[논문]MITRE ATT&CK 모델을 이용한 사이버 공격 그룹 분류

최창희; 신찬호; 신성욱

doi:10.7472/jksii.2022.23.6.1

MITRE ATT&CK 모델을 이용한 사이버 공격 그룹 분류
Cyber attack group classification based on MITRE ATT&CK model 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.23 no.6, 2022년, pp.1 - 13

최창희 (Defense Cyber Technology Center, Agency for Defense Development) , 신찬호 (Defense Cyber Technology Center, Agency for Defense Development) , 신성욱 (Defense Cyber Technology Center, Agency for Defense Development)

초록
AI-Helper

정보통신 환경의 발전으로 인하여 군사 시설의 환경 또한 많은 발전이 이루어지고 있다. 이에 비례하여 사이버 위협도 증가하고 있으며, 특히 기존 시그니처 기반 사이버 방어체계로는 막는 것이 어려운 APT 공격들이 군사 시설 및 국가 기반 시설을 대상으로 빈번하게 이루어지고 있다. 적절한 대응을 위해 공격그룹을 알아내는 것은 중요한 일이지만, 안티 포렌식 등의 방법을 이용해 은밀하게 이루어지는 사이버 공격의 특성상 공격 그룹을 식별하는 것은 매우 어려운 일이다. 과거에는 공격이 탐지된 후, 수집된 다량의 증거들을 바탕으로 보안 전문가가 긴 시간 동안 고도의 분석을 수행해야 공격그룹에 대한 실마리를 겨우 잡을 수 있었다. 본 논문에서는 이러한 문제를 해결하기 위해 탐지 후 짧은 시간 내에 공격그룹을 분류해낼 수 있는 자동화 기법을 제안하였다. APT 공격의 경우 일반적인 사이버 공격 대비 공격 횟수가 적고 알려진 데이터도 많지 않으며, 시그니처 기반의 사이버 방어 기법을 우회하도록 설계가 되어있으므로, 우회가 어려운 공격 모델 기반의 탐지 기법을 기반으로 알고리즘을 개발하였다. 공격 모델로는 사이버 공격의 많은 부분을 모델링한 MITRE ATT&CK®을 사용하였다. 공격 기술의 범용성을 고려하여 영향성 점수를 설계하고 이를 바탕으로 그룹 유사도 점수를 제안하였다. 실험 결과 제안하는 방법이 Top-5 정확도 기준 72.62%의 확률로 공격 그룹을 분류함을 알 수 있었다.

Abstract ▼ AI-Helper

As the information and communication environment develops, the environment of military facilities is also development remarkably. In proportion to this, cyber threats are also increasing, and in particular, APT attacks, which are difficult to prevent with existing signature-based cyber defense systems, are frequently targeting military and national infrastructure. It is important to identify attack groups for appropriate response, but it is very difficult to identify them due to the nature of cyber attacks conducted in secret using methods such as anti-forensics. In the past, after an attack was detected, a security expert had to perform high-level analysis for a long time based on the large amount of evidence collected to get a clue about the attack group. To solve this problem, in this paper, we proposed an automation technique that can classify an attack group within a short time after detection. In case of APT attacks, compared to general cyber attacks, the number of attacks is small, there is not much known data, and it is designed to bypass signature-based cyber defense techniques. As an attack model, we used MITRE ATT&CK® which modeled many parts of cyber attacks. We design an impact score considering the versatility of the attack techniques and proposed a group similarity score based on this. Experimental results show that the proposed method classified the attack group with a 72.62% probability based on Top-5 accuracy.

주제어

표/그림 (21)

