Implementation of music recommendation system based on collaborative filtering

허신우 신라대학교 일반대학원 2021 국내박사

Due to the rapid growth of the online music industry, there are plenty of music data generated. As a result, users are faced with a large amount of song information and it is difficult for users to find the music of interest fast. In this circumstance, it is necessary to have an effective music recommendation system that is capable to find the songs that users like fast and provide a pleasant experience. In this paper, a music recommendation system is designed and implemented to solve this problem. The proposed music recommendation system is quick to meet the user's needs and effective in showing the information of interest to the user. The recommendation system algorithm relies mainly on user preference to remove unnecessary data information and on filters to show the final result. Currently, collaborative filtering algorithms have been widely used in recommendation systems. The common problems with collaborative filtering include cold start and data scarcity. Though the existing recommendation systems provide information to users in a relatively short time, there remain some problems with the quality and efficiency of recommendation. In order to enhance the accuracy of music recommendation, the quality of recommended content is improved in this paper using the music popularity ranking and an optimized collaborative filtering method. Moreover, a hybrid recommendation method is proposed that improves the quality of recommendation and the diversity of content by combining music popularity ranking, user-based collaborative filtering method, and item-based collaborative filtering method. Then, a music recommendation system is implemented using the proposed hybrid recommendation method. 온라인 음악 산업의 급속한 발전으로 인하여 많은 음악 데이터가 생성되고 있다. 사용자들은 많은 양의 노래 정보에 직면하고 있으며 사용자가 관심 있는 음악을 빨리 찾기가 어렵다. 따라서 사용자가 좋아하는 곡을 빠르게 찾고 좋은 경험을 제공 할 수 있는 효과적인 음악 추천 시스템이 필요하다. 본 논문에서는 이러한 문제를 해결하기 위하여 음악 추천 시스템을 설계하고 구현한다. 음악 추천 시스템은 사용자의 요구를 빠르게 충족시킬 수 있고 사용자에게 관심 있는 정보를 효과적으로 보여준다. 추천 시스템 알고리즘은 주로 사용자의 선호도를 이용하여 불필요한 데이터 정보를 제거하며 필터링하여 최종 결과를 보여준다. 협업 필터링 알고리즘은 추천 시스템에서 널리 사용하고 있다. 협업 필터링이 가지고 있는 일반적인 문제는 콜드 스타트 ​​및 데이터 희소성 문제이다. 기존의 추천 시스템은 비교적 짧은 시간에 사용자에게 정보를 제공하지만 추천 품질 및 추천 효율성에 문제가 있다. 본 논문에서는 음악 추천의 정확성을 높이기 위해 음악 인기 순위와 최적화 된 협업 필터링 방법을 사용하여 추천 콘텐츠의 품질을 높인다. 본 논문에서는 음악 인기 순위, 사용자 기반 협업 필터링 방법과 아이템 기반 협업 필터링 방법을 혼합한 하이브리드 추천 방법을 제안하고 추천 품질과 콘텐츠 다양성을 향상시킨다. 그리고 제안한 하이브리드 추천 방법을 사용하여 음악 추천 시스템을 구현한다.

