[논문]IOT 환경에서의 오토인코더 기반 특징 추출을 이용한 네트워크 침입탐지 시스템

이주화; 박기현

doi:10.3745/ktsde.2019.8.12.483

IOT 환경에서의 오토인코더 기반 특징 추출을 이용한 네트워크 침입탐지 시스템
Network Intrusion Detection System Using Feature Extraction Based on AutoEncoder in IOT environment 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.8 no.12, 2019년, pp.483 - 490

초록
AI-Helper

네트워크 침입 탐지 시스템(NIDS)에서 분류의 기능은 상당히 중요하며 탐지 성능은 다양한 특징에 따라 달라진다. 최근 딥러닝에 대한 연구가 많이 이루어지고 있으나 네트워크 침입탐지 시스템에서는 많은 수의 트래픽과 고차원의 특징으로 인하여 속도가 느려지는 문제점이 있다. 따라서 딥러닝을 분류에 사용하는 것이 아니라 특징 추출을 위한 전처리 과정으로 사용하며 추출한 특징을 기반으로 분류하는 연구 방법을 제안한다. 딥러닝의 대표적인 비지도 학습인 Stacked AutoEncoder를 사용하여 특징을 추출하고 Random Forest 분류 알고리즘을 사용하여 분류한 결과 분류 성능과 탐지 속도의 향상을 확인하였다. IOT 환경에서 수집한 데이터를 이용하여 정상 및 공격트래픽을 멀티클래스로 분류하였을 때 99% 이상의 성능을 보였으며, AE-RF, Single-RF와 같은 다른 모델과 비교하였을 때도 성능 및 탐지속도가 우수한 것으로 나타났다.

Abstract ▼ AI-Helper

In the Network Intrusion Detection System (NIDS), the function of classification is very important, and detection performance depends on various features. Recently, a lot of research has been carried out on deep learning, but network intrusion detection system experience slowing down problems due to the large volume of traffic and a high dimensional features. Therefore, we do not use deep learning as a classification, but as a preprocessing process for feature extraction and propose a research method from which classifications can be made based on extracted features. A stacked AutoEncoder, which is a representative unsupervised learning of deep learning, is used to extract features and classifications using the Random Forest classification algorithm. Using the data collected in the IOT environment, the performance was more than 99% when normal and attack traffic are classified into multiclass, and the performance and detection rate were superior even when compared with other models such as AE-RF and Single-RF.

주제어

표/그림 (12)

그림 Fig. 1. The Structure of Basic AutoEncoder
그림 Fig 2. The Structure of Stacked AutoEncoder
그림 Fig. 3. The Structure of Greedy Layer-Wise Training
그림 Fig. 4. Flowchart of the Proposed Method
표 Table 1 The Number of Training and Test Data in the Danmini Doorbell Dataset
표 Table 2. Confusion Matrix
표 Table 3. Performance Evaluation According to Structure of Hidden Layer
표 Table 4. Training and Testing Time of Single-RF and AE-RF and SAE-RF
그림 Fig. 5. Performance Evaluation of Single-RF and AE-RF and SAE-RF Based Danmini Doorbell Dataset
그림 Fig. 6. Performance Comparison with Other Algorithm
그림 Fig. 7. Performance Evaluation of SAE-RF and Single RF based CICIDS2017 Dataset
표 Table 5. CICIDS2017 Dataset

AI 본문요약
AI-Helper

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

문제 정의

IOT 환경의 데이터셋을 사용하여 본 논문에서 제안한 모델로 실험하였을 때 성능이 향성된 것을 확인하였다. 따라서 기존 네트워크의 침입탐지에도 효과적인지 실험하였다.
위와 같은 문제를 해결하기 위해 본 논문에서는 IOT 환경에서 수집한 데이터셋을 사용하여 딥러닝과 트리기반 통계적 학습의 장점을 결합하여 정확성과 효율성을 향상시키는 하이브리드 방식을 제안하고자 한다. 대표적인 비지도 학습인 AutoEncoder를 기반으로 침입 행위 정보의 고수준 특징을 압축한 후 최소의 시간으로 최적의 분류를 할 수 있는 모델을 제안한다.

