지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 유명식
- 발행연도
- 2022
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수54
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
무선 센서 네트워크를 이루는 센서들은 개방적이고 분산된 특성을 가지고 있으며, 센서 노드의 제한된 리소스 및 실시간 데이터 수집 등의 요인들로 인해 공격에 매우 취약하다. 공격자는 이러한 취약점을 이용해 메시지 가로채기, 가짜 메시지 주입 및 네트워크 리소스 낭비 등의 공격을 시도하며, 이러한 공격 중 DoS 공격은 무선 센서 네트워크의 보안을 위협하는 가장 일반적이고 위험한 공격이다. 본 논문에서는 DoS 공격 중 Blackhole, Grayhole, TDMA 그리고 Flooding 공격에 대해 패턴을 분석하여 분류하기 위해 Decision Tree, Random Forest, Extra Tree, XGBoost 그리고 LightGBM을 사용하였다. 각 머신 러닝의 훈련 방식에 차이점, Feature Importance 그리고 각 공격 유형의 특징을 이용해 실험 결과를 비교 분석하는 연구를 진행하였다. 실험은 NS-2를 이용해 생성한 WSN-DS 데이터 셋으로 Scikit-learn 라이브러리에서 제공하는 머신 러닝을 훈련시키고 테스트를 진행하였다. 실험 결과에 대해 비교 분석하기 위해 머신 러닝 성능 평가 지표 중 F1-Score를 사용하였다. 그 결과 단일 트리 구조를 가지는 Decision Tree가 가장 낮은 성능을 보였으며, 가중치를 이용해 모델을 훈련하는 XGBoost와 LightGBM이 높은 성능을 보여주었다.
목차
제 1 장 서론 1제 2 장 관련연구 4제 3 장 데이터 분석 및 머신 러닝 기법 63.1 WSN-DS 데이터 셋 63.1.1 공격 유형 73.1.2 Feature 83.2 머신 러닝 83.2.1 트리 기반 모델 클래스 분류 방법 103.2.2 Decision Tree 113.2.3 Random Forest 113.2.4 Extra Tree 123.2.5 XGBoost 133.2.6 LightGBM 14제 4 장 실험 환경 154.1 시뮬레이션 환경 154.2 머신 러닝 하이퍼 파라미터 설정 16제 5 장 실험 및 결과 175.1 Feature Importance 175.2 과적합 방지 185.3 성능평가 지표 195.4 머신 러닝 훈련 및 테스트 결과 195.5 머신 러닝 성능 비교 215.5.1 Normal 215.5.2 Blackhole 225.5.3 Grayhole 235.5.4 TDMA 235.5.5 Flooding 23제 6 장 결론 25
최근 본 자료
댓글(0)
0