[논문]무선 주파수 신호 특성 데이터를 사용한 비지도 학습 기반의 위협 탐지 시스템

박대경; 이우진; 김병진; 이재연

doi:10.7472/jksii.2024.25.1.147

무선 주파수 신호 특성 데이터를 사용한 비지도 학습 기반의 위협 탐지 시스템
Unsupervised Learning-Based Threat Detection System Using Radio Frequency Signal Characteristic Data 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.25 no.1, 2024년, pp.147 - 155

박대경 (Cyber Battlefield Team, Hanwha Systems) , 이우진 (Cyber Battlefield Team, Hanwha Systems) , 김병진 (Cyber Battlefield Team, Hanwha Systems) , 이재연 (Cyber Battlefield Team, Hanwha Systems)

초록
AI-Helper

현재 4차 산업 혁명은 다른 혁명처럼 인류에게 커다란 변화와 새로운 삶을 가져다주고 있으며, 특히 빅데이터, 인공지능, ICT 등 다양한 기술들을 합쳐 응용할 수 있는 드론에 대한 수요와 활용도가 증가하고 있다. 최근에는 러시아-우크라이나 전쟁, 북한의 대남 정찰 등 위험한 군사 작전 및 임무를 수행하는 데 많이 사용되고 있으며 드론에 대한 수요와 활용도가 높아짐에 따라 드론의 안전성과 보안에 대한 우려가 커지고 있다. 현재 드론에 관련된 무선 통신 이상 탐지, 센서 데이터 이상 탐지 등 다양한 연구가 진행되고 있지만, 무선 주파수 특성 데이터를 사용하여 위협을 실시간으로 탐지하는 연구는 미비하다. 따라서, 본 논문에서는 실제 환경과 유사한 HITL(Hardware In The Loop) 시뮬레이션 환경에서 드론이 미션을 수행하는 동안 지상 제어 시스템과 통신하면서 발생하는 무선 주파수 신호 특성 데이터를 수집하여 특성 데이터가 정상 신호 데이터인지 비정상 신호 데이터인지 판단하는 연구를 진행하였다. 또한, 드론이 미션을 수행하는 중 실시간으로 위협 신호를 탐지할 수 있는 비지도 학습 기반의 위협 탐지 시스템 및 최적의 임계값을 제안한다.

Abstract ▼ AI-Helper

Currently, the 4th Industrial Revolution, like other revolutions, is bringing great change and new life to humanity, and in particular, the demand for and use of drones, which can be applied by combining various technologies such as big data, artificial intelligence, and information and communications technology, is increasing. Recently, it has been widely used to carry out dangerous military operations and missions, such as the Russia-Ukraine war and North Korea's reconnaissance against South Korea, and as the demand for and use of drones increases, concerns about the safety and security of drones are growing. Currently, a variety of research is being conducted, such as detection of wireless communication abnormalities and sensor data abnormalities related to drones, but research on real-time detection of threats using radio frequency characteristic data is insufficient. Therefore, in this paper, we conduct a study to determine whether the characteristic data is normal or abnormal signal data by collecting radio frequency signal characteristic data generated while the drone communicates with the ground control system while performing a mission in a HITL(Hardware In The Loop) simulation environment similar to the real environment. proceeded. In addition, we propose an unsupervised learning-based threat detection system and optimal threshold that can detect threat signals in real time while a drone is performing a mission.

주제어

표/그림 (10)

그림 (그림 1) 게이트 순환 유닛 알고리즘 구조 (Figure 1) GRU algorithm structure
그림 (그림 2) 오토인코더 알고리즘 구조 (Figure 2) AE algorithm structure
그림 (그림 3) 위협 탐지 시스템 구조 (Figure 3) Threat detection system structure
그림 (그림 4) 위협 탐지 에이전트 프로세스 (Figure 4) Threat detection agent process
그림 (그림 5) 무선 주파수 신호 특성 데이터 수집 구조 (Figure 5) Radio frequency signal characteristic data collection structure
표 (표 1) 학습에 사용된 무선 주파수 신호 특성 데이터 (Table 1) Radio frequency signal characteristic data used for training
그림 (그림 6) RF 신호 특성 데이터 세트 (Figure 6) RF signal characteristic data set
표 (표 2) 위협 탐지 모델 구조 (Table 2) Threat detection model structure
그림 (그림 7) 위협 탐지 시스템 대시보드 (Figure 7) Threat detection system dashboard
표 (표 3) 임계값별 위협 신호 탐지 모델 성능 (Table 3) Threat signal detection model performance by threshold