제안 방법

Random Forest 분류는 Scikit learn의 라이브러리를 사용하였으며 하이퍼파라미터로 Random_state = 1, n_estimators는100으로 설정하였다. Random_state는 변수선택의 임의화를 고정하여 실험 시 동일한 결과를 도출하도록 하였으며 n_estimators는 의사결정 트리의 개수를 의미한다.
위와 같은 문제를 해결하기 위해 본 논문에서는 IOT 환경에서 수집한 데이터셋을 사용하여 딥러닝과 트리기반 통계적 학습의 장점을 결합하여 정확성과 효율성을 향상시키는 하이브리드 방식을 제안하고자 한다. 대표적인 비지도 학습인 AutoEncoder를 기반으로 침입 행위 정보의 고수준 특징을 압축한 후 최소의 시간으로 최적의 분류를 할 수 있는 모델을 제안한다.
데이터셋의 60%를 학습용으로 사용하였으며 학습용 데이터를 SAE 모델을 이용하여 비지도 학습을 시킨다. SAE 학습의 목적은 Input data와 동일하게 Output data를 만드는것이다.
따라서 최근의 특징 추출 연구로 SAE(Sparse Autoencoder) 와 SVM(Support Vector Machine)을 결합하여 STL(Self Taught Learning) 프레임 워크에 기반한 학습법을 제안하여 특징 학습과 차원 감소에 사용하였다. 학습 및 테스트 시간을 대폭 줄이고 SVM의 예측 정확도를 효과적으로 향상시켰다[18].
본 논문에서 제안하는 SAE를 이용한 침입탐지시스템은 Fig. 4와 같으며 크게 특징 추출과 분류 부분으로 나누어진다. 데이터셋은 IOT 환경에서 수집된 데이터셋을 사용하였으며 특징 추출은 AE 중 SAE 모델을 기반으로 특징을 추출하였다.
본 논문에서는 제안한 방법은 IOT 환경에서 수집된 Danmini Doorbell 데이터셋을 기반으로 특징 학습 및 차원 감소를 위해 SAE를 사용하였으며 분류를 위하여 softmax대신 Random Forest로 분류하였다. 제안된 방법의 실험 결과는 특징 추출을 하지 않고 분류한 기존의 머신러닝 알고리즘 보다 성능이 향상되었다는 것을 보여 주었다.
2와 같이 가운데 HiddenLayer(코딩층)을 기준으로 대칭인 구조를 가진다. 본 연구에서는 Encoding 부분만 사용하여 특징을 압축한다.
실험 방법은 IOT 환경에서의 침입탐지 외에 기존 네트워크 환경에서도 제안한 모델이 적용되는지 확인하기 위하여 최신의 공격이 포함된 CICIDS 2017 데이터셋을 사용하여 성능을 평가하고 비교한다.
실험 성능 평가는 Accuracy(정확도), Precision(정밀도), Recall(재현율), F1-score를 측정하였다. 성능 측정의 방법은 Equation (3), (4), (5), (6)과 같다.
이 실험도 특징 추출에 따른 성능 평가와 같이 제안 방식과 Single RF의 성능을 비교하였다.
실험은 네트워크 구조에 따른 성능 중 가장 우수한 [100, 75, 50] 네트워크를 사용하여 특징을 저차원으로 압축하였다. 특징 추출 없이 분류하는 Single-RF 모델과 기본 AE로 특징 추출 후 분류하는 AE-RF 모델, 그리고 본 논문에서 제안하는 여러 네트워크를 거쳐 고차원에서 저차원으로 추출한후 분류하는 SAE-RF 모델의 성능을 비교하였다. Table 4는 Single RF, AE-RF, 제안방식인 SAE-RF 모델을 Multiclass로 분류한 학습시간과 분류 시간을 비교한 것이다.

