[논문]빅데이터 처리 기반의 범죄 예방 스마트 시스템에 관한 연구

김원

doi:10.15207/jkcs.2020.11.11.075

빅데이터 처리 기반의 범죄 예방 스마트 시스템에 관한 연구
A Study on the Crime Prevention Smart System Based on Big Data Processing 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.11, 2020년, pp.75 - 80

초록
AI-Helper

4차산업혁명 이후, 빅 데이터 분석, 로봇공학, 사물인터넷, 인공지능 등의 핵심 기술들이 여러 분야에서 활용되고 있다. 일반적으로 빅 데이터 기술은 방대한 데이터를 모으고, 분석하고 처리하며, 공급하는 단계를 갖는 것으로 이해되고 있다. 유용한 방대한 데이터 중에 하나인 범죄 기록은 현재까지는 범죄가 일어난 후 수사 정보를 획득하는데 이용이 되고 있다. 방대한 범죄 기록을 빅 데이터 처리하여 범죄를 예측하는 데 사용할 경우 범죄의 발생 빈도를 줄일 수 있을 것으로 판단된다. 본 논문에서는 범죄 기록을 빅 데이터 처리하여 범죄 발생 확률을 스마트 기기 사용자에게 제공하는 스마트 시스템을 제안한다. 구체적으로 기기상의 전자지도에 범죄 발생 확률을 나타내어 안전한 이동 경로를 안내하는 시스템을 의미한다. 소규모 지역을 다루는 스마트 앱으로 실험한 결과 범죄 예방에 있어서 활용성이 비교적 좋은 것으로 판단된다.

Abstract ▼ AI-Helper

Since the Fourth Industrial Revolution, important technologies such as big data analysis, robotics, Internet of Things, and the artificial intelligence have been used in various fields. Generally speaking it is understood that the big-data technology consists of gathering stage for enormous data, analyzing and processing stage and distributing stage. Until now crime records which is one of useful big-sized data are utilized to obtain investigation information after occurring crimes. If crime records are utilized to predict crimes it is believed that crime occurring frequency can be lowered by processing big-sized crime records in big-data framework. In this research the design is proposed that the smart system can provide the users of smart devices crime occurrence probability by processing crime records in big-data analysis. Specifically it is meant that the proposed system will guide safer routes by displaying crime occurrence probabilities on the digital map in a smart device. In the experiment result for a smart application dealing with small local area it is showed that its usefulness is quite good in crime prevention.

주제어

표/그림 (8)

그림 Fig. 1. Concept of big data processing for crime prevention
그림 Fig. 2. Overall configuration for the proposed system
그림 Fig. 3. System design of the proposed system
그림 Fig. 4. Application software structure design of the proposed system
표 Table 1. Design requirements for the proposed system
표 Table 2. Configuration of Crime Data Set
그림 Fig. 5. Design result of user interface
표 Table 3. Survey Results

AI 본문요약
AI-Helper

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

문제 정의

범죄 기록을 모아 데이터베이스로 구축하여 빅데이터 분석 처리를 하고, 현재의 시간정보, 위치정보, 연령, 성별 등 소프트웨어 사용자의 필수정보와 결합하면 스마트 기기상의 전자 지도에서 현 위치에 대한 범죄 확률을 산출하여 사용자에게 제공할 수가 있다. 빅데이터 분석 기술과 범죄 데이터베이스를 결합하고 이를 스마트 기기의 앱을 통해 사용자에게 현재 위치의 범죄 확률을 제공함으로써, 높은 범죄가 발생한 위치를 우회하여 다닐 수 있게 하는 방법으로 범죄 발생 빈도를 낮추려는 의도가 이 연구의 주된 동기이다.

