Earticle

현실 세계에서는 기존에 알려지지 않은 새로운 유형의 변종 공격이 끊임없이 등장하고 있지만, 인공신경망과 지도학 습을 통해 개발된 공격 트래픽 분류모델은 학습을 실시하지 않은 새로운 유형의 공격을 제대로 탐지하지 못한다. 기존 연구들 대부분은 이러한 문제점을 간과하고 인공신경망의 구조 개선에만 집중한 결과, 다수의 새로운 공격을 정상 트래 픽으로 분류하는 현상이 빈번하게 발생하여 공격 트래픽 분류성능이 심각하게 저하되었다. 한편, 다중분류 문제에서 각 클래스에 대한 분류가 정답일 확률을 결과값으로 출력하는 소프트맥스(softmax) 함수도 학습하지 않은 새로운 유형의 공격 트래픽에 대해서는 소프트맥스 점수를 제대로 산출하지 못하여 분류성능의 신뢰도 또는 정확도를 제고하는데 한계 를 노출하고 있다 . 이에 본 논문에서는 소프트맥스 함수의 이러한 특성을 활용하여 모델이 일정 수준 이하의 확률로 판단한 트래픽을 공격으로 분류함으로써 새로운 유형의 공격에 대한 탐지성능을 향상시키는 방안을 제안하고, 실험을 통해 효율성을 입증한다.

In the real world, new types of attacks or variants are constantly emerging, but attack traffic classification models developed through artificial neural networks and supervised learning do not properly detect new types of attacks that have not been trained. Most of the previous studies overlooked this problem and focused only on improving the structure of their artificial neural networks. As a result, a number of new attacks were frequently classified as normal traffic, and attack traffic classification performance was severly degraded. On the other hand, the softmax function, which outputs the probability that each class is correctly classified in the multi-class classification as a result, also has a significant impact on the classification performance because it fails to calculate the softmax score properly for a new type of attack traffic that has not been trained. In this paper, based on this characteristic of softmax function, we propose an efficient method to improve the classification performance against new types of attacks by classifying traffic with a probability below a certain level as attacks, and demonstrate the efficiency of our approach through experiments.

교통방송에서 제공하는 교통정보는 방송매체의 특성상 정성적인 교통정보 방송멘트를 사용하고 있기 때문에 도로 상에서 정보 이용자가 공감할 수 있는 교통정보를 제공하기 위해서는 제보자와 정보 제공자의 판단 기준을 이용자 측면에서 명확한 정립이 필요하다. 이에 본 연구에서는 교통방송에서 명확한 구분 없이 임의적으로 사용되고 있는 교통정보 방송멘트에 대한 기준을 제안하고자 통신원, 교통방송 종사자, 운전자들이 동일하게 느끼는 교통상황 판단 기준과 교통정보 방송멘트에 대한 인지특성을 조사하고 분석하였다. 그 결과, 교통상황별로 인지 차이가 거의 없는 평균 통행속도를 기준으로 한 정보 제공이 이루어져야 하며, 통행속도를 기준으로 한 교통상황은 원활 상태가 60km/h 이상, 서행 상태가 40~60km/h 미만, 정체 상태가 40km/h 미만으로 분류됨을 알 수 있었다. 그리고 35개의 교통정보 방송멘트를 교통상황별로 분류해 본 결과, 원활 상태는 8개, 정체 상태는 9개로 명확하게 분류되었으나 18개 멘트는 애매하게 인지하고 있어 서행 상태를 표현하는데 적절하지 않음을 알 수 있었다. 따라서 ‘원활’, ‘서행’, ‘정체’라는 단어를 포함한 멘트를 직접 사용하는 것이 좋을 것으로 판단되었다. 향후 연구과제로는 차량 동적시뮬레이터 등을 통해 실제와 동일한 교통흐름을 재현하고 교통정보 방송멘트를 제공하고 운전자의 인지 반응을 조사하여 보다 명확한 기준을 정립해야겠다.

Traffic broadcasting is using a usual traffic information announcement when giving its information to users on the road and for the provision of information useful to drivers, a clear criteria of how to judge with information from informers needs to be established from the perspective of users. In this study, to give some available criteria for current announcement which often causes confusion, cognitive characteristics were investigated and analyzed based on judgment criteria which are commonly felt by correspondents, participants in traffic broadcasting and drivers. The result requires the provision of information that is relied on an average speed where drivers feel little cognitive difference and found a classification where a smooth traffic flow is more than 60km/h, going slow 40~60km/h and congested state less than 40km/h respectively. And from the study of 35 traffic information announcement for different traffic situations, 8 cases of smooth state and 9 cases of congested state were clearly classified but the rest 18 cases of comment were ambiguously perceived by drivers and which requires the necessity of a announcement that uses directly the word of ‘smooth’, ‘slow’, and ‘congestion’ in the actual expression of slow driving. The future study should be focused on the establishment of more definite criteria by representation of nearly real traffic flow, provision of traffic information announcement and the analysis of cognitive response through car dynamic simulators and the kinds.