AI 본문요약
AI-Helper

문제 정의

따라서, 본 논문에서의 목표는 드론이 임무를 수행하는 동안에 SDR(Software Defined Radio) 플랫폼 중 하나인 SIK Radio를 통해 지상 제어 시스템(Ground Control System, GCS)과 통신하면서 발생하는 무선 주파수(Radio Frequency, RF) 신호 특성 데이터를 활용하여 해당 신호가 아군의 신호인지 아니면 악의적인 의도를 가진 공격자의 신호인지 판단하는 것이다. RF 신호 특성 데이터를 활용하여 아군의 신호인지 아닌지 판단하는 방법은 크게 지식 기반(오용탐지, Misuse Detection)[9] 방법과 행위 기반(이상 탐지, Anomaly Detection)[10] 방법 두 가지로 구분할 수 있다.
본 논문에서는 드론이 미션, 임무를 수행하는 중 실시간으로 위협 신호를 탐지할 수 있는 위협 탐지 시스템을 제안하고, 실제 미션, 임무를 수행 중인 드론을 추락시킬 수 있는 위협 신호를 발생했을 때 실시간으로 위협 신호를 탐지하는 것을 확인하였다.

제안 방법

일반적으로 모델의 성능을 평가할 때 Precision과 Recall 값을 확인하여 좋은 모델인지 아닌지 판단하는데, 본 논문에서는 Precision과 Recall의 조화 평균값인 F1-Score와 FPR, FAR 값을 기준으로 임계값을 선택하였다. F1-Score를 기준으로 사용한 이유는 Precision과 Recall은 반비례 관계이기 때문에 두 개의 성능이 동시에 비교되는 게 좋으므로 위협 신호 탐지 모델이 정상 데이터를 잘 판단하는 모델인지 측정하는데, 해당 수식을 사용했다. 또한, FPR과 FAR을 기준으로 잡은 이유는 보안에서 중요하게 생각하는 오탐율을 측정하여 오탐율을 최소한으로 줄이기 위해서이다.
드론이 지상 제어 시스템에서 받은 명령, 임무를 수행하며 발생하는 RF 신호 특성 데이터를 사용한 오토 인코더 구조를 모방한 GRU 알고리즘 기반 위협 탐지 모델을 생성했다. 생성된 위협 탐지 모델을 사용하여 위협 신호를 탐지하는 최적의 임계값을 찾기 위해 표 3과 같이 임계값을 미세하게 조정하여 실험을 진행했다.
또한, 모델을 학습하는 데 사용하기 위해 수집된 RF 신호 특성 데이터는 가상환경이 아닌 실제 환경과 유사한 HITL 시뮬레이션 환경에서 드론이 미션, 임무를 수행하는 동안 지상 제어 시스템과 통신하는 과정에서 수집되었으며, 정상 데이터와 비정상 데이터가 불균형한 데이터이다. 따라서, 딥러닝 기반의 위협 신호 탐지 모델을 생성할 때 정상 데이터만을 학습하여 비정상 데이터를 예측하는 모델을 생성했다.
본 논문에서 제안하는 위협 신호 탐지 모델은 미션 컴퓨터에서 실시간으로 위협을 탐지하며, 순차 데이터에 우수한 성능을 보여주면서 적은 데이터양을 학습할 때 유리한 GRU 알고리즘을 기반으로 오토인코더 알고리즘의 구조를 모방하여 모델을 생성했다.
본 논문에서는 드론이 임무를 수행하는 동안 실시간으로 위협을 탐지할 수 있는 모델을 생성하기 위해, 순차 데이터를 사용하면 우수한 성능을 보여주면서 경량화되어 있는 GRU 알고리즘을 이용하여 AE 구조로 모델을 구성하였으며, 복원 오차의 크기를 이용해 아군 신호와 위협신호를 구분하였다.
이러한 필요성에 근간하여 본 논문에서는 순차 데이터를 학습할 때 우수한 성능을 보이는 알고리즘을 통해 드론이 임무를 수행하면서 실시간으로 위협을 탐지할 수 있는 비지도 학습 기반의 위협 탐지 시스템을 제안하며, 구성은 다음과 같다. 2장에서는 드론 위협 탐지 관련 연구에 관한 이전 연구와 실험에 사용될 딥러닝 모델에 관해 간단히 소개한다.

