의 와 같다[15, 16].
본 논문에서는 멀티미디어 휴대용 단말 장치 중에서 Mobile 기기 6개 ( HTC(Sensation Z710e), IPHONE(Mc603kh), KT(KM-S200), LG(LU2300), SAMSUNG(SHW-M250K), SKY(IM-A600S))를 사용하였고, 이 기기들을 이용하여 동영상 데이터를 수집하였다. 각 기기별로 48분 동안 동시 촬영 및 녹음을 진행하였다.
본 논문에서는 기기 판별을 위해 수집한 기기들의 데이터를 위너 필터[3, 4]와 MIRtoolbox [5]를 이용하여 기기들의 노이즈 특징을 추출하고 이를 다층 신경망[6]을 사용하여 판별 모델을 구축하였다. 제안 방법의 유용성을 검증하기 위해 6가지의 모바일기기들을 대상으로 실험하였다. 또한 실생활에서는 영상 및 음원데이터의 경우 UCC, 블로그 등과 같은 웹 공간을 통하여 파일 포맷 변경 및 복사 등이 이루어지는데 이 경우에도 기기 판별이 가능한지를 알아보기 위해 대표적인 UCC사이트인 Youtube에 업로드 후 재 다운로드 한 데이터를 대상으로 실험하였다.
학습 및 판별을 하기 위해 사용한 특징의 수는 Mobile기기의 경우 총 391개 중에 NAN 74개, Space 10개, UCC 그룹과의 동일 값 3개의 제거 대상 특징을 제외한 304개이고 UCC의 경우 총 391개의 특징 중에 NAN 72개, Space 10개, 동일 값 3개를 제외한 306개이다.

이론/모형

동일한 제조사의 동일 마이크 모델이 고려되지 않았다. 분류 기법으로는 WEKA의 K-means 클러스터링 방법을 사용하였다.[13]의 연구에서는 각 장치의 녹음된 음성 데이터를 이용하여 마이크 또는 유선전화기를 분류하는 방법을 제시하였다.
이에 대해 명암도 동시발생 행렬을 계산한 후에 행렬데이터의 표준편차, 첨도, 왜도, 공분산, 상관계수의 특징을 추출하였다. 학습 및 판별은 서포트 벡터 머신 분류기를 사용하였다. [11]의 연구에서는 출력물의 노이즈를 추정하여 미세한 차이를분석하였으며, 출력물을 스캔한 이미지에 대해 위너 필터를 거쳐 노이즈를 제거한 이미지를 차감하여 노이즈를 추출하였다.

성능/효과

Mobile 데이터의 다층 신경망 실험 결과는 과 같이 HTC(Sensation Z710e)는 100%, IPHONE (Mc603kh)는 99.7%, KT(KM-S200)는 99.7%, LG (LU2300)는 100%, SAMSUNG(SHW-M250K)은 100%, SKY(IM-A600S)는 100%로 평균 99.9%의 판별률을 보이고 있다.
UCC 데이터의 다층 신경망 실험 결과는 와 같이 HTC(Sensation Z710e)는 99.7%, IPHONE (Mc603kh)는 100%, KT(KM-S200)는 99.7%, LG (LU2300)는 99.7%, SAMSUNG(SHW-M250K)은 99.7%, SKY(IM-A600S)는 100%로 평균 99.8%의 판별률을 보이고 있으며 HTC(Sensation Z710e), KT(KM-S200), LG(LU2300), SAMSUNG(SHWM250K) 각각이 0.3%오판별 상황을 보여주고 있다.
다층 신경망 실험 결과 Mobile 데이터에 평균 99.9%, Mobile(UCC) 데이터에 적용하였을 때는 평균 99.8%의 성능을 보였다. 이러한 실험 결과를 보았을때 조금의 오차를 발생시키기는 하나 Mobile기기에서 UCC로 데이터를 업로드하기위하여 포맷의 변경과 같은 작업에서도 기기가 가지고 있는 고유의 노이즈 데이터에는 큰 변화가 없음을 알 수 있다.
8%의 성능을 보였다. 이러한 실험 결과를 보았을때 조금의 오차를 발생시키기는 하나 Mobile기기에서 UCC로 데이터를 업로드하기위하여 포맷의 변경과 같은 작업에서도 기기가 가지고 있는 고유의 노이즈 데이터에는 큰 변화가 없음을 알 수 있다.
즉, 에서 HTC(Sensation Z710e)의 음원 576개 중 2개의 음원이 IPHONE(Mc603kh)로 오판별 되었고, KT(KM-S200)의 경우 2개의 음원이 LG (LU2300)으로, LG(LU2300)의 경우 2개의 음원이 HTC(Sensation Z710e)으로, SAMSUNG(SHW- M250K)의 경우 2개의 음원이 LG(LU2300)로 오판별 되었다.