Enhanced FAM method for image restoration

진용 신라대학교 일반대학원 2021 국내박사

Image restoration refers to the recovery of an underlying image from an observation corrupted by various types of noise. In digital forensic software, such an image restoration process should be noise-tolerant, robust, fast, and scalable. Among many existing models of associative memory, Fuzzy Associative Memory (FAM) is widely used in the implementation of such systems using a fuzzy Hebbian learning rule. Such methods are often based on max-min or max-product compositions for the synthesis of the weight matrix. The FAMs provide important advantages including noise tolerance, unlimited storage, and one-pass convergence nevertheless they have low capacity. FAM performance is also related to its ability to capture the content of each pattern and its association. Therefore, when the traditional FAM is applied to recover images, the recovery rate of images is high for the same individuals with different backgrounds, but low if the same individuals have the same background. To address this issue we propose a T_norm-based FAM technique. In fuzzy theory, the operations that can be applied to the value of the function to which they belong are T_norm (Triangular-norm) and T_conorm (Triangular-conorm). Here we apply the T_norm to improve the degree of repair for the FAM weighted value operation. To verify the performance of the proposed T_norm-based FAM method, we conduct experiments with 20 images. In our dataset, researchers conduct experiments with 20 images of objects damaged against the same background and 20 images of objects damaged against different backgrounds were tested.. For both cases, 90% recovery performance is achieved using the T_norm-based FAM method. This shows % recovery performance in the existing FAM. Nevertheless, the RMSE is high with the proposed T_norm-based FAM method and the existing FAM all recovered in the video. 영상 복원은 다양한 유형의 잡음에 의해 손상된 영상에서 원 영상으로 복원하는 것이다. 디지털 포렌식 소프트웨어에서 이러한 영상 복원 프로세스는 잡음에 강하고 견고하며 빠르며 확장이 가능해야한다. 영상 복원을 위한 많은 연상 메모리 모델 중에서 퍼지 연상 메모리(FAM : Fuzzy Associative Memory)는 가중치 행렬의 합성을 위해 Max-Min 또는 Max-Product 측면에서 Fuzzy Hebbian 학습 규칙을 사용하여 이러한 구조를 성공적으로 구현한 모델 중의 하나이다. 퍼지 연상 메모리는 소음 내성, 무제한 저장 및 원 패스 수렴을 비롯한 다양한 장점을 가지고 있다. FAM의 성능을 결정하는 중요한 속성은 각 패턴의 콘텐츠를 캡처하는 기능과 패턴의 연관성이다. 따라서 기존의 퍼지 연상 메모리(FAM)을 적용하여 이미지를 복원할 경우에는 같은 객체들에 대해서 배경이 다른 경우에는 영상의 복원 정도가 높지만 같은 객체들에 대해서 배경이 같은 경우에는 복원 정도가 매우 낮게 나타난다. 이러한 문제점을 개선하기 위하여 본 논문에서는 T_norm 기반 퍼지 연상 메모리 기법을 제안한다. 퍼지 이론에서 소속 함수의 값에 적용할 수 있는 연산으로 T_norm(Triangular-norm)과 T_conorm(Triangular-conorm)이 있다. 본 논문에서는 퍼지 연상 메모리의 가중치 연산에 T-norm을 적용하여 복원 정도를 개선한다. 제안된 T_norm 기반 FAM 방법의 성능을 확인하기 위하여 20개의 영상을 대상으로 학습한 후에 같은 배경에서 객체들의 영역 일부가 손실되거나 잡음이 있는 20개 영상과 다른 배경에서 객체들의 영역 일부가 손실되거나 잡음이 있는 20개 영상을 실험하였다. 두 경우에 대해서 제안된 T_norm 기반 FAM 방법에서는 90%의 복원 성능이 나타났고 기존의 FAM에선 40%의 복원 성능을 보였다. 그러나 제안된 T_norm 기반 FAM 방법과 기존의 FAM에서 모두 복원된 영상에서의 제곱근 평균 오차 (RMSE)는 제안된 T_norm 기반 FAM 높게 나타났다.