제안 방법

기계학습 알고리즘 중 하나인 의사결정나무모형을 선정하여 예측 모델을 구축 하였으며, 이를 기반으로 주요 5대 범죄를 대상으로 시나리오를 작성하여 범죄 발생 위험지역을 예측하는 빅데이터 분석 기법을 적용하였다. 빅데이터 분석에는 AppEngine, Hadoop 등의 엔진을 사용 하였으며, 관계형 데이터베이스는 Cloud SQL이나 Azure를 활용하였고, 안드로이드 운영체제는 최소한 Android 10.
3과 같이 나타낼 수가 있다. 단말기를 통해 범죄 기록을 적절하게 가공하고, 이를 편집하여 지난 수 년 간의 방대한 범죄 데이터베이스를 구축한다. 여기까지가 데이터를 모으는 단계(Gathering stage)이다.
범죄종류 필드의 5대 범죄는 살인, 강도, 성범죄, 절도, 폭력을 의미한다. 범죄 발생 지역은 지도상에 시각적 표현이 가능하도록 전체주소에 시군구와 읍면동 등으로 구분하여 데이터 셋을 구성하였으며, 범죄 발생 지역의 담당 경찰서와 지구대 정보를 포함하였다.
그러나 범죄 분야에서 범죄 데이터를 수사에 이용하는 것도 의미가 있으나, 범죄 예측을 하여 그 발생빈도를 저감시키는 것이 사회 안전에 의미가 더 크다고 할 수 있으며, 이를 위해 빅 데이터 분석 기술과 데이터 마이닝을 결합하여 범죄 동향을 필요한 조건에 따라 예측하려는 연구가 진행되었다[14,15]. 본 논문에서는 과거의 범죄 기록을 대상으로 데이터베이스를 구축하고, 빅데이터 분석 처리를 기반으로 국민들의 시간 정보, 위치정보, 연령, 성별과 같은 필수 정보를 결합하여 현재 위치에서 범죄 위험도를 스마트 기기를 통하여 고지할 수 있는 범죄 예방 스마트 시스템을 제안한다.
현대인이 누구나 가지고 있는 스마트 기기의 전자지도 위에 표현하여 사용자의 안전을 적극적으로 도모할 수 있다. 본 논문은 빅데이터 처리 기법을 응용한 범죄 예방 스마트 시스템을 설계하였고, 구체적으로는 소프트웨어 구조 설계와 설계 요구사항 등을 도출하였다. 소규모 지역에 대한 스마트앱 실험을 통해 연구의 효용성을 확인하였다.
기계학습 알고리즘 중 하나인 의사결정나무모형을 선정하여 예측 모델을 구축 하였으며, 이를 기반으로 주요 5대 범죄를 대상으로 시나리오를 작성하여 범죄 발생 위험지역을 예측하는 빅데이터 분석 기법을 적용하였다. 빅데이터 분석에는 AppEngine, Hadoop 등의 엔진을 사용 하였으며, 관계형 데이터베이스는 Cloud SQL이나 Azure를 활용하였고, 안드로이드 운영체제는 최소한 Android 10.0 이상 수준인 것으로 고려하여 설계하였다.
실험을 위해 제안된 시스템의 설계 내용을 고려하여 스마트 앱을 구현하였으며, DJ시 D구의 특정한 동에 대해 3년간의 가상 범죄 데이터를 구축하고, 이를 처리하여 범죄 발생 확률 정보를 구성하였다. 가상데이터는 다음의 Table 2와 같이 관할정보 필드, 발생시각 필드, 위치정보 필드, 범죄종류 필드 등으로 범죄의 종류와 상태를 파악할 수 있도록 구성되어 있다.
여기까지가 데이터를 모으는 단계(Gathering stage)이다. 이 범죄 정보(Crime data)를 빅데이터 분석 기법으로 처리하여 범죄에 대한 발생 확률 정보를 정리한다(Analyzing and processing stages). 스마트 기기의 앱을 이용하여 사용자의 현재 위치, 연령, 성별 정보 등을 담아 빅데이터 처리 서버에 접속하면 현재 서버에 접속하면 현재 위치를 기반으로 범죄 발생 빈도가 높은 지점들을 네트워크로 받아 전자지도 위에 표시가 가능하다(Distributing stage).
제안 시스템을 30일간 사용하게 하여, 설문 조사 대상자들의 만족도를 평가하였다. 설문 대상자들의 연령은 10대에서 60대까지 스마트 기기를 사용하고 있는 사용자를 대상으로 하였다.
2는 제안 시스템의 전체적인 구성도로서, 빅 데이터 기술 구성요소와 스마트 기기와의 연결성을 고려하여 설계한 것이다. 지난 수 년 간의 범죄 기록을 확보하여 이를 데이터베이스로 구축하고, 분석 및 처리하여 확률적 데이터로 변환한다. 확률적 데이터의 단순한 모음은 활용의 측면에서 무의미하기 때문에 사용자 현재 위치와 같은 적절한 정보와 연관하여 범죄 발생 확률을 계산하여 스마트 시스템에 공급하는 개념이 전반적인 데이터 흐름이다.
4는 제안 시스템의 앱 소프트웨어 구조이다. 커널 수준, 라이브러리 수준, 프레임 워크 수준, 어플리케이션 수준 등 크게 4가지 수준(Level)로 나누어 앱을 설계하였다. 커널 수준의 와이파이 드라이버(Wi-fi driver)는 빅 데이터 처리 서버와 네트워크로 연결되는 지점으로, 이를 통해 사용자 정보가 요구 패킷(Request packet)에 담겨 빅 데이터 처리 서버로 전송되고, 처리 결과로서 범죄 확률 정보가 수신된다.