후속연구

기존의 이동통신 2G, 3G 휴대폰들과 스마트폰은 휴대용 이동기기로서, 범죄에 사용되는 직간접 증거들과 관련성이 높아서, 휴대폰과 스마트폰에서 생성 · 저장된 디지털 증거에 대한 스마트폰 포렌식 적용에 대한 연구가 필요하다.
본 논문에서 실험한 기기의 숫자와 한정된 공간속에서의 데이터 샘플을 통한 기기판별 결과는 우수한 성능을 나타내어 실생활에서 적용할 수 있는 가능성을 제시하고 있지만 좀 더 실생활 속에서 신뢰할 수 있는 결과를 얻기 위해서는 차후에 기기의 추가 및 음원, 실험 환경 등의 변화를 적용시켜 실험을 할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	디지털 포렌식이란?	이러한 일련의 과정과 원칙 등을 포괄하여 디지털 포렌식이라 한다[2]. 디지털 포렌식은 정보기기에 내장된 디지털 자료를 근거로 삼아 그 정보기기를 매개체로 하여 발생한 어떤 행위에 사실 관계를 규명하고 증명 하는 신규 보안서비스 분야이다.
	디지털 포렌식 기술을 컴퓨터, 임베디드, 네트워크 포렌식으로 나누었을 때 각각의 특징은?	디지털 포렌식 기술은 크게 3가지로 컴퓨터, 임베디드, 네트워크 포렌식으로 나누어 볼 수 있다[7]. 컴퓨터 포렌식의 경우, 범용 컴퓨터를 대상으로 하는 반면 임베디드 포렌식은 다양한 디바이스를 대상으로 하는 포렌식이다. 그리고 네트워크 포렌식의 경우 통신에서 발생하는 포렌식이다. 본 논문에서는 Mobile 기기를 대상으로 하기 때문에 임베디드(모바일) 포렌식에 속한다.
	판별 모델을 어떻게 구축하였나?	본 논문에서는 기기 판별을 위해 수집한 기기들의 데이터를 위너 필터[3, 4]와 MIRtoolbox [5]를 이용하여 기기들의 노이즈 특징을 추출하고 이를 다층 신경망[6]을 사용하여 판별 모델을 구축하였다. 제안 방법의 유용성을 검증하기 위해 6가지의 모바일기기들을 대상으로 실험하였다.

참고문헌 (16)

H. O. Won, "Beweisaufnahme, beweiskraft und gerichtszustandigkeit der internetkriminalitat, Korean Institute of Criminology, 2001
Y. H. Gil, S. K. Un, D. W. Hong, "How to Collect Correct and Reliable Digital Evidence", Digital Forensic Research, pp. 147-161, 2007.
David M. Harrison, "Wiener, version 1.2 of document", 1999.
Rafael C. Gonzalez, Richard E. Woods, Steven L. Eddins, "Digital Image Processing USING MATLAB", ITC, pp.180-184, 2004.
Olivier Lartillot, Petri Toiviainen, "A MATLAB FROM AUDIO", Proc. of the10th Int. Conference on Digital Audio Effects (DAFx-07), Bordeaux, France, September pp.10-15, 2007.
Remco R. Bouckaert, Eilbe Frank, "WEKA Manual for Version 3-6-5", June 28, 2011
I. R. Jeong, D. W. Hong, K. I. Chung, "Technologies and Trends of Digital Forensics", Electronics and Telecommunications Trends, Vol. 22, No. 1, pp. 97-104, 2007.
G. A. Lee, D. W. Park, Y. T. Shin, "A Study on Forensic Integrity Proof Standard a Cellular Phone Confiscation Criminal Investigation", The Journal of Korea Information and Communications Society, Vol. 33, No. 6, pp. 512-519, 2008.
J. H. Lee, W. S. Chun, "디지털 증거 수집과 분석을 위한 스마트폰 포렌식 적용 연구", Jouranl of The Korea Institute of Information Security and Cryptology, Vol. 21, No. 6, pp. 57-66, 2011.

원문보기 상세보기
J. Y. Baek, H. S. Lee, S. G. Kong, J. H. Choi, Y. M. Yang, H. Y. Lee, "Color Laser Printer Identification through Discrete Wavelet Transform and Gray Level Co-occurrence Matrix", The KIPS Transactions : Part C, Vol. 17, No. 3, pp. 197-206, 2010.

원문보기 상세보기
H. Y. Lee, J. Y. Baek, S. G. Kong, H. S. Lee, J. H. Choi, "Color Laser Printer Forensics through Wiener Filter and Gray Level Co-occurrence Matrix", Journal of KIISE : Software and Applications, Vol. 37, No. 8, pp. 591-658, 2010.
Christian Kraetzer, Andrea Oermann, Jana Dittmann and Andreas Lang, "Digital Audio Forensics: A First Practical Evaluation on Microphone and Environment Classification", MM&Sec. 07 PP.63-74, September 20-21, 2007
Daniel Garcia-Romero and Carol Y. Espy-Wilson, "AUTOMATIC ACQUISITION DEVICE IDENTIFICATION FROM SPEECH RECORDINGS", Proc. of the IEEE, pp.1806 - 1809, 2010
M. H. Yi, C. B. Moon, B. M. Kim, "Device Identification Based on Audio Source", Korea Computer Congress 2012, Vol. 39(C) No. 1, pp.224-226, 2012.
Olivier Lartillot, "MIRtoolbox 1.2.4 User's Manual", University of Jyvaskyla, Finland, March, 18th, 2010.
M. K. Song, C. B. Moon, H. S. kim, B. M. Kim, D. H. Oh, Q. L. Liu, "Performance Analysis of Automatic Music Genre Classification According to Classification systems", Journal of KIISE : Software and Applications, Vol. 39, No. 3, pp. 236-241, 2011.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증