그림 (그림 1) MITRE ATT&CK 계층적 구조 (Figure 1) Hierarchical structure of MITRE ATT&CK
표 (표 1) 전술에 따른 공격 기술 개수 (Table 1) Number of attack techniques according to tactics.
표 (표 2) T1566.001의 탐지를 위한 데이터 소스 (Table 2) Data source for detecting T1566.001
표 (표 3) 공격 그룹이 사용한 공격 기술 및 소프트웨어 (Table 3) Attack techniques and software used by attack group
그림 (그림 2) 공격 그룹들이 사용하는 공격 기술 빈도 (Figure 2) Frequency of attack techniques used by attack groups
표 (표 4) 논문에서 사용한 각 공격 그룹의 공격 기술 샘플 (Table 4) A sample of attack techniques for each attack group in this paper
그림 (그림 3) 연도별 보고서 개수 (Figure 3) Number of reports by year
그림 (그림 4) 페이지 수 별 보고서 개수 (Figure 4) Number of reports by number of pages
그림 (그림 5) rcATT 동작 과정 (Figure 5) Overall process of rcATT
표 (표 5) rcATT를 이용하여 추출한 공격 기술, 전술 (Table 5) Attack techniques and tactics extracted using rcATT
그림 (그림 6) 제안하는 방법의 흐름도 (Figure 6) Overall process of the proposed method
그림 (그림 7) 각 공격 그룹의 과거 공격 기술 재사용률 (Figure 7) Reuse rate of attack techniques for each attack group
그림 (그림 8) 공격 그룹들이 사용하는 공격 기술의 개수 (Figure 8) Number of attack techniques used by attack groups
그림 (그림 9) 각 공격 그룹 별 일치율 MR(G) (Figure 9) Match rate for each attack group
그림 (그림 10) 공격 그룹당 보고서 발행 편수 (Figure 10) Number of reports for each attack group
그림 (그림 11) 각 공격 기술의 공격 그룹 등장 빈도수 (Figure 11) Number of attack group appearances for each attack technique
그림 (그림 12) freq(x)에 따른 공격 기술 영향성 점수 (Figure 12) Impact score of attack technique according to freq(x)
표 (표 6) 공격 그룹들이 자주 사용한 기술(Top-5) (Table 6) Techniques frequently used by attack groups(Top-5)
그림 (그림 13) k값에 따른 top-k 정확도 (Figure 13) Top-k accuracy according to the k
그림 (그림 14) α 값에 따른 유효 보고서 개수 및 정확도 (Figure 14) Number of valid reports and accuracy according to the α
그림 (그림 15) 각 그룹 간 유사도 (Figure 15) Similarity for each groups

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 MITRE ATT&CK에서 분석한 공격 그룹의 공격 기술을 토대로 전처리 및 영향성 점수, 그룹 유사도 점수를 제안하였다

가설 설정

본 논문에서는 국가가 지원하는 것으로 추정되는 사이버 공격 그룹의 경우에는 그들이 사용하는 공격 기술의 종류가 추후 크게 변화하지 않을 것이라 가정하고 연구를 진행하였다. 이와 같은 가정을 검증하기 위해서, 4.
MITRE ATT&CK은 그림 1과 같이 계층적으로 볼 수 있다. 본 논문에서는 그래프 기반의 EDR 시스템이 정보를 제공해준다고 가정하고 있는데, 이때 호스트에서 자료를 수집할 수 있는 소스가 필요하다. 즉 EDR시스템에서는 MITRE ATT&CK에서 정의한 데이터 소스에서 로그를 추출하고, 이를 하위 공격 기술, 공격 기술, 전술로 추상화하는 것이 가능하다.

