1 |
1
학습 모집단에 대해 학습데이터에 포함된 복수의 고정 필드(filed)들 각각에 대한 제1 피처(feature)를 생성하는 제1 피처 생성부;상기 학습데이터에 포함된 적어도 하나의 가변 필드에 대한 제2 피처로서 n 차원(상기 n 은 자연수)의 피처 벡터를 생성하는 제2 피처 생성부; 및상기 제1 피처와 상기 제2 피처를 성분으로 포함하는 벡터를 상기 학습데이터에 관한 학습 벡터로서 생성하는 학습 벡터 생성부를 포함하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치
|
2 |
2
제1항에 있어서, 상기 제1 피처 생성부는상기 복수의 고정 필드들에 대해 특징 추출 알고리즘을 적용하여 상기 제1 피처(feature)로서 하나의 정수를 생성하는 것을 특징으로 하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치
|
3 |
3
제1항에 있어서, 상기 제2 피처 생성부는상기 적어도 하나의 가변 필드로부터 복수의 워드(word)들을 추출하고 상기 복수의 워드들 각각의 출현빈도를 기초로 상기 n 차원의 피처 벡터를 생성하는 것을 특징으로 하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치
|
4 |
4
제3항에 있어서, 상기 제2 피처 생성부는상기 복수의 워드들을 기초로 상기 학습 모집단에 대한 TF(Term Frequency) 또는 DF(Document Frequency) 순위를 결정하는 제1 단계, 상기 TF 또는 DF 순위를 기준으로 상기 n 차원에 대응하는 워드를 결정하는 제2 단계 및 상기 n 차원 별로 대응하는 워드의 출현 여부에 따라 성분값을 결정하는 제3 단계를 수행하여 상기 제2 피처를 생성하는 것을 특징으로 하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치
|
5 |
5
제4항에 있어서, 상기 제2 피처 생성부는상기 제3 단계에서 워드 별로 출현한 경우 '1'을 상기 성분값으로 결정하고 출현하지 않은 경우 '0'을 상기 성분값으로 결정하는 것을 특징으로 하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치
|
6 |
6
제1항에 있어서, 상기 제2 피처 생성부는상기 적어도 하나의 가변 필드에 대해 피처 해싱(Feature Hashing)을 적용하여 상기 n 차원의 피처 벡터를 생성하는 것을 특징으로 하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치
|
7 |
7
제1항에 있어서,상기 학습 데이터에 대한 특징 정보로서 상기 학습 벡터를 학습하여 악성코드 탐지 모델을 생성하는 악성코드 탐지 학습부; 및상기 악성코드 탐지 모델을 이용하여 악성코드를 탐지하는 악성코드 탐지부를 더 포함하는 것을 특징으로 하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 장치
|
8 |
8
학습 벡터 생성 장치에서 수행되는 방법에 있어서,학습데이터에 포함된 복수의 고정 필드(filed)들 각각에 대한 제1 피처(feature)를 생성하는 단계;상기 학습데이터에 포함된 적어도 하나의 가변 필드에 대한 제2 피처로서 n차원(상기 n은 자연수)의 피처 벡터를 생성하는 단계;상기 제1 피처와 상기 제2 피처를 성분으로 포함하는 벡터를 상기 학습데이터에 관한 학습 벡터로서 생성하는 단계;상기 학습 데이터에 대한 특징 정보로서 상기 학습 벡터를 학습하여 악성코드 탐지 모델을 생성하는 단계; 및상기 악성코드 탐지 모델을 이용하여 악성코드를 탐지하는 단계를 포함하는 보안관제 데이터 분석을 위한 머신러닝 기반의 학습 벡터 생성 방법
|