네트워크보안 AI 관련

flow

Untitled

머신러닝 이란? 1.1 머신러닝의 전체적인 파트 1.2 인공지능 AI란 무엇인가, 데이터의 중요성 1.2.1 AI의 이름과 유래.. 강인공지능과 약인공지능 1.3 휴리스틱 || fine turing의 중요성과 시간소요
머신러닝의 구조 2.1 ANN 인공신경망 2.2 DNN 깊은신경망 > GAN(비지도) 2.3 CNN 합성곱신경망 2.4 RNN 순환신경망

3.네트워크 AI 방향성 3.0 로그데이터는 양적 데이터 인가 범주형 데이터 인가 그리고 전처리 세션데이터수집 -> 세션데이터 저장 -> 이미지변환,정규화 -> 이미지처리 3.1 예측 (Ex.Arima, RNN || ???, CNN) = 자원 최적화, 패턴인식 3.2 탐지 3.3 경계해야 할것.

머신러닝 개요

머신러닝의 개념 (머신러닝, 딥러닝, 신경망 은 모두 "인공지능"의 하위분야) ("인공지능" <- 머신러닝 <- 딥러닝 <- 신경망)

포괄적인 개념으론 기계가 학습을 통해 자동으로 성능이 개선되는 알고리즘의 연구를 뜻함 구체적인 개념으론 기계가 일일히 코드로 명시하지 않은 동작을 데이터로 부터 학습하여 실행할 수 있도록하는 알고리즘 을 연구하는것 예시를 들자면 고양이와 강아지가 있을때 이를 분류(Classification)하기 위해선 특징(feature)가 필요한데 머신러닝은 이러한 특징을 통계를 내고 분석하여 확률에 맞게 분류하거나, 통계를 기반으로 회귀 즉 예측하거나 하는등에 사용될수 있겠다. 이때 학습유형으로써 크게 3가지가 있는데 정답을 라벨링 하여 이에대한 피드백으로 학습하는 지도학습(Supervised learning) 정답을 라벨링하지 않고 데이터만으로 패턴이나 밀도 등을 학습하는 비지도학습(UnSupervised learning) 둘다 사용하는 반지도 학습(semi-Supervised learning) 결과에 대한 피드백만 부여하고 정확한 클래스나 출력값을 알려주지 않는 강화학습(reinforcement Learning) 으로 분류 할수있다. AI에서 가장중요한것 3가지 인터페이스, 로직, 데이터

휴리스틱 : 사람이 정확한사고가 불가능할때 예측하는 방법 로지스틱 : 데이터가 특정카테고리에 속할지 0과 1사이의 연속적인 확률로 예측하는방법

1.1 머신러닝의 유형 1.1.1 신경망(NN Or ANN) 사람의 뇌에서 뉴런이 작동하는 방식과 유사한 머신러닝 유형 으로써 병렬로 작동하는 여러계층의 노드(입력층,은닉층,출력층)를 사용하여 패턴을 인식해 임계점을 넘는다면 1 임계점을 넘지 못한다면 0 이러한 방식을 사용함으로써 사람 뉴런과 유사한 방식으로 의사 결정을 내리게된다. Ex) Input을 입력받아 활성함수(Activation Function) 에 따라 0 이나 1 등의 값을 Output합니다.

1.1.2 딥러닝(DNN) NN 기법을 좀더 발전시킨 것으로써 입력층과 출력층 사이에 있는 은닉층의 갯수가 많아지면서 이를 깊다 라는 의미의 Deep Learning이라고 함 은닉층이 많아지게 되면서 더욱 높은 연산능력을 갖추게 됨 이 높은 연산을 기반으로 많은 데이터 처리, 높은 횟수의 반복학습, 사전 학습 등이 가능해짐

1.1.3 합성곱신경망(CNN) Convolution(합성곱): 두 함수를 곱해서 합친다 CNN은 데이터의 특징을 추출하여 특징들의 패턴을 파악해 정답을 맞춰내는 구조 이때 특징은 데이터에서 커널이라는 필터를 사용하여 목적에 맞는 정보만 추출하여 이를 출력층에 넘겨줌 그렇기에 시각적인 요소가 중요한 이미지 종류에 주로 사용됨 Convolution > Pooling > Convolution > Pooling > Output 이때 CNN은 FC(FullyConnected)되어있다.

1.1.4 순환신경망(RNN) Recurrent(순환): 되돌아오는 RNN은 은닉층의 노드에서 활성화 함수를 통해 나온 결과값을 출력층 방향으로 보낸후 다시 자기자신에게 그 결과값을 반영해 다음 데이터의 학습시에 사용합니다 이로써 얻을수 있는 이점으로 흐름과 맥락이라는 것이 존재하는 시계열(자연어, 음성인식) 등에 처리하는데 유용하게 사용됨

GAN(적대적 생성 신경망) Generative Adversarial Network 즉 GAN 은 쉽게 설명하면 경찰과 도둑 같은 신경망임 최고의 위조품을 만들어 내야하는 도둑(생성자) 이를 감별해내어 구분해야하는 경찰(판별자) 이러한 과정을 계속 반복하게 되면 도둑은 점점 진짜와 가까운 위조품을 만들게 되고 경찰은 결국 이를 구별해내지 못하고 확률은 50%에 수렴하게 된다. 진짜와 가짜가 구별이 되지않는 50%에 수렴하게 된다면 이때 학습이 종료된다.

2.1 GAN의 loss_cut G모델 loss : 1에 가깝게되면 (Good) D모델 loss : 0.5를 기준으로 (이상이다 정답률 DOWN , 이하이다 정답률 UP. 사실상 0.5가 되면 모조품과 진품의 구별이 안되는 랜덤선택임.) 종합적으로 둘다 losscut이 1에 가깝거나 수치에 상관없이 G모델 == D모델 이 된다면 성공적으로 학습이 되었다라고 볼수있다.

2.2 GAN의 단점 GAN자체로는 좋은 성능을 뽑아낼수 없고 결과물이 랜덤이다 (그때 그때 다른성능이 나옴) 그리하여 성능의 일관화를 위해 Convolutionl(합성곱)을 추가하여 깊은 합성곱 생성자 모델이 필수적으로 사용되어야함

2.3 DCGAN 코드를 제작하였으나 과부하로 인한 학습 불가로 인해 중단함. 대신 좀더 좋은 결과를 얻기위해 추가 데이터 부여.