본 연구는 실사고 데이터 기반의 체계적인 페달 오조작 교통사고 유형 분류를 목적으로 한 다. 분석에는 2024년 페달 오조작으로 감정된 사고 243건을 활용하였으며 혼합형 변수로 구성 된 데이터 특성을 고려하여 Gower distance를 적용해 사고 사례 간 유사도를 산정하고, 이를 기반으로 응집형 계층적 클러스터링을 수행하였다. 사고 시나리오 관점에서 고령 운전자의 주 차 중 인적 피해 유형, 상대적 고령 운전자의 주행 중 사고 유형, 구형 차량에서 발생한 유형, 주차 중 물적 피해 유형 등 네 개의 대표적 사고 유형으로 통합 및 재구성하였다. 분석결과는 페달 오조작 사고가 단일 메커니즘이 아닌 운전자 특성, 주행 상황, 차량 요인이 복합적으로 작용한 결과임을 시사하며, 향후 안전도 평가 시나리오 고도화와 사고 예방 정책 수립을 위한 실증적 근거를 제공한다.

This study classified the occurrence characteristics and accident types caused by pedal misapplication. The types of pedal misapplication traffic accidents were classified systematically based on real-world accident data. Two hundred and forty-three accident cases from 2024, forensically classified as pedal misapplication accidents, were analyzed. Considering the mixed data types, the Gower distance was used to measure the similarity between accident cases, followed by agglomerative hierarchical clustering. The results were integrated into four representative accident types from an accident-scenario perspective: personal-injury accidents involving elderly drivers during parking, accidents involving relatively elderly drivers while driving, accidents in legacy vehicles, and parking-related accidents resulting in property damage only. These findings suggest that pedal misapplication accidents result from the combined effects of driver, driving, and vehicle factors.

교통상황 분류는 신호연동그룹 단위의 정주기식 제어 기법을 효율적으로 적용하기 위하여 TOD 계획을 수립하는데 핵심적인 기술이다. 본 논문에서는 신호연동그룹에 속하는 모든 교차로 의 교통 자료 즉, 속도-교통량-밀도를 활용할 수 있는 딥 임베디드 클러스터링(Deep-Embedded Clustering:DEC) 기반 교통상황 분류 방법론을 제시하였다. 기존의 신호계획의 경우 교통량 기반으 로 주요 교차로를 선정하고 해당 교차로의 교통자료를 이용하여 단편적인 신호계획을 하였으나, 본 논문에서 제시된 방법론의 경우 신호연동 그룹내 다수 교차로의 종합적인 교통특성에 따라 교통상황을 유연하게 분류하여 신호계획을 할 수 있는 기반을 제공하였다. 본 연구에서 제시된 방법론은 일반적인 군집화 방법론이 입력 자료의 차원이 증가함에 따라 겪는 차원의 저주 (Curse of dimensionality) 문제를 완화함으로써 신호연동그룹에 속하는 모든 신호교차로의 교통자료를 고려한 신호시간 계획 수립이 가능하며 기존의 특정교차로 및 교통량만을 이용한 교통상황 분류 방법론의 단점을 극복할 수 있음을 보였다.

Traffic state classification is crucial for time-of-day (TOD) traffic signal control. This paper proposed a traffic state classification technique applying Deep-Embedded Clustering (DEC) method that uses a high dimensional traffic data observed at all signalized intersections in a traffic signal control sub area (SA). So far, signal timing plan has been determined based on the traffic data observed at the critical intersection in SA. The current method has a limitation that it cannot consider a comprehensive traffic situation in SA. The proposed method alleviates the curse of dimensionality and turns out to overcome the shortcomings of the current signal timing plan.

