Earticle

NTFS의 ADS는 매킨토시의 계층적 파일 시스템과의 호환을 위해 개발되었으나 최근에는 악의적 사용자들에 의해 악성코드 또는 안티 포렌식 목적의 데이터 은닉 용도로 활용되고 있다. 은닉된 ADS의 존재여부를 파악하고 정보를 추출하는 것은 컴퓨터 포렌식 분야에서 중요한 요소이다. 본 논문에서는 NTFS의 MFT정보를 이용하여 ADS를 탐지하기 위한 방법을 제안하였다. 이 방법을 구현하여 비교실험한 결과, 기존의 방법에 비해 검색속도와 탐지건수 면에서 우수함을 확인하였다. 이 방법을 이용하면 운영체제에서 사용중인 파일도 검사할 수 있으며, 라이브 시스템뿐 아니라 이미지에 대해서도 탐지가 가능해 포렌식 목적에 부합된다.

Alternate Data Streams (ADS) in NTFS originally has developed to provide compatibility with Macintosh Hierarchical File System. However, it is being used by the malware writers in order to support hiding malwares or data for the purpose of anti-forensics. Therefore identifying if hidden ADSs exist and extracting them became one of the most important component in computer forensics. This paper proposes a method to detect ADSs using MFT information. Experiment reveals that proposed method is better in performance and detection rate then others. This method supports not only identification of ADSs which are being used by the operating systems but also investigation of both live systems and evidence images. Therefore it is appropriate for using forensic purpose.

Recently, with the development of IoT technology, data has increased, and problems with the centralized cloud computing method are appearing. As an alternative to this, Edge Computing, a distributed cloud method that processes data close to the edge of the network where data is generated, is utilized. On the other hand, as the number of containers on one host increases, container management becomes difficult, and accordingly, container orchestration technology capable of configuring and managing a large number of containers is required. In this paper, we measure, compare, and analyze the time to transmit sensor data to the DB server of each Kubernetes cluster by building a multicluster infrastructure using Kubernetes, which is the most used container orchestration tool.

In this paper, we propose a method to detect concept drift by applying Convolutional Neural Network (CNN) in a data stream environment. Since the conventional method compares only the final output value of the CNN and detects it as a concept drift if there is a difference, there is a problem in that the actual input value of the data stream reacts sensitively even if there is no significant difference and is incorrectly detected as a concept drift. Therefore, in this paper, in order to reduce such errors, not only the output value of CNN but also the probability vector are used. First, the data entered into the data stream is patterned to learn from the neural network model, and the difference between the output value and probability vector of the current data and the historical data of these learned neural network models is compared to detect the concept drift. The proposed method confirmed that only CNN output values could be used to reduce detection errors compared to how concept drift were detected.

많은 양의 연속적인 스트림 데이터를 대상으로 하는 연속적인 질의처리의 경우는 전통적 방식의 요구구동형 질의처리 방식이 적합하지 않다. 본 논문에서는 자료구동형 방식을 도입하여 질의를 처리함으로써 스트림 데이터에 알맞은 질의처리 기법을 제안하고 질의계획의 구조와 질의실행 방식을 설명하였다. 제안된 질의처리 기법은 다중질의 처리가 가능하며, 질의 간에 공유가 가능하게 한다. 또한 부분질의의 실행결과가 저장됨으로써 실행시간을 단축할 수 있다. 본 질의처리 모델에 XML 데이터와 XQuery 질의를 적용하였다.

Traditional query processing method is not efficient for continuous queries with large continuous stream data. This paper proposes a data-driven query processing method for stream data. The structure of query plan and query execution method are presented. With the proposed method, multiple query processing and sharing among queries can be achieved. Also query execution time can be reduced by storing partial results of query execution. This paper showed an example of query processing with XML data and XQuery query.