대상 데이터

제안 시스템을 30일간 사용하게 하여, 설문 조사 대상자들의 만족도를 평가하였다. 설문 대상자들의 연령은 10대에서 60대까지 스마트 기기를 사용하고 있는 사용자를 대상으로 하였다. 평가 결과를 분석한 결과 ‘좋다’ 이상의 의견이 88.
제안 시스템인 범죄 예방 스마트 앱 시스템의 평가를 위하여 시스템 개발자, 경찰 관계자, 일반 사용자 50명을 대상으로 설문조사를 실시하였다. 다음의 Table 3은 설문 조사결과를 분석하여 정리한 것이다.

성능/효과

본 논문은 빅데이터 처리 기법을 응용한 범죄 예방 스마트 시스템을 설계하였고, 구체적으로는 소프트웨어 구조 설계와 설계 요구사항 등을 도출하였다. 소규모 지역에 대한 스마트앱 실험을 통해 연구의 효용성을 확인하였다. 향후 범죄 기록에 대한 다양한 정보 획득과, 위치 정보 및 사생활 보호에 관한 연구가 계속되어야 할 것이다.
평가 결과를 분석한 결과 ‘좋다’ 이상의 의견이 88.66%로 제안 시스템에 대한 사용자 만족은 전반적으로 높게 평가되었으며, 앱을 처음 사용하는 경우 익숙해지는데 시간이 필요하다는 의견과 범죄 통계 및 분석에 대한 기능 추가에 대한 의견이 도출되었다.

후속연구

소규모 지역에 대한 스마트앱 실험을 통해 연구의 효용성을 확인하였다. 향후 범죄 기록에 대한 다양한 정보 획득과, 위치 정보 및 사생활 보호에 관한 연구가 계속되어야 할 것이다.