대상 데이터

하지만, 해당 방법을 드론에 적용하기에는 비행 중에 RSSI 값이 너무 많이 달라지거나 주파수 간섭으로 인해 RSSI 속성 하나만을 이용하여 위협 신호를 탐지하기에는 어려움이 있었다. 따라서, 표 1과 같이 4개의 Feature를 사용하여 위협 탐지 모델을 생성하는 데 사용하였으며, 수집된 데이터는 초당 1회 발생하는 순차 데이터이다.
모델을 학습하는 데 사용된 RF 신호 특성 데이터는 2023년 9월 2일 지상 제어 시스템에서 드론에 임무, 미션 등을 명령했을 때 임무를 수행하며 발생하는 RF 신호 특성 데이터를 Elasticsearch에 저장하였다. 또한, 테스트 데이터는 2023년 9월 7일 드론이 임무, 미션 등을 수행하고 있을 때 위협 신호를 실제로 발생시켰으며, 위협 신호는 드론이 임무, 미션 등을 수행하지 못하도록 하는 취약점 공격 등이 해당한다. 기존에 많은 연구는 RF 특성 데이터에서 RSSI(Received Signal Strength Indicator) 값 하나를 이용하여 시계열 분석을 진행하거나 이상 탐지를 진행하였다.
또한, 학습에 사용된 RF 신호 특성 데이터는 비행 중에 RSSI 값이 너무 많이 달라지거나 주파수 간섭으로 인해 RSSI 속성 하나만을 사용하여 위협 신호를 탐지하기에는 어려움이 있다고 판단하여 기존 연구와는 다르게 표 1과 같이 4개의 Feature를 학습하는 데 사용하였다.
모델을 학습하는 데 사용된 RF 신호 특성 데이터는 2023년 9월 2일 지상 제어 시스템에서 드론에 임무, 미션 등을 명령했을 때 임무를 수행하며 발생하는 RF 신호 특성 데이터를 Elasticsearch에 저장하였다. 또한, 테스트 데이터는 2023년 9월 7일 드론이 임무, 미션 등을 수행하고 있을 때 위협 신호를 실제로 발생시켰으며, 위협 신호는 드론이 임무, 미션 등을 수행하지 못하도록 하는 취약점 공격 등이 해당한다.
실험에 사용된 데이터 세트는 HITL(Hardware In The Loop) 시뮬레이션 환경에서 임무를 수행하는 동안 지상 제어 시스템과 통신하면서 발생하는 RF 신호 특성 데이터이다. 드론에 관련된 연구로 무선 통신 이상 탐지, 센서 데이터 이상 탐지 등[12, 13] 다양한 연구가 진행되고 있지만, RF 특성 데이터를 사용하여 위협을 실시간으로 탐지하는 연구는 미비하다.

데이터처리

4개의 Feature를 학습하여 생성된 비지도 학습 기반의 위협 탐지 모델을 통해 위협 신호를 탐지하는 최적의 임계값을 찾기 위해서 임계값을 미세하게 조정하여 실험을 진행하였으며, 임계값은 재구성 손실 값의 평균과 표준편차값을 더한 기준으로 ± 0.5 값을 사용하여 실험을 진행했다.
5 값을 사용하여 실험을 진행했다. 일반적으로 모델의 성능을 평가할 때 Precision과 Recall 값을 확인하여 좋은 모델인지 아닌지 판단하는데, 본 논문에서는 Precision과 Recall의 조화 평균값인 F1-Score와 FPR, FAR 값을 기준으로 임계값을 선택하였다. F1-Score를 기준으로 사용한 이유는 Precision과 Recall은 반비례 관계이기 때문에 두 개의 성능이 동시에 비교되는 게 좋으므로 위협 신호 탐지 모델이 정상 데이터를 잘 판단하는 모델인지 측정하는데, 해당 수식을 사용했다.
Principi 등[14]은 전기 모터의 고장과 결함을 탐지하는데 비지도 학습 기반의 Deep Autoencoders를 제안했다. 제안된 모델은 정상 데이터만을 사용하여 학습하며, 생성된 모델은 OneClass-Support Vector Machine 알고리즘과 비교하여 성능을 평가하였다.
Yang 등[17]은 무인 항공기의 온보드 로그를 학습하여 발생하는 문제를 해결하기 위해 Software In The Loop 시뮬레이션 환경을 기반으로 하는 Time Line Modeling 방법을 제안했다. 해당 방법을 사용하면 데이터 불균형 문제를 해결할 수 있으며, Sequential Minimal Optimization, Random Forest, Convolutional Neural Network 알고리즘을 비교하여 성능을 평가한다.