Onion Router라고 알려진 Tor는 강한 익명성을 보장하기 때문에 각종 범죄행위뿐만 아니라 신속한 포트 검색 및 인 증정보의 외부 유출 등 해킹 시도에도 활발하게 이용되고 있다. 따라서 범죄 시도를 조기에 차단하고 해킹으로부터 조 직의 정보시스템을 안전하게 보호하기 위해서는 Tor 트래픽의 빠르고 정확한 탐지가 상당히 중요하다. 이에 본 논문에 서는 CNN(Convolutional Neural Network)을 기반으로 Tor 트래픽을 탐지하고 트래픽의 유형을 분류하는 분류모델을 제 안한다. 제안하는 분류모델의 성능 검증에는 UNB Tor 2016 데이터세트가 사용되었다. 실험을 진행한 결과, 제안하는 접 근방법은 Tor 및 Non-Tor 트패픽을 탐지하는 이진분류에서는 99.98%, Tor 트래픽의 유형을 구분하는 다중분류에서는 97.27%의 정확도를 보여주었다.

Tor, known as Onion Router, guarantees strong anonymity. For this reason, Tor is actively used not only for criminal activities but also for hacking attempts such as rapid port scan and the ex-filtration of stolen credentials. Therefore, fast and accurate detection of Tor traffic is critical to prevent the crime attempts in advance and secure the organization's information system. This paper proposes a novel classification model that can detect Tor traffic and classify the traffic types based on CNN(Convolutional Neural Network). We use UNB Tor 2016 Dataset to evaluate the performance of our model. The experimental results show that the accuracy is 99.98% and 97.27% in binary classification and multiclass classification respectively.

본 연구에서는 교통상황을 대변할 수 있는 주요 요인변수 도출을 목적으로 교통상황 유형 에 대해 분류분석을 수행하였다. TTI(Travel Time Index)를 교통상황 판단 기준으로 사용하였고 VDS에서 일반적으로 검지되는 데이터를 활용하여 분석을 수행하였다. 먼저 요인분석을 통해 교통상황에 영향을 주는 주요인을 선정하였고, 주요인에 대하여 군집분석을 통해 교통상황을 군집화하였다. 그 후 TTI를 기준으로 각 군집별 분산분석을 실시하고 유사한 군집을 병합하여, 교통상황 유형을 분류하였다. 분석 결과 교통상황을 대변할 수 있는 주요 요인변수로 최대대 기행렬길이와 점유율을 도출하였다. 본 연구 방법론을 통해 교통상황에 영향을 미치는 주요 요인변수만을 활용하여 효율적인 교통혼잡 관리가 가능할 것으로 기대된다.

In this study, a classification analysis was performed based on the type of traffic situation. The purpose was to derive the major variable factors that could represent the traffic situation. The TTI(Travel Time Index) was used as a criterion for determining traffic conditions, and analysis was performed using data generally detected by the Vehicle Detecting System(VDS). First, the major factors influencing the traffic situation were selected through factor analysis, and traffic conditions were clustered through a cluster analysis of the major factors. After that, variance analysis for each cluster was performed based on the TTI, and similar clusters were merged to categorize the type of traffic situation. The analysis derived, the maximum queue length and occupancy as major factors that could represent the traffic situation. Through this study, it is expected that efficient management of traffic congestion would be possible by just concentrating on the main variable factors that affect the traffic situation.

겨울철 도로 결빙으로 인한 사고는 대부분 큰 사고로 이어진다. 이는 운전자가 도로의 결빙을 사전에 자각하기 어렵기 때문이다. 본 연구에서는 AutoML과 CNN의 앙상블 모델을 이용하여 도로교통 이머징 리스크 를 정확하게 탐지하는 방법을 연구한다. 비정형 데이터인 이미지를 이용한 CNN 이미지 특징 추출 기반 도로교 통 이머징 리스크 분류 모델과 정형 데이터인 기상 데이터를 이용한 AutoML 기반 도로교통 이머징 리스크 분류 모델을 각각 학습시킨다. 그 후 모델들에서 도출된 확률값을 입력하여 CNN 기반 분류 모델을 보완하도록 앙상 블 모델을 설계한다. 이를 통해 도로교통 이머징 리스크 분류 성능을 향상하고 더 정확하고 빠르게 운전자에게 경고하여 안전한 주행이 가능하도록 한다.

Most accidents caused by road icing in winter lead to major accidents. Because it is difficult for the driver to detect the road icing in advance. In this work, we study how to accurately detect road traffic emerging risk using AutoML and CNN's ensemble model that use both structured and unstructured data. We train CNN-based road traffic emerging risk classification model using images that are unstructured data and AutoML-based road traffic emerging risk classification model using weather data that is structured data, respectively. After that the ensemble model is designed to complement the CNN-based classification model by inputting probability values derived from of each models. Through this, improves road traffic emerging risk classification performance and alerts drivers more accurately and quickly to enable safe driving.