수문 모형 매개변수는 모형 모의에 필수적이며, 지형, 기후조건, 기후변화와 인간 활동으로 인해 시간에 따라 달라질 수 있다. 결과적으로 고정된 매개변수의 사용은 부정확한 하천유량 모의로 이어질 수 있다. 본 연구의 목표는 하천유량 관측자료를 이용하여 시간에 따라 변하는 매개변수를 추정하는 방법을 살펴보고, 하천유량 자료가 모형에 동화될 때 모의 효율성이 어떻게 변하는지 분석하는 것이다. 자료 동화 방법은 변화하는 다양한 환경에 적응하여 수문 모형의 매개변수를 자동으로 추정하기 위하여 사용될 수 있다. 입자 필터를 이용하여 하천유량 관측치를 2개 매개변수 월 물 수지 모형에 동화했다. 자료 동화 방법으로 시간변화 매개변수를 사용한 모의 결과는 SCEM 방법으로 고정 매개변수를 사용한 모의 결과와 비교되었다. 먼저 다양한 시나리오에 기반한 합성 실험을 수행하여 입자 필터 방법이 시간에 따라 변화하는 매개변수를 적절하게 추적할 수 있는지를 살펴보았다. 이후 실제 유역에 적용하여 시간에 따라 변화하는 매개변수와 고정된 매개변수를 사용하였을 때의 하천유량 예측성능과 비교하였다. 본 연구를 통해 얻은 결론은 다음과 같다. (1) 전체적인 월 하천유량 시계열의 예측성능은 입자 필터 방법과 SCEM 방법이 서로 비슷하였다. (2) 우기를 제외한 시기의 월 유출고 예측성능은 자료 동화 방법을 이용한 주기적으로 변화하는 매개변수에 의한 모의가 더 우수하였다. (3) 동화에 사용되는 하천유량 관측자료의 불확실성은 입자 필터의 하천유량 예측성능에 중요한 역할을 하였다.

Hydrological model parameters are essential for model simulation and can vary over time due to topography, climatic conditions, climate change and human activity. Consequently, the use of fixed parameters can lead to inaccurate stream flow simulations. The aim of this study is to investigate an appropriate method of estimating time-varying parameters using stream flow observations, and how the simulation efficiency changes when stream flow data are assimilated into the model. The data assimilation method can be used to automatically estimate the parameters of a hydrological model by adapting to a variety of changing environments. Stream flow observations were assimilated into a two parameter monthly water balance model using a particle filter. The simulation results using the time-varying parameters by the data assimilation method were compared with the simulation results using the fixed parameters by the SCEM method. First, we conducted synthesis experiments based on various scenarios to investigate if the particle filter method can adequately track parameters that change over time. After that, it was applied to actual watersheds and compared with the predictive performance of stream flow when using parameters that change with time and fixed parameters. The conclusions obtained through this study are as follows: (1) The predictive performance of the overall monthly stream flow time series was similar between the particle filter method and the SCEM method. (2) The monthly runoff prediction performance in the period except the rainy season was better in the simulation by the periodically changing parameters using the data assimilation method. (3) Uncertainty in the observational data of stream flow used for assimilation played an important role in the predictive performance of the particle filter.

최근 대용량의 스트림 데이터를 분산 처리하기 위한 연구들이 진행되고 있다. 본 논문에서는 빅데이터 환경에서 실시간 스트림 데이터의 점진적 처리 기법을 제안한다. 제안하는 기법은 처음 스트림 데이터가 입력되면 임시 큐에 데이터를 저장하고 마스터 노드에 저장되어 데이터와 비교과정을 통해 마스터 노드에 동일한 데이터가 있는 경우 마스터 노드에서 가지고 있는 노드의 정보를 이용하여 해당 노드의 메모리에서 기존 처리 결과를 재사용한다. 기존 처리 결과가 없다면 처리하고 처리 결과를 메모리에 저장한다. 분산 환경에서 점진적인 스트리밍 데이터 처리를 위해 노드의 작업 지연을 계산하여 노드의 부하를 파악하고 처리 시간 계산을 통해 각 노드의 성능을 고려한 잡 스케쥴링 기법을 제안한다. 제안하는 기법의 우수성을 보이기 위해 기존 기법과의 질의 수행 시간 비교를 위한 성능평가를 수행한다.

Recently, massive amounts of stream data have been studied for distributed processing. In this paper, we propose an incremental stream data processing method based on in-memory in big data environments. The proposed method stores input data in a temporary queue and compare them with data in a master node. If the data is in the master node, the proposed method reuses the previous processing results located in the node chosen by the master node. If there are no previous results of data in the node, the proposed method processes the data and stores the result in a separate node. We also propose a job scheduling technique considering the load and performance of a node. In order to show the superiority of the proposed method, we compare it with the existing method in terms of query processing time. Our experimental results show that our method outperforms the existing method in terms of query processing time.