Performance evaluation of classification algorithms for imbalanced dataset

왕문송 신라대학교 일반대학원 2021 국내박사

본 논문에서는 분류 알고리즘의 성능을 평가하기 위하여 이진형 불균형 데이터셋을 사용한다. 성능 평가를 위하여 F_Measure를 평가 지표로 사용한다. 다양한 불균형 데이터셋의 샘플링 방법을 비교하면 SMOTETomek 샘플링 방법이 불균형 데이터셋에 좋은 샘플링 효과가 있음을 알 수 있다. F_Measure의 평균값은 0.7601에 도달하여 랜덤 샘플링의 평균값 0.7503보다 높다. 다양한 불균형 수준의 불균형 데이터셋을 처리 할 때 Logistic, k-NN, Random Forest, 그리고 AdaBoost 알고리즘의 성능을 비교하고 분석한다. 실험에 따르면 다양한 샘플링 조건에서 AdaBoost 알고리즘의 F_Measure 평가 값이 0.8642 이상으로 유지된다. AdaBoost 알고리즘의 분류기 최적화를 기반으로 랜덤 포레스트를 분류기로 사용하는 RFAdaBoost 분류 알고리즘이 불균형 데이터셋을 처리 할 때 효율적인 성능을 나타낸다. SMOTETomek으로 데이터를 샘플링하고 처리한 불균형 데이터셋에 대하여 RFAdaBoost 알고리즘의 F_Measure는 평균 0.9499 이상으로 유지되어 AdaBoost 알고리즘 0.9143의 평균값보다 높다. SMOTETomek 샘플링을 기반으로 한 불균형 샘플 데이터셋에서 RFAdaboost의 분류 성능이 우수함을 보인다. In this paper, a binary imbalanced dataset is used to evaluate the performance of the classification algorithm. For performance evaluation, F_Measure is used as an evaluation index. Comparing various sampling methods for imbalanced dataset, it can be seen that the SMOTETomek sampling method has good sampling effect on imbalanced dataset. The average value of F_Measure reached 0.7601, which is higher than the average value of 0.7503 for the random sample. Through experiments, we compared and analyzed the performance of Logistic, k-NN, Random Forest and AdaBoost algorithms when processing imbalanced dataset with various levels of imbalance. According to experiments, the F_Measure evaluation value of the AdaBoost algorithm is maintained above 0.8642 under various sampling conditions. Based on the classifier optimization of the AdaBoost algorithm, the RFAdaBoost classification algorithm, which uses a random forest as a classifier, shows efficient performance when processing imbalanced dataset. For the imbalanced dataset sampled and processed by SMOTETomek, the F_Measure of the RFAdaBoost algorithm is maintained at an average of 0.9499 or higher, which is higher than the average value of 0.9143 of the AdaBoost algorithm. It is shown that RFAdaboost's classification performance is excellent in the imbalanced sample dataset based on SMOTETomek sampling.

Prediction of air quality index based on LSTM model with multivariable time series

하양 신라대학교 일반대학원 2021 국내박사

베이징과 서울은 지역별 대기질 지수(AQI)를 미리 예측함으로써 적절한 시기에 경고를 할 수 있는 위도 상관관계를 가지고 있으면 본 논문에서는 향후 10시간동안의 베이징과 서울의 단기 대기질 지수인 AQI를 예측하는 딥러닝 모델인 LSTM을 제시 한다. 베이징 관측소의 2015년과 서울 관측소의 2015년의 AQI 시계열 데이터세트에서 미세먼지 농도 데이터(주로 PM2.5·공기역학 지름이 2.5mm 미만인 미세먼지)와 같은 기간 공기 중의 기체 오염물질 데이터(주로 CO, NO2, O3, SO2)를 종합했다. 종합된 모든 데이터를 LSTM 학습을 위한 학습데이터와 학습된 LSTM의 평가를 위한 테스트 데이터로 나눈 후 LSTM을 학습시켜 대기질 지수 지표의 예측치를 얻었다. 본 논문에서는 데이터 특징이 다른 베이징 관측소와 서울 관측소의 데이터를 AQI 서열 모형에 입력하여 AQI 지표 예측 농도 값을 받아온다. 그 후 AQI 지표 예측 농도의 평균값을 각 도시의 전체 AQI 예측결과로 산출한다. LSTM의 학습정도를 평가하기 위하여 평균 제곱오차(MSE)를 정량적 근거로 사용하였으며, 평균 제곱오차가 가장 작은 모델을 반복적으로 사용하여 좋은 결과를 얻었다. This paper presents a deep learning model to predict the AQI in Beijing and Seoul, aims at predicting short-term air quality from 12:00 am to 10:00 am (10 hours) on January 1, 2016. The particle concentration data (mainly PM2.5, i.e., particles with aerodynamic diameter ≤ 2.5 mm) of Beijing and Seoul monitoring stations are considered. The data is then converted into the supervised learning format and normalized. The Long Short-Term Memory (LSTM) is then used for training to obtain the predicted values of AQI indicators. The representative stations provide the AQI sequences with different data characteristics which are then used in a model to obtain the predicted concentration values of the AQI indicators of the representative stations. We then calculate the average value as the overall AQI prediction result of Beijing and Seoul. The AQI time-series datasets were collected from monitoring stations in Beijing from 2015 and Seoul from 2015. the Mean Square Error (MSE) is used in the laboratory as a basis for experimental coordination and as a quantitative basis for predicting model capabilities. Our results suggest that the proposed model outperforms the loss rate of the RNN-based models and provides an accurate prediction of the future AQI.