국도의 분류에 대한 연구는 계속되어왔으나 도시간선도로의 분류에 대한 연구는 미진한 편이다. 교통량의 증가로 도시간선도로는 간선도로로서의 역할을 제대로 수행하지 못하고 있다. 본 논문에서는 교통특성변수를 사용한 군집분석을 이용하여 도시간선도로의 기능을 정립하였다. 서울시내 55개의 간선도로의 기능을 정립하기 위해 교통량, 주말계수, 속도 계수 등 교통특성을 사용하였다. 본 논문의 결과와 AADT를 사용한 방법의 결과를 비교하였는데 AADT를 사용한 방법은 전체 차선의 교통량에 의해 특성을 분류하였으나 본 논문에서 실제 교통량을 반영한 차선당 교통량을 주요 변수로 사용하여 결과를 도출하였다. 또한 서울시 간 선도로 기능분류와 본 논문의 결과를 비교하여 교통특성이 반영되었음을 증명하였다. 결과적으로 본 논문에서 제시한 방법은 현재 간선도로 기능분류 방법보다 교통특성을 나 타내는데 효과적이며 기능분류체계는 도로확장 및 계획 설계에 도움이 될 것으로 판단된다.

Studies on classification of national roads have been continued, but there is little research on the classification of urban arterial roads. Due to the increase of traffic volume, urban arterial roads do not perform well as main roads. In this paper, the function of urban arterial road was established by using cluster analysis using traffic characteristics. Traffic characteristics such as traffic volume, weekend coefficient and speed coefficient were used to establish the functions of 55 main arterial roads in Seoul. The results of this paper are compared with those of the method using AADT. The method using AADT classifies the characteristics according to the traffic volume of the whole lane. In this paper, however, the results are derived using the traffic volume per lane reflecting the actual traffic volume. In addition, the functional classification of the arterial roads in Seoul was compared with the results of this paper to verify that the traffic characteristics were reflected. As a result, the method presented in this paper is more effective in showing traffic characteristics than the current highway functional classification method, and the functional classification system will be helpful for road extension and planning design.

With development of scale, diversity and complexity of network traffic, the drawbacks of traditional machine learning methods on traffic classification is gradually exposed, especially the false positive problem in large-scale real network traffic classification is particularly serious. In this paper, aiming at reducing the false positive rate of network traffic classification, an effective network traffic classification method --- CMM method. CMM method contains three steps, including dividing the training set into clusters, forming sub-classifiers, and classifier integration in accordance with the principle of minimization and maximization. In this paper, we firstly demonstrate the effectiveness of this method in reducing the false positive rate. Secondly, we conduct experiments in large-scale national backbone network, such as the SSL protocol classification and experimental results verify the effectiveness of this method in large-scale the actual network traffic classification.

Due to the wide use of encrypted protocols and random ports, traditional methods that based on port number or packet payload have gradually lose their effectiveness. To address this issue, new methods that based on machine learning techniques become the research hotspots. With many further studies, some research institutions show that ML-based protocol identification methods can generally achieve over 95% accuracy. However, different from most research studies, industry claims that ML-based techniques are hardly to be deployed for practical use due to their high false positives and false negatives. In this paper, different Machine Learning techniques are evaluated for the actual accuracy under different network environments, and a variety of features are tested on different encrypted protocols. The results show that the identification accuracy will go down due to the changed network scale and network environment while the same ML-based models are used under different network environments, and the choices among different Machine Learning techniques, protocol types or statistical features are not critical.

Internet traffic classification is one of the popular research interest area because of its benefits for many applications like intrusion detection system, congestion avoidance, traffic prediction etc. Internet traffic is classified on the basis of statistical features because port and payload based techniques have their limitations. For statistics based techniques machine learning is used. The statistical feature set is large. Hence, it is a challenge to reduce the large feature set to an optimal feature set. This will reduce the time complexity of the machine learning algorithm. This paper tries to obtain an optimal feature set by using a hybrid approach -An unsupervised clustering algorithm (K-Means) with a supervised feature selection algorithm (Best Feature Selection).

In recent years，machine learning method has been applied to the extensive research on traffic classification. In these methods, SVM (Support vector machine) is a supervised learning which can improve generalization ability of learning machine effectively. However, the penalty parameter C and kernel function parameter  are generally given by test experience during training of SVM. How to determine the optimal parameters of SVM is a problem to be solved. We proposed a method to deriving the optimal parameters of SVM based on GA (Genetic algorithm).This method does not need to traverse all the parameter points. The method extracts a certain number population from random solutions, and ultimately produces SVM optimal parameters according to the specific rules of operation. Through the method, we derived the optimal parameters combination C and  of SVM. The accuracy of network traffic classification is improved greatly.