제안 방법

MITRE ATT&CK에서 제공하는 공격 그룹이 사용했었던 공격 기술을 이용하여 학습하였고, APT 공격 분석 보고서를 데이터로 테스트하여 성능을 검증하였다.
MITRE ATT&CK에서는 공격 그룹이 사용한 공격 기술들을 분석하였다
MITRE ATT&CK이 분석한 공격 그룹의 공격 기술이 4.2장에서 언급한 분석 보고서들의 공격 기술에 포함되어 있는지 확인하기 위해서 수식 1과 같이 그룹 G에 대해서 일치율 MR(G)를 정의하였다
0 기준 127개의 공격 그룹이 사용한 공격 기술을 분석하였는데, 본 논문에서는 이것을 학습 데이터로 사용하였다. 각 공격 기술마다 공격 그룹에 미치는 영향을 고려하여 영향성 점수를 정의하였고, 이를 이용하여 그룹 유사도 점수를 설계하였다. 국가지원 추정 APT 공격을 분석한 보고서를 테스트 데이터로 이용한 실험을 통해 제안하는 방법이 자동화가 가능하며, 또한 우수한 성능을 보이는 것을 입증하였다.
각 그룹에 대하여, 공격 연도마다 직전 연도의 공격 기술을 재사용하였는지 분석하였다. 또한 이전 모든 연도에 사용되었던 공격 기술을 재사용하였는지도 조사하였다.
공격 그룹이 사용하는 공격 기술의 종류가 연도 별로 크게 변화하지 않음을 검증하기 위해, 우선 각 사이버 공격 그룹이 과거에 사용하였던 공격 기술을 재사용하였는지 분석하였다. 신뢰도를 위해 최소 3개의 공격 기술 및 3개 이상의 분석 보고서가 발행된 데이터 총 315개에 대하여 분석하였다.
즉 EDR시스템에서는 MITRE ATT&CK에서 정의한 데이터 소스에서 로그를 추출하고, 이를 하위 공격 기술, 공격 기술, 전술로 추상화하는 것이 가능하다. 과거에는 데이터 소스 레벨에서 시그니처를 추출하고 사이버 공격 그룹을 식별 또는 분류하는 데 사용했었지만, 본 논문에서는 이보다 2단계 추상화된 레벨인 공격 기술을 이용하여 공격 그룹을 식별하였다.
또한 검색해본 바로 공개된 데이터 중에서는 가장 조사된 그룹 수가 많았다. 따라서 본 논문에서는 이 데이터를 정답(ground-truth)으로 간주하고 공격 기술 영향성 점수 및 그룹 유사도 점수를 산출할 때 이용하였다. 표 4는 본 논문에서 사용한 데이터의 샘플을 나타낸 것이다.
본 논문에서는 과거 기술들의 단점을 보완하기 위해 MITRE ATT&CK 기반으로 공격 기술에 영향성 점수를 부여하고, 이를 바탕으로 공격 그룹 유사도 점수를 설계하였다

대상 데이터

MITRE ATT&CK에서는 v10.0 기준 127개의 공격 그룹이 사용한 공격 기술을 분석하였는데, 본 논문에서는 이것을 학습 데이터로 사용하였다
83편의 보고서가 발행되었다. 가장 많은 수의 보고서가 발행된 공격 그룹은 Lazarus Group이며, 총 22편이 발행되었다.
가장 많이 사용되는 공격 기술은 “T1204.002: User Execution-Malicious File”로 67개의 그룹에서 사용하였다
MITRE ATT&CK에서는 사이버 공격 그룹에 대한 설명, 사용하였던 공격 기술, 사용한 소프트웨어 등을 조사하여 공개하고 있다. 버전 10 기준으로 총 127개의 그룹이 조사되었으며, 등장하는 공격 기술의 종류는 351개, 총 개수는 2,743개이다. 그룹당 평균적으로 기술된 공격 기술의 개수는 21.
공격 그룹이 사용하는 공격 기술의 종류가 연도 별로 크게 변화하지 않음을 검증하기 위해, 우선 각 사이버 공격 그룹이 과거에 사용하였던 공격 기술을 재사용하였는지 분석하였다. 신뢰도를 위해 최소 3개의 공격 기술 및 3개 이상의 분석 보고서가 발행된 데이터 총 315개에 대하여 분석하였다.
우리가 실험을 수행한 환경은 인텔 i9-7900X, 128GB, 엔비디아 GeForce RTX 3090, 윈도우 10이며, 개발 언어는 python 3.8을 이용하였다.
이러한 분석 보고서를 제외하기 위해 공격 기술이 10개 초과 라벨링 된 경우만 고려하였다. 최종적으로 분류에 유효한 공격 그룹 총 46개, 공격 분석 보고서를 222편 식별하였다. 그림 10은 최종적으로 분석 및 선별을 마친 후 각 그룹에 대해 발행된 보고서의 편수를 나타낸 것이다.

이론/모형

본 논문에서는 rcATT를 이용하여 공격 기술을 라벨링하고 있어, 하위 공격 기술 대신에 공격 기술을 사용하였다. 예를 들면 “T1548.