블록체인 및 RBAC 기반 정보시스템 감사시스템 설계

김도훈 부산대학교 2022 국내석사

급속도로 정보기술이 발전하며 대다수 업무 처리는 정보시스템에 의존하게 되며 업무 효율성 및 기업운영 측면에 이점을 가지고 왔지만 이에 따른 정보보안 문제를 확산시키게 되었다. 정보보호 사고로 인해 발생하는 기업의 책임에 대한 법적 제도를 마련하고 일정 수준 이상의 보안성 확보를 유도하고 있지만 완벽한 보안 수준 달성이 어려워 주기적인 점검을 통한 지속적 보안관리 활동이 요구되고 있다. 이에 내외부 조직을 통한 정보시스템 감사의 중요성은 점차 커지며 내부적으로 전문가를 확보해 자생력을 확보하고 외부 전문업체를 통한 객관적인 평가에 대한 수요가 증가하고 있다. 하지만 중앙행정부처 또는 소관기관을 통한 정보시스템 감사 진행 시 기관에서 제출하는 감사 증적에 대한 신뢰 문제가 발생하며 주요 감사 증적(정보시스템 로그 등)에 대한 투명한 기록과 관리가 요구되고 있지만 내부 인원에 의한 정보 조작 또는 은폐에 대한 뚜렷한 해결방안이 존재하지 않고 있다. 본 논문에서는 정보시스템 감사를 수행함에 있어 가장 주요한 감사 증적인 정보시스템 로그에 대한 기록의 투명성 향상을 위한 블록체인 네트워크의 사용, 해당 데이터에 대해 역할기반 접근통제를 수행해 반드시 필요한 조직 또는 인원에게만 접근을 허용할 수 있는 시스템을 제안한다. 실제 용량이 큰 원본 데이터는 오프체인 형태로 외부에 저장하며 해당 로그에 대한 해시값을 블록체인에 기록하여 기록의 투명성 향상과 네트워크 처리 효율성을 제고하며, 접근통제를 통해 필요한 대상에 대한 데이터 공유와 권한 제어에 대한 편의성을 제공한다.

TPR-Tree를 사용한 효율적인 시공간 연속 슬라이딩 윈도우 질의 처리 방법

임동준 부산대학교 대학원 2022 국내석사

함정 시스템에서 함정 주변에 발생하는 수많은 전술 이동 객체들의 이벤트들에 대해 적절한 대응을 하기 위해선 스트림 데이터의 신속한 처리가 필요하다. 이를 위해 사전에 많은 양의 규칙을 정의하여 발생한 이벤트에 맞는 대응을 할 수 있도록 한다. 이러한 규칙들은 객체의 성질을 분류하는 event capture과 event filter, 공간에 대해 연속적인 질의를 하는 continuous query, 이벤트의 패턴 및 궤적 등을 분류하는 complex event processing으로 나뉜다. 그중 시공간 연속질의 규칙들의 경우 같은 공간에 대한 연속적인 질의가 발생하여 중복연산을 일으킨다. 본 논문은 시공간 연속질의 규칙들의 처리를 슬라이딩 윈도우를 사용하여 이전 결과값을 사용함으로써 중복연산을 줄이고 TPR-Tree를 사용하여 결과값 재사용 시 발생하는 문제점들을 예방하여 개선함으로써 이벤트들의 스트림 데이터를 실시간으로 처리하고자 한다.