대상 데이터

CICIDS2017 데이터셋[25]으로 실험하였으며 이 데이터셋은 최신의 공격을 반영하였고 희소 클래스도 존재하므로 성능을 측정하기에 적합하다.
이 데이터셋은 115개의 특징을 가지고 있으며 정상데이터와 10개의 공격 클래스로 구성되어 있다. 공격 클래스는 가장 잘 알려진 IOT 봇넷인 Gafgyt와 Mirai 악성코드로 구성되어 있다.
4와 같으며 크게 특징 추출과 분류 부분으로 나누어진다. 데이터셋은 IOT 환경에서 수집된 데이터셋을 사용하였으며 특징 추출은 AE 중 SAE 모델을 기반으로 특징을 추출하였다. 분류 알고리즘은 다수의 결정 트리들을 학습하고 다중 클래스 알고리즘 특성을 가지고 있는 Random Forest를 사용하였다.
본 논문에서 제안한 방법을 실험하기 위한 데이터셋으로 IOT 환경에서 수집한 데이터셋인 Danmini Doorbell[15]을 사용하였다.
이때 error function을 최소화 하기 위하여 여러 하이퍼파라미터를 설정한다. 실험에 사용한 하이퍼파라미터로 Batch size는 500, learning rate는 0.001, Epoch은 10회로 설정한다. 학습된 SAE를 이용하여 학습용 데이터와 테스트용 데이터의 특징을 저차원으로 압축 후 재구성 시 Batch size는 10000으로 한다.
실험은 네트워크 구조에 따른 성능 중 가장 우수한 [100, 75, 50] 네트워크를 사용하여 특징을 저차원으로 압축하였다. 특징 추출 없이 분류하는 Single-RF 모델과 기본 AE로 특징 추출 후 분류하는 AE-RF 모델, 그리고 본 논문에서 제안하는 여러 네트워크를 거쳐 고차원에서 저차원으로 추출한후 분류하는 SAE-RF 모델의 성능을 비교하였다.

데이터처리

비교 알고리즘으로 Decision Tree, Gaussian Naive Bayes[23], Linear SVM[24] 알고리즘으로 분류한 성능과 본 논문에서 제안한 방법을 비교한다.

이론/모형

머신러닝 프레임워크 중 가장 많이 사용하는 Tensorflow와 scikit-learn을 사용하여 실험 시뮬레이션을 수행하였으며 Python을 프로그래밍 언어를 사용하였다.
본 논문에서는 결과를 측정하기 위하여 Confusion matrix에 기반한 메트릭을 사용한다. Confusion matrix의 정의는 Table 2와 같다.
본 논문에서는 추출한 저차원의 특징을 기반으로 분류를 하기 위한 알고리즘으로 머신러닝의 대표적인 알고리즘인 Random Forest(RF)[22]를 사용하였다. 머신러닝에서 여러 개의 모델을 학습시켜 그 모델들의 예측결과들을 이용해 하나의 모델보다 더 나은 값을 예측하는 방법을 앙상블 학습이라 하며 대표적인 예가 RF이다.
데이터셋은 IOT 환경에서 수집된 데이터셋을 사용하였으며 특징 추출은 AE 중 SAE 모델을 기반으로 특징을 추출하였다. 분류 알고리즘은 다수의 결정 트리들을 학습하고 다중 클래스 알고리즘 특성을 가지고 있는 Random Forest를 사용하였다.
DBN은 Layer와 뉴런의 수가 많아질수록 지속적으로 작은 값들이 Update 되는 과정에서 Weight의 오차가 점점 줄어드는 Vanishing Gradient[20] 문제와 Overfitting[21]의 문제가 발생한다. 이 방법을 해결하기 위하여 SAE는 GreedyLayer-Wise Training[19] 방법으로 학습을 시킨다.
f_θ와 g_θ′는 Hidden Layer 뉴런과 OutputLayer뉴런의 활성 함수이다. 이 연구에서는 Relu 함수를 사용하였다. Relu 함수는 f(x) = max(0,x)로 표현할 수 있으며 x>0이면 기울기가 1인 직선이고, x<0이면 출력값은 항상 0이 된다.