참고문헌 (15)

J. Kim, J. Go & K. Lee. (2015). A Scheme of Social Engineering Attacks and Countermeasures Using Big Data based Conversion Voice Phishing. Journal of the Korea Convergence Society, 6(1), 85-91. DOI : 10.15207/JKCS.2015.6.1.085

원문보기 상세보기
J. Kang, J. Lee & Y. You. (2017). A Study on Implementation of Fraud Detection System (FDS) Applying BigData Platform. Journal of the Korea Convergence Society, 8(4), 19-24. DOI : 10.15207/JKCS.2017.8.4.019

원문보기 상세보기
B. Shin & H. Jeon. (2018). A Study on Disaster Information Support using Big Data. Journal of the Korea Convergence Society, 9(8), 25-32. DOI : 10.15207/JKCS.2018.9.8.025

원문보기 상세보기
M. Chen, X. Shi, Y. Zhang, D. Wu & M. Guizani. (2017). Deep Features Learning for Medical Image Analysis with Convolutional Autoencoder Neural Network. IEEE Transactions on Big Data, 1-1. DOI : 10.1109/TBDATA.2017.2717439

상세보기
A. Liu, Y. Lu, M. Chen & Y. Su. (2017). Mitosis Detection in Phase Contrast Microscopy Image Sequences of Stem Cell Populations: A Critical Review. IEEE Transactions on Big Data, 3(4), 443-457. DOI : 10.1109/TBDATA.2017.2721438

상세보기
M. Hosseini, D. Pompili, K. Elisevich & H. Soltanian-Zadeh. (2017). Optimized Deep Learning for EEG Big Data and Seizure Prediction BCI via Internet of Things. IEEE Transactions on Big Data, 3(4), 392- 404. DOI : 10.1109/TBDATA.2017.2769670

상세보기
Y. Li, J. Zhang, Z. Ma & Y. Zhang. (2020). Clustering Analysis in the Wireless Propagation Channel with a Variational Gaussian Mixture Model. IEEE Transactions on Big Data, 6(2), 223-232. DOI : 10.1109/TBDATA.2018.2840696

상세보기
J. Huang, C. Wang, L. Bai, J. Sun, Y. Yang, J. Li, O. Tirkkonen & M. Zhou. (2020). A Big Data Enabled Channel Model for 5G Wireless Communication Systems. IEEE Transactions on Big Data, 6(2), 211 - 222. DOI : 10.1109/TBDATA.2018.2884489

상세보기
E. P. Xing, Q. Ho, W. Dai, J. K. Kim, J. Wei, S. Lee, X. Zheng, P. Xie, A. Kumar. (2015). Petuum: A New Platform for Distributed Machine Learning on Big Data, IEEE Transactions on Big Data, 1(2), 49-67. DOI : 10.1109/TBDATA.2015.2472014

상세보기
S. Jiang, J. Ferreira & M. C. Gonzalez. (2017). Activity-Based Human Mobility Patterns Inferred from Mobile Phone Data: A Case Study of Singapore. IEEE Transactions on Big Data, 3(2), 208-219. DOI: 10.1109/TBDATA.2016.2631141

상세보기
H. Lee, Y. Kim, & K. Kim. (2018). Implement of MapReduce-based Big Data Processing Scheme for Reducing Big Data Processing Delay Time and Store Data. Journal of the Korea Convergence Society, 9(10), 13 - 19. DOI : 10.15207/JKCS.2018.9.10.013

원문보기 상세보기
J. Hu. (2018). Big Data Analysis of Criminal Investigations. 2018 5th International Conference on Systems and Informatics (ICSAI). DOI : 10.1109/ICSAI.2018.8599305
S. Khan, F. Ansari, H. A. Dhalvelkar & S. Computer. (2017). Criminal investigation using Call Data Records (CDR) through Big Data technology. 2017 International Conference on Nascent Technologies in Engineering (ICNTE). DOI: 10.1109/ICNTE.2017.7947942
S. Sathyadevan, M. S. Devan, S. S. Gangadharan. (2014). Crime analysis and prediction using data mining. 2014 First International Conference on Networks & Soft Computing (ICNSC2014). DOI : 10.1109/CNSC.2014.6906719
J. H. Park, G. H. Cha, K. H. Kim, D. C. Lee, K. J. Son & J. Y. Kim. (2015). Implementation of Crime Prediction Algorithm based on Crime Influential Factors. Journal of Satellite, Information and Communications, 10(2), 40-45.

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