SSD 내부 쓰기 버퍼의 선택적 내구성 보장을 통한 전원 손실 보호 기법 연구

양준석 부산대학교 대학원 2022 국내석사

오늘날 대부분의 SSD는 호스트의 쓰기 요청을 흡수하고 낸드 플래시 메모리의 쓰기 횟수를 줄이기 위해 DRAM 기반의 내부 쓰기 버퍼를 사용한다. 하지만 휘발성의 쓰기 버퍼는 갑작스러운 전원 손실 상황이 발생할 경우 데이터의 영속성을 보장하지 못한다. 따라서 고신뢰성을 요구하는 데이터센터용 SSD에서는 전원 손실 시 캐패시터의 전력을 이용해 쓰기 버퍼의 데이터를 낸드 플래시 메모리에 기록하는 전원 손실 보호(Power Loss Protection) 기법을 사용한다. 하지만 대용량 SSD가 등장함에 따라 내부 쓰기 버퍼 크기도 함께 증가한 반면 캐패시터 용량은 내부 공간의 한계와 비용으로 인해 무한정 증가하기가 어려운 문제가 있다. 따라서 본 논문에서는 쓰기 버퍼의 데이터에 대해 선택적으로 전원 손실 보호 기법을 적용함으로써 필요 캐패시터 용량을 낮추면서도 데이터의 무결성은 유지하는 기법을 제안한다. 해당 기법에서 호스트는 쓰기 요청 시 전원 손실 보호 적용 여부를 SSD로 전달하고 SSD는 전원 손실 시 영속성 보장이 요청된 데이터에 대해서만 낸드 플래시 메모리에 기록을 수행한다. 제안된 기법은 ZNS(Zoned Namespace) 인터페이스와 RocksDB용 ZenFS를 이용해 구현했으며 데이터 복구에 반드시 필요한 WAL(Write-ahead Log) 파일에 대해서만 선택적으로 내구성을 보장함으로써 필요 캐패시터의 양을 약 50% 이상 감소시켰다.

RISC-V 프로세서 기반의 데이터 기밀성 및 무결성 보장 아키텍처 설계 및 구현

이진재 부산대학교 대학원 2022 국내석사

With the spread of Internet of Things (IoT) devices, embedded systems are being used in various fields, and due to their high accessibility, they are rapidly spreading to homes and businesses. In addition, due to the efficiency of embedded systems, it is rapidly being applied to fields that require high reliability such as machine control and military weapon systems. However, privacy problems and security problems caused by malicious tampering attacks are also increasing, so studies on structures that can ensure data confidentiality and integrity of embedded systems are required. In the case of security structures for existing commercial processors, structures that ensure data confidentiality and integrity through memory isolation are mainly used by additional implementations of privilege levels on the system, but in low-performance embedded systems, frequent context switching between privilege levels can cause performance degradation. In this paper, without the addition of a privilege level, we propose a merkle tree-based integrity guarantee structure that includes counter-mode-based data confidentiality guarantee structure of block ciphers on the RISC-V system with a defense techniques against replay attacks. The system security structure proposed in this paper provides efficient data confidentiality and integrity guarantees because data is managed in conjunction with cache operations in the system security module. IoT(Internet of Things) 디바이스의 보급으로 임베디드 시스템은 다양한 분야에서 사용되고 있으며, 높은 접근성으로 인해 가정 및 기업에 빠른 속도로 확산되고 있다. 또한, 임베디드 시스템이 가지는 효율성으로 인해 기계 제어, 무기체계와 같은 높은 신뢰성이 요구되는 분야에도 빠르게 적용되고 있다. 하지만, 임베디드 시스템의 보급으로 인한 프라이버시 문제 및 악의적인 tampering 공격으로 인한 보안 문제 또한 함께 증가하고 있기 때문에 임베디드 시스템의 데이터 기밀성과 무결성을 보장할 수 있는 구조에 대한 연구가 요구되고 있다. 기존의 상용 프로세서에 대한 보안 구조의 경우, 시스템상의 privilege level을 추가적으로 구현하여 메모리의 격리를 통한 데이터 기밀성 및 무결성을 보장하는 구조가 주로 사용되지만, 저성능 임베디드 시스템에서는 privilege level간의 잦은 context switching은 성능 감소의 원인이 될 수 있다. 본 논문에서는 privilege level의 추가 없이, RISC-V 시스템상의 블록암호의 counter-mode기반 데이터 기밀성 보장 구조 및 replay 공격에 대한 방어 기법을 포함하는 머클트리 기반 무결성 보장 구조를 제안한다. 본 논문에서 제안하는 시스템 보안 구조는 시스템상의 보안 모듈에서 캐시의 동작과 연동하여 데이터를 관리하기 때문에 효율적인 데이터의 기밀성 및 무결성 보장 기능을 제공한다.