본 연구에서는 국내 하천에서 실측한 유사량 자료를 기초로 데이터 마이닝의 Model Tree 기법을 통해 유사량 산정 공식들을 도출하였으며, 이를 활용하여 내성천에서의 안정하도 단면을 평가하였다. 본 연구에서 도출한 유사량 공식은 국내 모래하상 전체를 대상으로 한 경우, 하폭, 유속, 수심, 경사, 하상토 중앙입경을 선택하였을때 적합도가 가장 높은 것으로 나타났다. 또한 내성천으로 자료의 범위를 한정한 경우에는 경사를 제외한 하폭, 유속, 수심, 하상토 중앙입경을 선택한 유사량 공식의 적합도가 가장 높게 나타났다. 각각의 Model Tree 공식들은 내성천 영주댐 하류 용혈지점에서의 안정하도 단면 평가를 수행하는데 적용되었으며, 현재 내성천의 단면과 비교했을 때 향후 안정하도 단면으로의 변화를 위해 하상의 침식이 발생할 것으로 예측되었다. 또한 현재 하상보다 완만한 경사가 유지될 경우 장기적으로 평형상태에 도달할 것으로 예측되었다.

A Model Tree technique of data mining was applied to derive optimal equations for sediment discharge assessment based on the measured sediment data and then to evaluate stable channel design for Naesung Stream. The sediment discharge formula as a function of channel width, velocity, depth, slope and median grain diameter which was developed by a Model Tree technique with sediment discharge data measured in Korean River had a high goodness-of-fit between measured and calculated results. In case of the sediment discharge formula as a function of channel width, velocity, depth and median grain diameter which was developed by a Model Tree technique with sediment discharge data only measured in Naesung Stream represented the highest goodness-of-fit. Two types of sediment discharge formulas were applied to evaluate stable channel analysis for Yonghyeol Station of Naesung Stream. As a result, bed erosion was expected in the study section compared to the current section. It was also presented that the be slope might be changed to be a milder slope than the current slope to reach equilibrium condition in the long term.

국내에는 22,300개 이상의 소하천이 전국에 분포하고 있으며, 이들은 위치한 지역, 지형 및 토지 이용 상태에 따라 다양한 유출 특성을 갖는다. 소하천의 재난관리를 위해서는 소하천 특성에 적합한 세부 설계기준을 수립하는 것이 중요하다. 현재 국내 소하천설계기준에서 제시하는 개별 산정식들은 국내 중·대규모 하천이나, 외국 하천의 설계기준을 준용하고 있어 국내 소하천에 적합한 산정식 개발이 필요하다. 그 중 계획하폭은 하천의 규모를 결정하는 기준 중 하나로 현재 계획홍수량과 유역면적 등에 기반하여 결정하고 있다. 본 연구에서는 국내 소하천의 특성정보를 바탕으로 적정 계획하폭을 산정하기 위해, 국내 12개 시·도 4,073개 소하천의 다양한 특성정보와 계획하폭 정보를 수집하고 이들을 이용하여 회귀분석을 수행하였다. 이를 바탕으로 계획홍수량에 대한 1변수 계획하폭 산정식과 소하천의 계획홍수량, 유역면적, 하천연장, 하상경사에 따른 다변수 계획하폭 산정식을 도출하였다. 이렇게 산정된 소하천 계획하폭 산정식들은 소하천 설계기준 개선이나 소하천정비 종합계획 수립 등 소하천 재난관리에 활용될 수 있을 것으로 기대된다.