성능/효과

각 공격 기술마다 공격 그룹에 미치는 영향을 고려하여 영향성 점수를 정의하였고, 이를 이용하여 그룹 유사도 점수를 설계하였다. 국가지원 추정 APT 공격을 분석한 보고서를 테스트 데이터로 이용한 실험을 통해 제안하는 방법이 자동화가 가능하며, 또한 우수한 성능을 보이는 것을 입증하였다. 이후 논문의 구성은 다음과 같다.
그룹당 평균적으로 기술된 공격 기술의 개수는 21.60개이고 사용한 공격 기술이 가장 많이 기록된 그룹은 “APT29”로 83개의 공격 기술을 사용하는 것으로 조사되었다.
보고서의 공격 기술이 72.1%의 높은 확률로 MITRE ATT&CK Group의 공격 기술에 포함되기는 하지만, 이 사실이 공격 그룹 분류 성능을 보장하지는 않는다
실험 결과 α값이 20 이상이면 대부분의 보고서가 유효하여 그룹 분류가 가능하였다
본 논문에서는 MITRE ATT&CK에서 분석한 공격 그룹의 공격 기술을 토대로 전처리 및 영향성 점수, 그룹 유사도 점수를 제안하였다. 실험 결과 46개의 공격 그룹에 대해 top-5 기준 72.62%의 높은 정확도로 분류할 수 있음을 알 수 있었다.
모든 문서가 사이버 공격 캠페인을 묘사한 것은 아니며, 그룹이나, 국가, 악성코드 등 다양한 주제로 작성한 보고서가 수집되고 있다. 정확하게 일치하는 것은 아니지만 페이지 수가 적으면 블로그 글이나 단편적인 공격 기술에 대한 설명일 확률이 높고, 페이지 수가 많으면 본 논문에서 테스트에 이용할 수 있는 사이버 공격 캠페인에 대한 것일 확률이 높다. 그림 4는 문서의 페이지 수 분포를 나타낸 것이다.
제안하는 그룹 유사도 점수는 값이 클수록 공격 분석 보고서의 그룹이 MITRE ATT&CK의 그룹과 유사하다는 것을 의미한다.
즉 EDR시스템에서는 MITRE ATT&CK에서 정의한 데이터 소스에서 로그를 추출하고, 이를 하위 공격 기술, 공격 기술, 전술로 추상화하는 것이 가능하다
그림 7은 이를 각 그룹에 대해서 그래프로 나타낸 것이다. 직전년도 재사용률 그룹 평균은 53.51%이고, 과거 모든 연도(2006년~2022년) 그룹 재사용률 그룹 평균은 65.49%로 분석되었다. 이 중 가장 최근인 2022년만 살펴 보면 그룹 평균은 75.

후속연구

앞으로 정확도를 높이기 위해, 소량의 데이터에 적합한 머신러닝 기법을 도입하고, 양질의 데이터를 확보하기 위해 사이버 공격 분석 보고서 외의 자료를 탐색하여 데이터를 보강하는 연구를 진행할 예정이다. 또한 보고서로부터 rcATT를 이용하여 추출한 라벨의 정확도가 본 연구의 정확도에 영향을 끼치는 만큼, 추후 라벨링 정확도를 높이기 위한 알고리즘 연구도 필요하다.
앞으로 정확도를 높이기 위해, 소량의 데이터에 적합한 머신러닝 기법을 도입하고, 양질의 데이터를 확보하기 위해 사이버 공격 분석 보고서 외의 자료를 탐색하여 데이터를 보강하는 연구를 진행할 예정이다. 또한 보고서로부터 rcATT를 이용하여 추출한 라벨의 정확도가 본 연구의 정확도에 영향을 끼치는 만큼, 추후 라벨링 정확도를 높이기 위한 알고리즘 연구도 필요하다.
향후 본 논문에서 제안하는 모델 기반 그룹 분류 방법을 회피하려고 일부러 공격 기술 방법을 달리하거나 타 공격 그룹의 공격 기술을 모사하는 APT 공격 그룹이 나타날 가능성이 크다. 이러한 문제를 해결하기 위해서 시그니처 기반 기술, 포렌식 기반 아티팩트 분석 등 단위 기술로부터 추출 가능한 정보들을 통합하여 공격 그룹을 분류하는 기술이 연구된다면 국방 측면에서 사이버 공격그룹 식별을 하는 데 큰 도움이 될 수 있을 것으로 기대된다.
향후 본 논문에서 제안하는 모델 기반 그룹 분류 방법을 회피하려고 일부러 공격 기술 방법을 달리하거나 타 공격 그룹의 공격 기술을 모사하는 APT 공격 그룹이 나타날 가능성이 크다. 이러한 문제를 해결하기 위해서 시그니처 기반 기술, 포렌식 기반 아티팩트 분석 등 단위 기술로부터 추출 가능한 정보들을 통합하여 공격 그룹을 분류하는 기술이 연구된다면 국방 측면에서 사이버 공격그룹 식별을 하는 데 큰 도움이 될 수 있을 것으로 기대된다.