성능/효과

IOT 공인데이터셋을 사용한 연구로 사물의 인터넷 보안 모니터링을 위해 개발된 “detection_of_IoT_botnet_attacks_ N_ BaIoT”[13] 데이터셋을 이용하여 5가지 머신러닝 알고 리즘으로 분류 성능을 측정하였으며 실험결과 공격 탐지의 정확도가 높게 나타났다[14].
IOT 환경의 데이터셋을 사용하여 본 논문에서 제안한 모델로 실험하였을 때 성능이 향성된 것을 확인하였다. 따라서 기존 네트워크의 침입탐지에도 효과적인지 실험하였다.
Table 4는 Single RF, AE-RF, 제안방식인 SAE-RF 모델을 Multiclass로 분류한 학습시간과 분류 시간을 비교한 것이다. Table 3에서와 같이 SAE로 특징을 학습하고 압축하는 시간이 35.9초로 측정되었기 때문에 학습 시간과 분류시간에 SAE 학습과 압축 시간을 합치더라도 Single-RF, AE-RF 모델 보다 본 논문에서 제안한 SAE-RF 모델이 빠르다는 것을 확인할 수 있다.
기존의 NIDS는 데이터의 모든 특징을 사용하거나 중요한 특징을 선택하여 분류에 사용하였다. 그러나 본 논문에서 제안한 AutoEncoder는 데이터가 가지고 있는 모든 특징을 고차원에서 저차원으로 압축하므로 분류 성능을 향상시키고 학습 및 분류시간을 줄일 수 있다.
기존 네트워크 환경의 데이터에서 희소 클래스로 인하여 성능이 상대적으로 낮게 나온 것을 확인할 수 있었다. 따라서 향후 희소 클래스 문제를 해결하기 위한 연구를 통해 성능을 높여나갈 예정이다.
실험결과 Accuracy, Precision, Recall, F1-Score 모두 세 가지의 모델 중 제안방식의 성능이 가장 높다는 것을 확인할 수 있다. 따라서 여러 개의 네트워크를 거쳐 고차원의 특징을 저차원으로 압축한 SAE-RF 모델의 속도와 성능이 모두 우수하다는 것을 확인할 수 있다..
또한 기존의 네트워크 환경에서도 제안한 방법을 적용한 결과 특징 추출을 하지 않고 분류한 방법보다 성능이 우수하다는 것을 확인하였다.
제안된 방법의 실험 결과는 특징 추출을 하지 않고 분류한 기존의 머신러닝 알고리즘 보다 성능이 향상되었다는 것을 보여 주었다. 또한 특징 추출 시 모든 특징을 압축하여 저차원으로 감소시키기 때문에 99% 이상의 정확도와 학습 및 분류 시간 또한 향상되었음을 확인하였다.
머신러닝의 특성 상 특징이 많을수록 성능이 우수하지만 본 논문에서 제안한 방식은 특징의 수를 줄이지 않고 고차원을 저차원으로 압축하였기 때문에 기존의 머신러닝 보다 탐지의 속도는 빨라지고 성능은 높아진 것을 확인할 수 있다.
5는 Single RF와 AE-RF, 제안방식인 SAE-RF를 multiclass로 분류한 성능을 보여준다. 실험 결과 Single-RF와 AE-RF의 성능은 거의 차이가 없었다. 따라서 하나의 Hidden Layer 로 구성된 AE는 특징 추출을 통한 성능 향상이 어렵다는 결과를 보여 주었다.
실험 결과는 Fig. 7과 같이 Accuracy는 거의 차이가 없으며 Precision와 Recall, F1-Score의 성능은 제안방식이 더높게 나타났다. 따라서 기존 네트워크 환경에서도 본 논문에서 제안한 방법이 침입탐지 성능 향상에 적용할 수 있을 것이라 기대한다.
따라서 하나의 Hidden Layer 로 구성된 AE는 특징 추출을 통한 성능 향상이 어렵다는 결과를 보여 주었다. 실험결과 Accuracy, Precision, Recall, F1-Score 모두 세 가지의 모델 중 제안방식의 성능이 가장 높다는 것을 확인할 수 있다. 따라서 여러 개의 네트워크를 거쳐 고차원의 특징을 저차원으로 압축한 SAE-RF 모델의 속도와 성능이 모두 우수하다는 것을 확인할 수 있다.
실험결과 네트워크가 깊을수록 학습시간은 길어지고 압축시간은 줄어든다는 것을 볼 수 있다. 그리고 네트워크가 깊을수록 성능이 높아지는 것은 아니며 적당한 뉴런의 수에 따라 최적의 특징을 압축한다는 것을 보여준다.
실험결과는 Fig. 6과 같이 다른 알고리즘과 비교하였을 때 본 논문에서 제안한 방법의 성능이 가장 높게 나타났다.
본 논문에서는 제안한 방법은 IOT 환경에서 수집된 Danmini Doorbell 데이터셋을 기반으로 특징 학습 및 차원 감소를 위해 SAE를 사용하였으며 분류를 위하여 softmax대신 Random Forest로 분류하였다. 제안된 방법의 실험 결과는 특징 추출을 하지 않고 분류한 기존의 머신러닝 알고리즘 보다 성능이 향상되었다는 것을 보여 주었다. 또한 특징 추출 시 모든 특징을 압축하여 저차원으로 감소시키기 때문에 99% 이상의 정확도와 학습 및 분류 시간 또한 향상되었음을 확인하였다.

