[논문]지휘통제 워크플로우 지원 추천 시스템 연구

박규동; 전기윤; 손미애; 김종모

doi:10.7472/jksii.2022.23.1.125

지휘통제 워크플로우 지원 추천 시스템 연구
A Study of Recommendation Systems for Supporting Command and Control (C2) Workflow 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.23 no.1, 2022년, pp.125 - 134

박규동 (Agency for Defense Development) , 전기윤 (Agency for Defense Development) , 손미애 (Dept. of Industrial Engineering, Sungkyunkwan University) , 김종모 (Dept. of Industrial Engineering, Sungkyunkwan University)

초록
AI-Helper

정보 통신 및 인공지능 기술의 발전은 우리 군의 지휘통제체계의 지능화를 요구하며, 이를 달성하기 위해 다양한 시도가 이루어지고 있다. 본 논문은 특히, 지휘통제 워크플로우에서 활용 가능한 정보의 양이 폭발적으로 증가함에 따라 지휘통제체계 사용자에게 제공되는 정보 중 수행 업무에 가장 핵심적인 정보를 제공할 수 있는 협업 필터링(Collaborative Filtering, CF) 및 추천 시스템(Recommendation System, RS)에 주목한다. 군 지휘통제체계에서 정보의 필터링을 수행하는 RS는 가장 우선 설명 가능한 추천을 수행하여야 하며, 그 다음 지휘관들이 임무를 수행하는 다양한 상황을 고려한 추천이 수행되어야 한다. 본 논문에서는 지휘통제 워크플로우를 지원하기 위하여 정보를 선택적으로 추천하는 contextual pre-filtering CARS 프레임워크를 제안한다. 제안된 프레임워크는 1) 지휘결심자의 상황 및 관계에 기반하여 데이터를 사전에 필터링하는 contextual pre-filtering, 2) CF의 취약한 데이터 희소성 문제를 극복하기 위한 피쳐 선택, 3) 피쳐 간의 디스턴스를 사용자의 유사도 산출에 활용한 CF, 및 4) 사용자의 선호를 반영하기 위한 규칙 기반 포스트 필터링의 4 단계로 구성되어 있다. 본 연구의 우수성을 평가하기 위해서 상용 수준의 실험 데이터셋 2종에 대해 기존 CF 방법의 다양한 디스턴스 방법을 적용하여 비교 실험하였다. 비교 실험 결과 제안된 프레임워크가 3가지 평가지표(MAE, MSE, MSLE) 측면에서 우수함을 나타내었다.

Abstract ▼ AI-Helper

The development of information communication and artificial intelligence technology requires the intelligent command and control (C2) system for Korean military, and various studies are attempted to achieve it. In particular, as a volume ofinformation in the C2 workflow increases exponentially, this study pays attention to the collaborative filtering (CF) and recommendation systems (RS) that can provide the essential information for the users of the C2 system has been developed. The RS performing information filtering in the C2 system should provide an explanatory recommendation and consider the context of the tasks and users. In this paper, we propose a contextual pre-filtering CARS framework that recommends information in the C2 workflow. The proposed framework consists of four components: 1) contextual pre-filtering that filters data in advance based on the context and relationship of the users, 2) feature selection to overcome the data sparseness that is a weak point for the CF, 3) the proposed CF with the features distances between the users used to calculate user similarity, and 4) rule-based post filtering to reflect user preferences. In order to evaluate the superiority of this study, various distance methods of the existing CF method were compared to the proposed framework with two experimental datasets in real-world. As a result of comparative experiments, it was shown that the proposed framework was superior in terms of MAE, MSE, and MSLE.