이론/모형

생성된 위협 탐지 모델의 구조는 표 2와 같으며, 생성된 모델은 미션 컴퓨터의 위협 탐지 에이전트 프로세스에서 사용되기 때문에 모델의 깊이가 깊을수록 추론하는데 많은 리소스가 필요하므로 실시간으로 위협을 탐지하기 위해서 모델을 깊게 설계하지 않았다. 또한, 모델을 최적화하기 위해 사용된 오차 함수는 모든 오차에 동일한 가중치를 부여하여 적은 양의 이상 데이터가 있을 때, 과적합 현상을 방지하기 위하여 MAE(Mean Absolute Error)함수를 사용하였다.
2 딥러닝 모델 파트에서 살펴본 것과 같이 순차 데이터를 분석할 때와 적은 데이터의 양을 학습할 때 우수한 성능을 보여주는 GRU 알고리즘을 사용했다. 또한, 정상 데이터만을 학습하여 위협 신호 데이터를 탐지하기 위해서 AE 구조를 모방하여 GRU 알고리즘을 기반으로 AE-GRU 모델을 생성했다.
Da 등[16]은 무인 항공기의 비행 이상 및 네트워크를 감지할 수 있는 Intrusion Detection System을 제안했다. 무인 항공기가 비행 중에 발생하는 이상은 비지도 학습 기반의 Stacked Autoencoder 알고리즘을 사용하고 지도 학습기반의 LightGBM 알고리즘을 사용하여 Denial of Service 공격을 탐지한다.
생성된 위협 탐지 모델의 평가는 Confusion Matrix 값을 기반으로 Precision, Recall, F1-Score, Accuracy, FPR(False Positive Rate), FNR(False Negative Rate)를 계산하여 가장 우수한 성능을 보이는 임계값을 찾는 데 사용하였다[23, 24].
위협 신호 탐지 모델의 구조는 2.2 딥러닝 모델 파트에서 살펴본 것과 같이 순차 데이터를 분석할 때와 적은 데이터의 양을 학습할 때 우수한 성능을 보여주는 GRU 알고리즘을 사용했다. 또한, 정상 데이터만을 학습하여 위협 신호 데이터를 탐지하기 위해서 AE 구조를 모방하여 GRU 알고리즘을 기반으로 AE-GRU 모델을 생성했다.