후속연구

7과 같이 Accuracy는 거의 차이가 없으며 Precision와 Recall, F1-Score의 성능은 제안방식이 더높게 나타났다. 따라서 기존 네트워크 환경에서도 본 논문에서 제안한 방법이 침입탐지 성능 향상에 적용할 수 있을 것이라 기대한다.
기존 네트워크 환경의 데이터에서 희소 클래스로 인하여 성능이 상대적으로 낮게 나온 것을 확인할 수 있었다. 따라서 향후 희소 클래스 문제를 해결하기 위한 연구를 통해 성능을 높여나갈 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	침입탐지 시스템은 어떻게 분류되는가?	침입탐지 시스템은 탐지 방식에 따라 오용탐지 방식과 비정상행위 탐지 방식으로 나눌 수 있다. 오용탐지 방식은 이미 알려져 있는 공격 행위로부터 특정 시그니처를 추출하고, 분석 대상에 그런 시그니처가 존재하는 경우 침입이라고 판단하는 방식이며, 비정상 탐지 방식은 정상적이고 평균적인 상태를 기준으로 하여, 이에 상대적으로 급격한 변화를 일으키거나 확률이 낮은 일이 발생하면 침입으로 규정하는 방식이다[3].
	네트워크 침입 탐지 시스템이란?	네트워크 침입 탐지 시스템(Network Intrusion Detection System:NIDS)은 네트워크 트래픽을 모니터링 하여 악의적인 활동을 탐지하는 시스템이다. 보안 방어의 중요한 기술인 침입탐지는 네트워크 보안의 핵심 기술이 되었다.
	SAE가 GreedyLayer-Wise Training 방법으로 학슴함으로써 해결하려는 문제는 무엇인가?	DBN은 Layer와 뉴런의 수가 많아질수록 지속적으로 작은 값들이 Update 되는 과정에서 Weight의 오차가 점점 줄어드는 Vanishing Gradient[20] 문제와 Overfitting[21]의 문제가 발생한다. 이 방법을 해결하기 위하여 SAE는 GreedyLayer-Wise Training[19] 방법으로 학습을 시킨다.

참고문헌 (25)

I. Alrashdi, A. Alqazzaz, E. Aloufi, R. Alharthi, M. Zohdy and H. Ming, "AD-IoT: Anomaly Detection of IoT Cyberattacks in Smart City Using Machine Learning," 2019 IEEE 9th Annual Computing and Communication Workshop and Conference (CCWC), pp.305-310, 2019.
Yu Su, Kaiyue Qi, Chong Di, Yinghua Ma, and Shenghong Li, "Learning Automata based Feature Selection for Network Traffic Intrusion Detection," 2018 IEEE Third International Conference on Data Science in Cyberspace, pp.622-627, 2018.
Marzieh Bitaab and Sattar Hashemi, "Hybrid Intrusion Detection: Combining Decision Tree and Gaussian Mixture Model," 2017 14th International ISC (Iranian Society of Cryptology) Conference on Information Security and Cryptology (ISCISC), pp.8-12, 2017.
Saeid Soheily-Khah, Pierre-Francois Marteau and Nicolas Bechet, "Intrusion Detection in Network Systems Through Hybrid Supervised and Unsupervised Machine Learning Process: A Case Study on the ISCX Dataset," International Conference on Data Intelligence and Security, pp.219-226, 2018.
Xiaoming Ye, Xingshu Chen, Dunhu Liu, Wenxian Wang, Li Yang, Gang Liang and Guolin Shao, "Efficient Feature Extraction using Apache Spark for Network Behavior Anomaly Detection," Tsinghua Science and Technology, Vol.23, No.5, pp.561-573, 2018.

상세보기
Ahmad I., Basheri M., Iqbal MJ. and Rahim A., "Performance Comparison of Support Vector Machine, Random Forest, and Extreme Learning Machine for Intrusion Detection," IEEE Access, Vol.6, pp.33789-33795, 2018.

상세보기
K. Park, Y. Song and Y. Cheong, "Classification of Attack Types for Intrusion Detection Systems Using a Machine Learning Algorithm," Proc. of 2018 IEEE Fourth International Conference on Big Data Computing Service and Applications (BigDataService), pp.282-286, 2018.
INGHAO YAN and GUODONG HAN, "Effective Feature Extraction via Stacked Sparse Autoencoder to Improve Intrusion Detection System," IEEE Access, Vol.6, pp.41238- 41248, 2018.