API 서열 분석을 통한 .NET 난독화 도구 자동 식별

허태광 부산대학교 2021 국내석사

IT 기술의 발전으로 소프트웨어가 늘고 있고 이를 보호하기 위해 난독화 기술을 사용하고 있지만, 난독화 기술이 악성 코드를 숨기는 데 사용되고 있다. 이와 함께 최근 .NET 사용량이 증가하고 난독화 기술을 적용한 악성 코드도 증가하고 있다. 이러한 .NET 난독화 기술이 적용된 프로그램은 de4dot을 통해 분석할 수 있지만 de4dot은 난독화 도구를 제대로 탐지하지 못하고 난독화 회피 기법에 취약한 문제가 있다. 이를 해결하기 위해 프로그램 특징인 API를 사용하여 서열 분석을 통해 프로그램의 유사도를 바탕으로 난독화 도구 자동 분류를 수행하였다. 제안 시스템의 성능을 확인하기 위해 5개의 프로그램에 7개의 난독화 도구를 적용하여 실험하였다. 실험 결과 de4dot에서는 42.8% 정확성을 보이고 제안 시스템에서는 de4dot보다 높은 78.5%의 정확성을 보였다. 또한, 난독화 회피 기법이 적용된 5개 프로그램을 모두 분류하였다.

TSCH 기반 RPL 환경에서 주기적 링크 품질 측정에 기반한 선호 부모 변경 기법

신형택 부산대학교 대학원 2022 국내석사

센서 네트워크에서 주로 사용되는 라우팅 프로토콜은 링크 품질에 기반을 둔 통신 링크 선택이 핵심 사항이다. 효과적인 링크 품질 평가는 통신을 위한 고품질 링크 선택 및 안정성 향상에 도움이 되며, 실시간으로 수행되는 링크 품질 평가는 무선 센서 네트워크의 신뢰성 향상에 필수적이다. 현재는 경로가 설정 된 후 통신 대상만을 한정으로 링크 품질을 평가하고 있다. 이는 통신이 수행되지 않는 이웃 노드의 평가를 어렵게 한다. 따라서 본 논문에서는 주변 이웃을 대상으로 주기적인 통신수행의 결과로 축적된 정보를 이용하여 링크 품질 평가를 수행하고 선호부모 변경에 해당 정보를 적용하고자 한다. 본 논문에서는 Neighbor Link Quality Estimation (NLQE) 패킷 생성을 통해 추가적인 링크 품질 평가에 활용되도록 설계 및 평가를 진행하였다. 시뮬레이션 결과는 이전과 비교하여 패킷 전달 비율을 평균 15% 이상 증가시켰으며, 지연속도 또한 평균 20%를 감소시킴을 증명했다. In the routing protocol mainly used in sensor networks, communication link selection based on link quality is a key issue. Effective link quality evaluation helps to select a high-quality link for communication and improves stability, and link quality evaluation performed in real time is essential for improving the reliability of wireless sensor networks. Currently, link quality is evaluated by limiting the communication target after the route is established. This makes it difficult to evaluate the neighbor node in which communication is not performed. Therefore, in this paper, the necessity of information accumulation through the periodic communication occurrence and result for neighboring neighbors and the application plan are to be presented. In this paper, design and evaluation were carried out to be used for additional link quality evaluation through Neighbor Link Quality Estimation (NLQE) packet generation. The simulation result showed that the packet delivery rate increased by more than 15% on average compared to the previous one, and latency was also reduced by 20% on average.