성능/효과

그 결과, 생성된 모델은 임계값을 0.8로 설정하여 사용하는 것이 전체적으로 가장 우수한 성능을 보여주었고, 다른 임계값들보다 FPR과 FAR 값이 비교적 우수한 것을 확인하였다. 이후, 드론이 미션, 임무를 수행하는 동안 미션 컴퓨터에서 위협 신호를 실시간으로 탐지하였으며 실제로 드론에 위협 신호를 보냈을 때 위협 신호가 1초 이내에 탐지되면서 알람을 발생하며, 대시보드를 통해 실시간으로 위협 신호가 발생한 것을 확인할 수 있었다.
그 결과, 임계값이 0.8을 사용하여 위협 신호를 탐지할 때 정상 데이터와 비정상 데이터를 잘 판단할 뿐만 아니라 다른 임계값들보다 FPR과 FAR 값이 비교적 우수한 것을 확인하였다. 따라서, 임계값을 0.
또한, 모델을 학습하는 데 사용하기 위해 수집된 RF 신호 특성 데이터는 가상환경이 아닌 실제 환경과 유사한 HITL 시뮬레이션 환경에서 드론이 미션, 임무를 수행하는 동안 지상 제어 시스템과 통신하는 과정에서 수집되었으며, 정상 데이터와 비정상 데이터가 불균형한 데이터이다. 따라서, 딥러닝 기반의 위협 신호 탐지 모델을 생성할 때 정상 데이터만을 학습하여 비정상 데이터를 예측하는 모델을 생성했다.
8로 설정하여 사용하는 것이 전체적으로 가장 우수한 성능을 보여주었고, 다른 임계값들보다 FPR과 FAR 값이 비교적 우수한 것을 확인하였다. 이후, 드론이 미션, 임무를 수행하는 동안 미션 컴퓨터에서 위협 신호를 실시간으로 탐지하였으며 실제로 드론에 위협 신호를 보냈을 때 위협 신호가 1초 이내에 탐지되면서 알람을 발생하며, 대시보드를 통해 실시간으로 위협 신호가 발생한 것을 확인할 수 있었다.

후속연구

향후 연구로 본 논문에서 제안된 위협 탐지 시스템을 기반으로 위협 신호가 발생하였을 때 적의 공격 복잡도를 높이고 임무, 미션을 성공적으로 완수하기 위해 드론의 정보를 의도적으로 변이하는 이동 표적 방어(Moving Target Defense, MTD)에 관한 연구를 진행할 것이다. 또한 드론 및 무선 통신에 관련된 연구에 대해서 실험을 확장시킬 수 있다.

참고문헌 (24)

Lee, Yang-Kyoo, et al. "A Study on the Anomaly？Prediction System of Drone Using Big Data." Journal？of Internet Computing and Services, vol. 21, no. 2, pp.？27-37, Apr. 2020.？https://doi.org/10.7472/jksii.2020.21.2.27.

원문보기 상세보기
Vashisht, Sahil, Sushma Jain, and Gagangeet Singh？Aujla, "MAC protocols for unmanned aerial vehicle？ecosystems: Review and challenges," Computer？Communications, vol. 160, pp. 443-463, 2020.？https://doi.org/10.1016/j.comcom.2020.06.011

상세보기
Restas, Agoston. "Drone applications for supporting？disaster management," World Journal of Engineering？and Technology, vol. 3, No. 3C, pp. 316-321, 2015.？http://doi.org/10.4236/wjet.2015.33C047
Lee, Woojin, et al. "A Study on the Generation and？Transmission of Drone Jamming Signals Based on the？MAVLink Protocol," Jouranl of Information and？Security, vol. 23, no. 2, Korea Convergence Security？Association, pp. 75-84, 30 June 2023.？https://doi.org/10.33778/kcsa.2023.23.2.075

원문보기 상세보기
Alwateer, Majed, Seng W. Loke, and Niroshinie？Fernando, "Enabling drone services: drone？crowdsourcing and drone scripting," IEEE access, Vol.？7, pp. 110035-110049, 2019.？https://doi.org/10.1109/ACCESS.2019.2933234

상세보기
Culver, Kathleen Bartzen, "From battlefield to？newsroom: Ethical implications of drone technology in？journalism," Journal of mass media ethics, vol. 29,？Issue 1, pp. 52-64, 2014.？https://doi.org/10.1080/08900523.2013.829679

상세보기
Lee, Woojin, Kyungdeok Seo, and Byeongmin Chae.？"A study on security threats to drones using open？source and military drone attack scenarios using？telemetry hijacking," Convergence Security Journal,？vol. 20, No. 4, pp. 103-112, 2020.？https://doi.org/10.33778/kcsa.2020.20.4.103