상세보기
Mehdi Mohammadi, Ala Al-Fuqaha, Mohsen Guizani and Jun-Seok Oh, "Semisupervised Deep Reinforcement Learning in Support of IoT and Smart City Services," IEEE Internet of Things Journal, Vol.5, No.2, pp.624-635, 2018.

상세보기
Monika Roopak, Gui Yun Tian and Jonathon Chambers, "Deep Learning Models for Cyber Security in IoT Networks," 2019 IEEE 9th Annual Computing and Communication Workshop and Conference (CCWC), pp.452-457, 2019.
Imtiaz Ullah and Qusay H. Mahmoud, "A Two-Level Hybrid Model for Anomalous Activity Detection in IoT Networks," 2019 16th IEEE Annual Consumer Communications & Networking Conference (CCNC), pp.1-6, 2019.
Machine Learning Repository [Internet], https://archive.ics.uci.edu/ml/datasets/detection_of_IoT_botnet _attacks_N_BaIoT
Igor Kotenko, Igor Sanko and Alexander Branitskiy, "Framework for Mobile Internet of Things Security Monitoring Based on Big Data Processing and Machine Learning," IEEE ACCESS, Vol.6, pp.72714-72723, 2018.

상세보기
H. Chae and S. H. Choi, "Feature Selection for efficient Intrusion Detection using Attribute Ratio," International Journal of Computers and Communications, Vol.8, pp. 134-139, 2014.
R. Datti and S. Lakhina, "Performance Comparison of Features Reduction Techniques for Intrusion Detection System," International Journal of Computer Science And Technology, Vol.3, No.1, pp.332-335, 2012.
Al-Qatf MAjjed, Lasheng Yu, Al-Habib Mohammed, and Al-Sabahi Kamal, "Deep Learning Approach Combining Sparse Autoencoder With SVM for Network Intrusion Detection," IEEE Access, Vol.6, pp.52843-52856, 2018.

상세보기
Zhaomin Chen, Chai Kiat Yeo, Bu Sung Lee and Chiew Tong Lau, "Autoencoder-based Network Anomaly Detection," 2018 Wireless Telecommunications Symposium (WTS), pp.1-5, 2018.
S. Squartini, A. Hussain and F. Piazza, "Preprocessing Based Solution for the Vanishing Gradient Problem in Recurrent Neural Networks," Proceedings of the 2003 International Symposium on Circuits and Systems, 2003. ISCAS '03. pp.713-716, 2003.
Tie Luo and Sai G. Nagarajan, "Distributed Anomaly Detection using Autoencoder Neural Networks in WSN for IoT," 2018 IEEE International Conference on Communications (ICC), pp.1-6, 2018
Imanol Bilbao and Javier Bilbao, "Overfitting Problem and the Over-training in the Era of Data: Particularly for Artificial Neural Networks," 2017 Eighth International Conference on Intelligent Computing and Information Systems (ICICIS), pp.173-177, 2017.
Telmo Amaral, Luis M. Silva, Luis A. Alexandre, Chetak Kandaswamy, Jorge M. Santos and Chetak Kandaswamy, "Using Different Cost Functions to Train Stacked Auto-Encoders," 2013 12th Mexican International Conference on Artificial Intelligence, pp.114-120, 2013.
J. Zhang and M. Zulkernine, "A Hybrid Network Intrusion Detection Technique using Random Forests," First International Conference on Availability, Reliability and Security (ARES'06), pp.262-269, 2006.
Marcin Mizianty, Lukasz Kurgan and Marek Ogiela, "Comparative Analysis of the Impact of Discretization on the Classification with Naive Bayes and Semi-Naive Bayes Classifiers," 2008 Seventh International Conference on Machine Learning and Applications, pp.823-828, 2008.
Jianxin Wu and Hao Yang, "Linear Regression-Based Efficient SVM Learning for Large-Scale Classification," IEEE Transactions on Neural Networks and Learning Systems, Vol.26, No.10, pp.2357-2369, 2015.

상세보기
Iman Sharafaldin, Arash Habibi Lashkari and Ali A. Ghorbani, "Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization," 4th International Conference on Information Systems Security and Privacy (ICISSP 2018), pp.108-116, 2018.

저자의 다른 논문 :

LOADING...

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