참고문헌 (34)

Liu, D., Zhang, H., Yu, H., Liu, X., Zhao, Y., Lv, G., "Research and application of APT attack defense and detection technology based on big data technology", Proceedings of IEEE 9th International Conference on Electronics Information and Emergency Communication, pp. 1-4, 2019. https://doi.org/10.1109/ICEIEC.2019.8784483
Choi, C. H., Shin, C. H., Shin, S. U., Seo, S. Y., Lee, I. S., "Deep learning for estimating next action of cyber attack", Proceedings of Korea Institute of Military Science and Technology annual conference, pp. 1075-1076, 2021.
Choi, C. H., Shin, S. U., Shin, C. H., "Performance evaluation method of cyber attack behaviour forecasting based on mitigation", Proceedings of International Conference on information and communication Technology Convergence, pp. 13-15, 2021. https://doi.org/10.1109/ICTC52510.2021.9620951
Choi, C. H., Shin, C. H., Shin, S. U., "Cyber attack group classification based on TTP information", Proceedings of Internet Computing and Service spring conference, vol. 23, no. 1, pp. 7-8, 2021.
Al-Mohannadi, H., Mirza, Q., Namanya, A., Awan, I., Cullen, A., Disso, J., "Cyber-attack modeling analysis techniques:An overview", Proceedings of IEEE 4th international conference on future internet of things and cloud workshops, pp. 69-76, 2016. https://doi.org/10.1109/W-FiCloud.2016.29
Hutchins, E. M. Cloppert, M. J., and Amin, R., M. "Intelligence-driven computer network defense informed by analysis of adversary campaigns and intrusion kill chain", Journal of Leading Issues in Information Warfare & Security Research, vol. 1 no. 1, pp. 80, 2011. https://lockheedmartin.com/content/dam/lockheed-martin/rms/documents/cyber/LM-White-Paper-Intel-Driven-Defense.pdf
Kim, H., Kwon, H. J., and Kim, K. K., "Modified cyber kill chain model for multimedia service environments", Journal of Multimedia Tools and Application, vol .78 no. 3, pp. 3153-3170, 2019. https://doi.org/10.1007/s11042-018-5897-5

상세보기
MITRE ATT&CK, https://attack.mitre.org
M. Gul and E. Kugu, "A Survey on anti-forensics techniques,", Proceedings of International Artificial Intelligence and Data Processing Symposium, pp. 1-6, 2017. https://doi.org/10.1109/IDAP.2017.8090341
Kawai, M., Ota, K., and Dong, M., "Improved malgan: Avoiding malware detector by leaning cleanware features", Proceedings of IEEE International Conference on Artificial Intelligence in Information and Communication, pp. 40-45, 2019. https://doi.org/10.1109/ICAIIC.2019.8669079
Hwang, C. W., Kim, D. Y., and Lee, T. J., "Semi-supervised based unknown attack detection in EDR environment", Transactions on Internet and Information Systems. vol. 14, no. 12, pp. 4909-4926, 2020. https://doi.org/10.3837/tiis.2020.12.016

원문보기 상세보기
Milajerdi, S. M., Gjomemo, R., Eshete, B., Sekar, R., and Venkatakrishnan, V. N., "Holmes: real-time apt detection through correlation of suspicious information flows.", Proceedings of IEEE Symposium on Security and Privacy, pp. 1137-115. 2019. https://doi.org/10.1109/SP.2019.00026
Watters, P., McCombie, S., Layton, R., and Pieprzyk J., "Characterising and predicting cyber attacks using the cyber attacker model profile(CAMP)", Journal of Money Laundering Control, vol. 15, pp. 430-441, 2012. https://doi.org/10.1108/13685201211266015

상세보기
Kapetanakis, S., Filippoupolitis, A., Loukas, G., and Murayziq, T., "Profiling cyber attackers using case-based reasoning", Proceedings of 19th UK workshop on case-based reasoning, pp. 39-48, 2014. https://researchgate.net/publication/301221761_Profiling_cyber_attackers_using_Case-based_Reasoning
Stahl, A., and Roth-Berghofer, T., "Rapid prototyping of CBR Applications with the Open Source Tool my CBR", Proceedings of the 9th European Conference on Advances in Case-Based Reasoning, pp. 615-629, 2008. https://doi.org/10.1007/978-3-540-85502-6_42