주제어

표/그림 (5)

그림 (그림 1) 지휘통제 워크플로우를 위한 CF 기반 contextual pre-filtering CARS 프레임워크 (Figure 1) A CF-based Contextual pre-filtering CARS framework for C2 workflow
그림 (그림 2) 타겟 사용자의 상황 및 관계 기반의 contextual pre-filtering (Figure 2) Context and relation-based contextual pre-filtering for the target user
표 (표 1) 실험 데이터 셋에 대한 요약 (Table 1) The summary of experimental data sets
그림 (그림 3) 사용자 기반 CF에서 다른 디스턴스를 활용한 방법과 성능 비교 (Figure 3) Performance comparison with different distance metrics in user-based CF
표 (표 2) 실험 데이터셋에 대해 다양한 디스턴스를 활용한 사용자 기반 CF의 성능 평가 (Table 2) Evaluation results of User-based CF with different distances on experimental datasets

AI 본문요약
AI-Helper

문제 정의

군의 지휘통제체계는 네트워크와 컴퓨터를 활용해 주어진 임무를 완수하는 데 다양한 작전 절차 또는 지휘 통제 워크플로우를 지원하는 것을 주 목적으로 한다. 이때 지휘 통제 워크플로우란 지휘통제 절차와 관련된 작업, 관련 조직이나 사람, 요구되는 입출력 정보 및 정보의 흐름으로 정의된다.
본 연구는 한국군 지휘통제체계를 위한 추천 시스템에 대한 첫 번째 구현 또는 구현 시도로서 의미가 있다. 본 연구에서는 지휘통제 워크플로우에서 활용 가능한 정보의 양이 폭발적으로 증가함에 따라, 지휘통제체계 사용자에게 효과적으로 필요한 정보를 추천할 수 있는 협업 필터링 및 추천 시스템에 관한 연구를 수행하였다. 기존의 협업 필터링 방법과 다르게 CARS 및 KBRS의 개념을 접목하여 협업 필터링의 수행의 대상이 되는 데이터셋을 contextual pre-filtering 및 rule-based post-filtering 하였다.
그러나 최근 센서와 네트워크 기술의 발전으로 지휘통제 워크플로우에서 활용 가능한 정보의 양이 폭발적으로 증가하면서 신속정확한 지휘통제가 어려워지고 있다[5, 6]. 이에 본 논문에서는 지휘통제 워크플로우에서 지휘결심자에게 제공되는 정보를 필터링할 수 있는 지능화 방법 제안함으로써 신속정확한 지휘 통제를 달성하고자 한다.

가설 설정

사용자의 선호를 반영함과 동시에 추천된 아이템 리스트의 정확도를 향상시키기 위해, 본 논문에서는 최종적으로 규칙 기반의 포스트 필터링을 수행한다. 도메인 지식 혹은 사용자의 선호는 규칙 형식으로 표현되어 있는 규칙 베이스가 사전에 구축되어 있음을 가정한다. 지휘통제에서 활용할 수 있는 규칙의 예시는 다음과 같다.
∙규칙 기반 포스트 필터링: 메모리 기반의 CF 결과를 대상으로 사전에 정의되어 있는 도메인 지식이나 사용자의 선호 등을 반영해 포스트 필터링을 수행한다. 도메인 지식이나 사용자의 선호는 규칙 형식으로 표현하며 사전에 식별되어 있다고 가정한다. 규칙 기반의 포스트 필터링을 통해 사용자가 원하는 정보만을 추천하는 것이 가능해진다.

