Earticle

Island tourism offers distinct attractions compared to land-based travel, providing visitors with unique natural environments and independent cultures not found on the mainland. Due to its ability to facilitate various leisure activities and provide an escape from daily routines, island tourism is expected to maintain steady demand. However, it is also more vulnerable to change in climate and weather changes, making it susceptible to significant restrictions and direct impacts. Despite the growing interest in island tourism, existing research has primarily focused on island classification rather than strategies for effectively utilizing island tourism resources. This study aims to develop a data-driven evaluation and activation strategy for island tourism resources in Jeollanam-do, South Korea. To achieve this, an island classification system is proposed to systematically categorize islands based on their tourism-related characteristics. The classification system is constructed using exploratory factor analysis and a clustering technique based on the Gaussian Mixture Model (GMM), allowing for the identification of key island attributes. Furthermore, an island recommendation algorithm is introduced based on the established classification system, providing strategic insights for the efficient management and promotion of island tourism resources. The findings of this study contribute to enhancing the sustainable utilization of island tourism by offering a systematic framework for resource evaluation and strategic development.

안드로이드 악성 앱들을 효과적으로 탐지하기 위해 기계학습 기반의 앱 분류 기법이 많이 연구되고 있다. 전통적인 기계학습 기반의 안드로이드 악성 앱 탐지 기법은, 시간이 지남에 따라 앱의 특징이 변화하는 개념 드리프트(concept drift) 문제로 인해 성능이 저하된다. 본 논문에서는 개념 드리프트에 효과적으로 대응하기 위해, GMM(Gaussian Mixture Model) 군집화를 적용한 새로운 악성 앱 탐지 기법을 제안한다. 제안 기법은 데이터의 확률적 분포를 여러 개의 가우시안 컴포넌트로 모델링하고, 컴포넌트별로 최적화된 분류기를 학습시키는 방식으로 동작함으로써, 재학습을 하지 않고도 시간에 따라 변화하는 안드로이드 앱의 특징에 효과적으로 대응할 수 있다. 2014년부터 2023년까지의 안드로이드 앱들을 대상으로 실험한 결과, 개념 드리프트로 인해 2019년 이후 데이터 셋에 대해 전통적인 기계학습 모델의 성능이 크게 저하되었다. 반면, 제안된 GMM 기반 모델은 모든 연도에서 비교적 안정적인 성능을 유지하며, 전통적인 기계학습 모델보다 F1-Score는 8.9%p, AUT는 10.1%p 향상된 성능을 보였다.

Machine learning-based techniques have been extensively explored for detecting malicious Android applications. However, traditional models often suffer from performance degradation over time due to concept drift, where the behavioral and structural features of apps evolve. To address this issue, we propose a novel detection framework that leverages Gaussian Mixture Model (GMM) clustering to mitigate the impact of concept drift. Our approach models the underlying data distribution as a mixture of Gaussian components and trains a specialized classifier for each component. This allows the system to adapt to shifting feature distributions without the need for frequent retraining. Experimental evaluations conducted on Android app datasets spanning from 2014 to 2023 demonstrate that traditional machine learning models experience significant performance decline on post-2019 data due to concept drift. In contrast, our GMM-based framework maintains robust detection performance across all years, achieving an 8.9 percentage point improvement in F1-score and a 10.1 percentage point increase in Area Under Time (AUT) compared to conventional methods.

본 논문에서는 기존의 정보량(Entropy) 기반 클러스터링 기법을 향상시키기 위한 방법으로서 퍼지 정보량을 이용하였다 가우시안 혼합 모델을 이용하면, 프로토타입의 목적 함수를 이용하는 클러스터링 기법보다 향상된 결과를 얻을 수 있고, Parameter의 조정이 요구되지 않는다. 그러나, 가우시안 혼합 모델의 사용은 주어진 패턴 집합을 클러스터링하는데 계산량의 증가를 초래하게 된다. 본 논문에서는 가우시안 혼합 모델의 정형화에 요구되는 계산량을 감소시키는 방법을 제시한다 또한 퍼지정보량(Fuzzy Entropy)을 적용하여 기존의 정보량 기반의 클러스터링 결과와 비교 분석하였다.