상세보기
Cho, H. S., Lee, S. G., Kim, B. I., Shin, Y. S., and Lee, T. J., "The study of prediction of same attack group by comparing similarity of domain", Proceedings of International conference on information and communication technology convergence, pp. 1220-1222, 2015. https://doi.org/10.1109/ICTC.2015.7354779
Han, M. L., Han, H. Ch., Kang, A. R., Kwak, B. I., Mohaisen, A., and Kim H. K., "WHAP: Web-hacking profiling using case-based reasoning", Proceedings of IEEE Conference on Communication and Network Security pp., 344-345, 2016. https://doi.org/10.1109/CNS.2016.7860503
Kim, W. J., Park, C. W., Lee, S. J., and Lim J. S., "Methods for Classification and Attack Prediction of Attack Groups based on Framework of Cyber Defense Operations", Journal of KIISE:Computing Practices and Letters. vol. 20, no.6, pp.317-328, 2014. http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE02432562
Choi, C. H., Lee, H. S., Jung, I. H., Yoo, C. G., and Yoon, H. S., "Statistical Analysis of EML Header for Cyber Attacker Tracing", Proceedings of Korea Institute of Military Science and Technology annual conference, pp.1141-1142, 2017.
Choi, C. H., Lee, H. S., Jung, I. H., Park, J. H., and Yoon, H. S.,"E-mail Clustering for Cyber Attack Attribution", Proceedings of Korea Institute of Military Science and Technology annual conference, pp.1289-1290, 2018.
Jung, I. H., Lee, H. S, Choi, C. H., Yoo, C. G., and Yoon, H. S., "A Study for Specific information identification of attackers through document type malware analysis", Proceedings of Korea Institute of Military Science and Technology annual conference, pp.1185-1186, 2017.
Jung, I. H., Lee, H. S, Choi, C. H., and Yoon, H. S., "A Study for Creator System Information Identification Based on Document Type Malware", Proceedings of Korea Institute of Military Science and Technology annual conference, pp.1504-1505, 2018
Son, K. H., Kim, B. I., and Lee, T. J., "Cyber-attack group analysis method based on association of cyber-attack information", Transaction on Internet and Information Systems, vol. 14, no. 1, pp.260-280, 2020. https://doi.org/10.3837/tiis.2020.01.015

원문보기 상세보기
Shin, Y. S., Kim, K. M., Lee, J., Lee, K. H., "ART: Automated reclassification for threat actors based on ATT&CK matrix similarity", Proceedings of World Automation Congress, pp.15-20, 2021. https://doi.org/10.23919/WAC50355.2021.9559514
Choi, C. H., Shin, C. H., Shin, S. U., Seo, S. Y., Lee, I. S., "Cyber Attack Group Classification using Siamese LSTM", Proceedings of Korea Institute of Military Science and Technology annual conference, pp. 1425-1426, 2022.
APT & CyberCriminal Campaign Collections, https://github.com/CyberMonitor/APT_CyberCriminal_Campagin_Collections
APTNotes, https://github.com/aptnotes/data,
APT report collected blackorbird, https://github.com/blackorbird/APT_REPORT
Husari, G., Al-Shaer, E., Ahmed, M., Chu, B., and Niu, X., "TTPDrill: Automatic and accurate extraction of threat actions from unstructured text of CTI Sources", 33rd annual computer security applications conference, pp. 103-115, 2017. https://doi.org/10.1145/3134600.3134646
Threat Report ATT&CK Mapping(TRAM), https://github.com/center-for-threat-informed-defense/tram/
Legoy, V., Caselli, M., Seifert, C., and Peter, A, "Automated retrieval of ATT&CK tactics and techniques for cyber threat reports.", arXiv preprint arXiv:2004.14322, 2020. https://doi.org/10.48550/arXiv.2004.14322
Mikolov, T., Chen, K., Corrado, G., and Dean, J., "Efficient estimation of word representations in vector space", arXiv preprint arXiv:1301.3781, 2013. https://doi.org/10.48550/arXiv.1301.3781
Scikit-learn, https://scikit-learn.org
XGBoost, https://github.com/dmlc/xgboost

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