제안 방법

본 연구에서는 지휘통제 워크플로우에서 활용 가능한 정보의 양이 폭발적으로 증가함에 따라, 지휘통제체계 사용자에게 효과적으로 필요한 정보를 추천할 수 있는 협업 필터링 및 추천 시스템에 관한 연구를 수행하였다. 기존의 협업 필터링 방법과 다르게 CARS 및 KBRS의 개념을 접목하여 협업 필터링의 수행의 대상이 되는 데이터셋을 contextual pre-filtering 및 rule-based post-filtering 하였다. 또한, CF의 성능을 저해하는 데이터의 희소성을 막기 위해 다양한 피쳐 중에서 추천에 가장 큰 영향을 주는 피쳐를 선택할 수 있는 피쳐 선택 기법을 제안하였다.
기존의 협업 필터링 방법과 다르게 CARS 및 KBRS의 개념을 접목하여 협업 필터링의 수행의 대상이 되는 데이터셋을 contextual pre-filtering 및 rule-based post-filtering 하였다. 또한, CF의 성능을 저해하는 데이터의 희소성을 막기 위해 다양한 피쳐 중에서 추천에 가장 큰 영향을 주는 피쳐를 선택할 수 있는 피쳐 선택 기법을 제안하였다. 최종적으로, 본 논문의 우수성을 평가하기 위해 기존 사용자기반의 CF에서 다양한 디스턴스를 적용하여 비교 실험하였고, 그 결과 MAE, MSE, 및 MSLE의 세 가지 지표에서 모두 본 연구가 제안한 프레임워크가 우수한 성능을 나타내었다.
보안상의 이유로 군 관련 실험 데이터를 확보하는 것이 어렵기 때문에 본 논문에서는 실제 상용 데이터셋을군 환경에 맞게 변환하여 제안한 방법론의 우수성을 평가한다. 상용 데이터셋 중 실제 상황 데이터를 포함하며 군 환경과 같이 유저의 위치 변화가 빈번하고 다양한 유형의 아이템을 소비하는 데이터셋을 선택하였다.
본 논문에서는 지휘통제 워크플로우에서 정보를 선택적으로 추천할 수 있는 CF 기반의 contextual pre-filtering CARS 프레임워크를 제안한다. 그림 1에 도식화한 바와 같이 제안 프레임워크는 4가지 요소로 구성되어 있다.
추천된 아이템 리스트는 비록 사용자의 과거의 소비데이터에 기반한 아이템들의 집합이지만, 사용자의 선호를 직접적으로 반영하지 않았기 때문에 사용자가 원치 않는 아이템이 추천 리스트에 포함될 수 있다. 사용자의 선호를 반영함과 동시에 추천된 아이템 리스트의 정확도를 향상시키기 위해, 본 논문에서는 최종적으로 규칙 기반의 포스트 필터링을 수행한다. 도메인 지식 혹은 사용자의 선호는 규칙 형식으로 표현되어 있는 규칙 베이스가 사전에 구축되어 있음을 가정한다.

대상 데이터

이 과정에서 ' 분위기' 혹은 '아티스트 명'과 같이 군 환경과 관련 없는 데이터는 제거하였다. 두 번째로 활용한 사용 데이터셋은 Restaurant 데이터셋으로, 이를 군 환경과 비슷하게 모사하기 위해 순찰한 장소에 대한 트랙 보고 데이터셋 TrackReport로 변환하였다. 이때, 장소와 관련된 위치 및지오태그 정보를 포함하였으며 유저 프로필과 관련된 정보로는 직업 및 함께 방문한 유저 정보를 포함하여 변환하였다.
보안상의 이유로 군 관련 실험 데이터를 확보하는 것이 어렵기 때문에 본 논문에서는 실제 상용 데이터셋을군 환경에 맞게 변환하여 제안한 방법론의 우수성을 평가한다. 상용 데이터셋 중 실제 상황 데이터를 포함하며 군 환경과 같이 유저의 위치 변화가 빈번하고 다양한 유형의 아이템을 소비하는 데이터셋을 선택하였다. 또한, 적합한 군 환경을 모사하기 위해 상용 데이터셋에서 가장 유사한 군 환경을 식별하여 기존 분포에 큰 영향을 주지 않는 선에서 데이터셋을 재가공 하였다.
첫 번째로 활용한 상용 데이터셋은 차에서 청취한 음악에 대한 InCarMusic 데이터셋이다. 이 데이터를 군 환경에 비슷하게 모사하기 위해 이동 중에 제공받는 메세지 데이터셋 MobileMsg으로 변환한다.

데이터처리

RMSE는 주로 정밀도를 가늠하는 데 활용된다. 모든 실험 결과는 5-fold cross validation의 평균값이다. 실험 결과의 상세 값은 표 2와 같으며 비교 그래프는 그림 3과 같이 나타내었다.
위 두 실험 데이터 셋과 함께 비교 실험할 방법들로 사용자 기반의 CF를 활용하였으며 사용자의 유사도를 산출하는 거리 함수로 코사인(Cosine) 유사도, 피어슨 (Pearson) 유사도, 및 Mean Squared Difference (MSD)를 활용하였다. 유사도의 경우 디스턴스를 나타내기 위해 (1- 유사도)를 적용하였다.