원문보기 상세보기
Rodday, Nils Miro, Ricardo de O. Schmidt, and Aiko？Pras, "Exploring security vulnerabilities of unmanned？aerial vehicles," NOMS 2016-2016 IEEE/IFIP Network？Operations and Management Symposium. IEEE, 2016.？https://doi.org/10.1109/NOMS.2016.7502939
Bhushan, Bharat, "Intrusion detection system (IDS) for？security enhancement in wireless sensing applications,"？Innovations in Electronics and Communication？Engineering: Proceedings of the 9th ICIECE 2021.？Singapore: Springer Singapore, 39-49, 2022.？https://doi.org/10.1007/978-981-16-8512-5_5
Yeruva, Ajay Reddy, et al., "Anomaly Detection？System using ML Classification Algorithm for Network？Security," 2022 5th International Conference on？Contemporary Computing and Informatics (IC3I),？IEEE, 2022.？https://doi.org/10.1109/IC3I56241.2022.10072303
Urbina, David I., et al., "Survey and new directions for？physics-based attack detection in control systems,"？Gaithersburg: US Department of Commerce, National？Institute of Standards and Technology, 2016.？https://doi.org/10.6028/NIST.GCR.16-010
Rodday, Nils Miro, Ricardo de O. Schmidt, and Aiko？Pras, "Exploring security vulnerabilities of unmanned？aerial vehicles," NOMS 2016-2016 IEEE/IFIP Network？Operations and Management Symposium, IEEE, 2016.？https://doi.org/10.1109/NOMS.2016.7502939
Lu, Huimin, et al., "Motor anomaly detection for？unmanned aerial vehicles using reinforcement learning,"？IEEE internet of things journal, Vol. 5, Issue 4, pp.？2315-2322, 2017.？https://doi.org/10.1109/JIOT.2017.2737479

상세보기
Principi, Emanuele, et al., "Unsupervised electric motor？fault detection by using deep autoencoders,"？IEEE/CAA Journal of Automatica Sinica, Vol. 6, Issue？2, pp. 441-451, 2019.？https://doi.org/10.1109/JAS.2019.1911393

상세보기
Ahn, Hyojung, et al. "Learning-based anomaly？detection and monitoring for swarm drone flights."？Applied Sciences 9.24 (2019): 5477.？https://doi.org/10.3390/app9245477

상세보기
Da Silva, Leandro Marcos, et al., "Anomaly-Based？Intrusion Detection System for In-Flight and Network？Security in UAV Swarm," 2023 International？Conference on Unmanned Aircraft Systems (ICUAS),？IEEE, 2023.？https://doi.org/10.1109/ICUAS57906.2023.10155873
Yang, Tao, et al., "Acquisition and Processing of UAV？Fault Data Based on Time Line Modeling Method,"？Applied Sciences, 13(7), 4301, 2023.？https://doi.org/10.3390/app13074301

상세보기
Baskaya, Elgiz, Murat Bronz, and Daniel Delahaye.？"Fault detection & diagnosis for small UAVs via？machine learning." 2017 IEEE/AIAA 36th Digital？Avionics Systems Conference (DASC). IEEE, 2017.？https://doi.org/10.1109/DASC.2017.8102037
Benini, Alessandro, et al., "Fault detection of a VTOL？UAV using acceleration measurements," 2019 18th？European Control Conference (ECC), IEEE, 2019.？https://doi.org/10.23919/ECC.2019.8796198
Senigagliesi, Linda, Gianluca Ciattaglia, and Ennio？Gambi. "Autoencoder based Physical Layer？Authentication for UAV Communications," 2023 IEEE？97th Vehicular Technology Conference (VTC2023-Spring), IEEE, 2023.？https://doi.org/10.1109/VTC2023-Spring57618.2023.10200623
Chung, Junyoung, et al., "Empirical evaluation of gated？recurrent neural networks on sequence modeling,"？arXiv preprint arXiv:1412.3555, 2014.？https://doi.org/10.48550/arXiv.1412.3555
Aygun, R. Can, and A. Gokhan Yavuz, "Network？anomaly detection with stochastically improved？autoencoder based models," 2017 IEEE 4th？international conference on cyber security and cloud？computing (CSCloud), IEEE, 2017.？https://doi.org/10.1109/CSCloud.2017.39
Vujovic, Z., "Classification model evaluation metrics,"？International Journal of Advanced Computer Science？and Applications, Vol. 12, Issue 6, pp. 599-606, 2021.？https://doi.org/10.14569/IJACSA.2021.0120670

상세보기
Catal, Cagatay, "Performance evaluation metrics for？software fault prediction studies," Acta Polytechnica？Hungarica, 9(4), 193-206, 2012.？http://hdl.handle.net/11413/1662

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