이론/모형

유사도의 경우 디스턴스를 나타내기 위해 (1- 유사도)를 적용하였다. 평가 지표로는 Mean Absolute Error(MAE), Mean Squared Error(MSE) 및 Root Mean Squre(RMSE)를 활용하였다.

성능/효과

두 데이터셋의 에러가 다르게 나오는 이유는 활용한 레이팅 값의 범위가 서로 차이가 있기 때문이다. 5점 척도를 활용하는 MobileMsg 데이터셋이 더 높은 에러를 나타냈지만 3점 척도를 활용하는 TrackReport와 비교하면 레이팅을 예측하기 더 어려운 점을 고려하였을 때 상대적으로 지표가 좋게 나왔음을 알 수 있다. 이는 데이터셋의 분포 차이 때문인데, MobileMsg은 사용자-아이템 간의 상호작용 데이터가 많이 존재하는 dense인데 비해 TrackReport는 이러한 상호작용 데이터가 현저하게 부족한 spare set이다.
다른 방법과 비교하였을 때, 모든 지표에서 제안된 방법이 최소의 에러를 나타내는 것을 볼 수 있다. Cosine 유사도를 활용한 추천은 MobileMsg 데이터셋에 대해서 다른 디스턴스에 비해 상당히 높은 에러를 나타내었다. 이는, 5점 척도에서 Cosine 유사도가 레이팅의 scale을 제대로 반영하지 못하기 때문이다.
본연구에서 제안한 방법은 피어슨 유사도에 기반하였으나 피쳐의 값을 가중치로 활용하였기 때문에 TrackReport와같이 이상치가 많이 존재하는 데이터에 대해서도 충분히 보정되었음을 알 수 있다. 결과적으로, 두 데이터셋 및 3 개의 평가 지표에서 본 연구에서 제안한 방법이 안정적이고 높은 정확도로 추천을 수행함을 나타내었다.
다른 방법과 비교하였을 때, 모든 지표에서 제안된 방법이 최소의 에러를 나타내는 것을 볼 수 있다. Cosine 유사도를 활용한 추천은 MobileMsg 데이터셋에 대해서 다른 디스턴스에 비해 상당히 높은 에러를 나타내었다.
TrackReport에서는 척도의 범위가 더 좁아서 지표 간 에러의 큰 차이가 없었다. 본연구에서 제안한 방법은 피어슨 유사도에 기반하였으나 피쳐의 값을 가중치로 활용하였기 때문에 TrackReport와같이 이상치가 많이 존재하는 데이터에 대해서도 충분히 보정되었음을 알 수 있다. 결과적으로, 두 데이터셋 및 3 개의 평가 지표에서 본 연구에서 제안한 방법이 안정적이고 높은 정확도로 추천을 수행함을 나타내었다.
또한, CF의 성능을 저해하는 데이터의 희소성을 막기 위해 다양한 피쳐 중에서 추천에 가장 큰 영향을 주는 피쳐를 선택할 수 있는 피쳐 선택 기법을 제안하였다. 최종적으로, 본 논문의 우수성을 평가하기 위해 기존 사용자기반의 CF에서 다양한 디스턴스를 적용하여 비교 실험하였고, 그 결과 MAE, MSE, 및 MSLE의 세 가지 지표에서 모두 본 연구가 제안한 프레임워크가 우수한 성능을 나타내었다.

후속연구

이러한 한계를 극복하기 위해, 추후에 우리는 그래프 기반의 소스 데이터 표현 및 그래프 인공신경망을 활용하는 방법에 대해 연구할 것이다. 그래프 기반의 인공신경망을 활용하면 더 이상 특정 소스 데이터의 특성에 의존하지 않더라도 자유로운 데이터의 표현과 복잡한 사용자, 상황 및 관계를 이해할 수 있는 최적의 초평면(hyper-plane)을 발견할 수 있을 것이다. 이를 포함하여 우리는 궁극적으로 한국군 지휘통제체계의 추천 시스템의 실제 개발에 활용 가능한 수준의 기술과 기능을 개발하고자 한다.
우리는 본 연구의 결과를 후속 연구를 통해 지속적으로 개선 및 발전시킬 예정이다. 예를 들어 사용자, 상황, 및 관계에 따라 소스 데이터의 구조가 달라질 수 있고 시간에 따라 역동적으로 변화할 수 있어, 소스 데이터의 복잡도 또는 차원이 모수 통계를 기반으로 하는 제안 프레임워크의 처리 능력을 넘어설 수도 있다.
예를 들어 사용자, 상황, 및 관계에 따라 소스 데이터의 구조가 달라질 수 있고 시간에 따라 역동적으로 변화할 수 있어, 소스 데이터의 복잡도 또는 차원이 모수 통계를 기반으로 하는 제안 프레임워크의 처리 능력을 넘어설 수도 있다. 이러한 한계를 극복하기 위해, 추후에 우리는 그래프 기반의 소스 데이터 표현 및 그래프 인공신경망을 활용하는 방법에 대해 연구할 것이다. 그래프 기반의 인공신경망을 활용하면 더 이상 특정 소스 데이터의 특성에 의존하지 않더라도 자유로운 데이터의 표현과 복잡한 사용자, 상황 및 관계를 이해할 수 있는 최적의 초평면(hyper-plane)을 발견할 수 있을 것이다.
그래프 기반의 인공신경망을 활용하면 더 이상 특정 소스 데이터의 특성에 의존하지 않더라도 자유로운 데이터의 표현과 복잡한 사용자, 상황 및 관계를 이해할 수 있는 최적의 초평면(hyper-plane)을 발견할 수 있을 것이다. 이를 포함하여 우리는 궁극적으로 한국군 지휘통제체계의 추천 시스템의 실제 개발에 활용 가능한 수준의 기술과 기능을 개발하고자 한다.

참고문헌 (26)

Schubert, J., et al., "Artificial intelligence for decision support in command and control systems," in Proc. of 23rd International Command and Control Research & Technology Symposium Multi-Domain C., 2018. https://www.foi.se/download/18.41db20b3168815026e010/1548412090368/Artificial-intelligence-decision_FOI-S--5904--SE.pdf
Wang, F., "Technology Framework of the Intelligent Command and Control System," in IOP Conference Series: Materials Science and Engineering, IOP Publishing, 2019. https://doi.org/10.1088/1757-899x/677/4/042099

상세보기
Lingel, S., et al., "Joint All Domain Command and Control for Modern Warfare: An Analytic Framework for Identifying and Developing Artificial Intelligence Applications," RAND Corporation Santa Monica United States, 2020. https://doi.org/10.7249/rr4408.1
Robinson, R.M., et al., "Degree of automation in command and control decision support systems," in 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC). IEEE, 2016. https://doi.org/10.1109/SMC.2016.7844402
Zocco, A., et al., "Touchless interaction for command and control in military operations," in International Conference on Augmented and Virtual Reality, Springer, 2015. https://doi.org/10.1007/978-3-319-22888-4_32
Marusich, L.R., et al., "Effects of information availability on command-and-control decision making: performance, trust, and situation awareness,"Human factors, 58(2): p. 301-321, 2016. https://doi.org/10.1177%2F0018720815619515

상세보기
Guo, Y., M. Wang, and X. Li, "Application of an improved Apriori algorithm in a mobile e-commerce recommendation system,"Industrial Management & Data Systems, 2017. https://doi.org/10.1108/IMDS-03-2016-0094

상세보기
Chen, C.-s., et al., "Research on Content Recommendation System of Army Equipment Information Network," in 2020 International Conference on Computer Science and Management Technology (ICCSMT), IEEE, 2020. https://doi.org/10.1109/ICCSMT51754.2020.00075
Gadepally, V.N., et al., "Recommender systems for the department of defense and intelligence community," Lincoln Laboratory Journal, 22(1), 2016. https://www.ll.mit.edu/sites/default/files/publication/doc/2019-04/recommender-systems-department-defense-intelligence-gadepally-108929.pdf

상세보기
Yang, C., et al., "Bridging collaborative filtering and semi-supervised learning: a neural approach for poi recommendation," in Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2017. https://doi.org/10.1145/3097983.3098094
Kulkarni, S. and S.F. Rodd, "Context Aware Recommendation Systems: A review of the state of the art techniques," Computer Science Review, 37, p. 100255, 2020. https://doi.org/10.1016/j.cosrev.2020.100255

상세보기
Adomavicius, G. and A. Tuzhilin, "Context-aware recommender systems," Recommender systems handbook, p. 217-253, Springer, 2011. https://doi.org/10.1007/978-0-387-85820-3_7
Zheng, Y., B. Mobasher, and R. Burke, "Similarity-based context-aware recommendation,"in International Conference on Web Information Systems Engineering, Springer, 2015. https://doi.org/10.1007/978-3-319-26190-4_29
Unger, M., et al., "Towards latent context-aware recommendation systems," Knowledge-Based Systems, 104, p. 165-178, 2016. https://doi.org/10.1016/j.knosys.2016.04.020

상세보기
Kim, D., et al., "Convolutional matrix factorization for document context-aware recommendation,"in Proceedings of the 10th ACM conference on recommender systems, 2016. https://doi.org/10.1145/2959100.2959165
Xin, X., et al., "CFM: Convolutional Factorization Machines for Context-Aware Recommendation," in IJCAI, 2019. https://www.ijcai.org/proceedings/2019/0545.pdf
Chen, H. and J. Li, "Adversarial tensor factorization for context-aware recommendation,"in Proceedings of the 13th ACM Conference on Recommender Systems, 2019. https://doi.org/10.1145/3298689.3346987
Tao, S., et al., "SVD-CNN: a convolutional neural network model with orthogonal constraints based on SVD for context-aware citation recommendation," Computational Intelligence and Neuroscience, 2020. https://doi.org/10.1155/2020/5343214

상세보기
Baltrunas, L., B. Ludwig, and F. Ricci, "Matrix factorization techniques for context aware recommendation," in Proceedings of the fifth ACM conference on Recommender systems, 2011. https://doi.org/10.1145/2043932.2043988
Cui, L., et al., "A novel context-aware recommendation algorithm with two-level SVD in social networks," Future Generation Computer Systems, 86, p. 1459-1470, 2018. https://doi.org/10.1016/j.future.2017.07.017

상세보기
Wu, H., et al., "Context-aware recommendation via graph-based contextual modeling and postfiltering," International Journal of Distributed Sensor Networks, 11(8): p. 613612, 2015. https://doi.org/10.1155%2F2015%2F613612

상세보기
Zammali, S. and S.B. Yahia, How to select and weight context dimensions conditions for context-aware recommendation? Expert Systems with Applications, p. 115176, 2021. https://doi.org/10.1016/j.eswa.2021.115176

상세보기
Bouraga, S., et al., "Knowledge-based recommendation systems: A survey," International Journal of Intelligent Information Technologies (IJIIT), 10(2), p. 1-19, 2014. https://doi.org/10.4018/ijiit.2014040101

상세보기
Grcar, M., et al., "Data sparsity issues in the collaborative filtering framework," in International workshop on knowledge discovery on the web, Springer, 2005.https://doi.org/10.1007/11891321_4

상세보기
Ramezani, M., P. Moradi, and F.A. Tab., "Improve performance of collaborative filtering systems using backward feature selection," in The 5th Conference on Information and Knowledge Technology, IEEE, 2013. https://doi.org/10.1109/IKT.2013.6620069
Kim, J., J. Kang, and M. Sohn, "Ensemble learning-based filter-centric hybrid feature selection framework for high-dimensional imbalanced data," Knowledge-Based Systems, 220, p. 106901, 2021. https://doi.org/10.1016/j.knosys.2021.106901.

상세보기

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