There are more than 22,300 small streams distributed nationwide in Korea, and they have various runoff characteristics depending on basin area, topography and land use. For small stream disaster management, establishing detailed design standards suitable for the small streams is important, but most of the formulas currently proposed in the small stream design standard are based on the river design standard aimed at national and local rivers or foreign river design standards. The design-width is an important factor in determining the size of the stream. It is determined by using design-flood discharges or more variables such as design-flood discharges, basin area, slop, etc in the small stream design standard. This study collected various characteristics information such as the design-flood discharges, basin area, river length and river slop, and design-width values from 4,073 small streams distributed in 12 cities and provinces in Korea to suggest the appropriated design-width formula. This study developed two design-width formulas by using the regression analysis which one is using the design-flood discharges and the other is using various variables such as the design-flood discharges, basin area, river length and river slope collected from the small steams. It is expected that both equations developed in here can be used for small stream disaster management, such as improving small stream design standard or establishing a comprehensive small stream maintenance plan.

대량의 데이터를 실시간으로 처리하는 스트리밍 처리에서는 데이터가 발생한 순서에 따라 처리하는 것이 중요하다. 그러나 데이터 스트림은 다양한 원인으로 인해 입력 순서가 뒤바뀔 수 있으며, 이런 무질서 데이터는 데이터 처리 시간을 지연시키거나, 처리 정확도를 떨어트리는 문제를 초래한다. 본 논문에서는 무질서 데이터 처리결과의 정확성 을 높이면서 이로 인해 발생하는 데이터 처리 지연을 줄일 수 있는 데이터 스트림 분리 처리 방법인 DSSP(Data Stream Split Processing) 모델을 제안한다. DSSP 모델은 지연 데이터로 인한 전체 처리시간의 지연을 방지하 기 위해 입력 데이터 스트림을 처리시간 내에 입력되는 정상 데이터 스트림과 처리시간 내에 입력되지 못한 지연 데 이터 스트림으로 분리하여 처리한다. 정상적으로 입력된 데이터는 처리결과를 우선 신속히 제공하고, 지연 입력된 데이터는 별도로 저장하였다가 그 처리결과를 추가로 반영하여 데이터의 정확성을 보장할 수 있도록 한다. 본 논문 에서는 DSSP 시스템의 실험적 구현을 통해 그 효율과 성능을 분석한다.

It is crucial to process the data stream in event-time ordering when real-time processing a great amount of data. Data stream however, through various causes may create disorientation of the input order. These out-of-order data may induce data latency and reduce the correctness of the result. We propose a one such approach, a DSSP(Data Stream Split Processing) model that can reduce the latency of the data processing while increasing the accuracy of out-of-order data process results. To prevent the delay of response time caused by late data, our DSSP model splits input data stream into normal data stream that arrives on time and late data stream that does not. This model provides the result of normal data stream first, then applies the late data result that has been separately cached to assure the correctness of the data processing. We analyze the efficiency and performance of our DSSP model through experimental implementation.

본 논문에서는 블록 대각화 프리코딩 기법을 사용하는 다중 사용자 MIMO 하향링크 시스템에서 전체 채널 용량을 최대화하기 위한 데이터 스트림 할당 기법을 제안한다. 기존의 블록 대각화 프리코딩 기법은 모든 사용자에게 동일한 수의 데이터 스트림을 할당하고 water-filling에 의한 전력제어 만으로 전체 채널 용량을 최대화함으로써 데이터 스트림의 수의 차이에 의한 채널 용량의 이득을 스스로 제한했다. 제안하는 블록 대각화 프리코딩의 데이터 스트림 할당 기법은 시스템의 전체 채널 용량을 최대화하기 위하여 평균 채널 이득, 순시 채널 이득의 크기를 비교하여 채널 이득이 좋은 사용자에게 많은 수의 데이터 스트림을 할당하고 water-filling을 통한 전력 제어를 하는 방법으로 채널 이득에 대한 채널 용량을 최대화 시킨다. 본 논문에서 제안된 데이터 스트림 할당 기법을 이용하여 시스템의 성능을 향상시킬 수 있음을 모의실험을 통해 증명했다.

In this paper, we propose the data stream allocation algorithms for maximizing sum capacity of downlink multiuser MIMO (Multiple-input Multiple-output) systems with BD (Block Diagonalization). The conventional BD precoding algorithms maximize the capacity by controlling power against channel gain of each user. In multiuser MIMO systems, however, the number of data streams for each user can be used to as another control parameter, which determines the capacity. This paper proposes the data stream allocation algorithm of BD for increasing capacity in multiuser MIMO systems. The proposed algorithm allocates unequal bit stream to each user based on channel matrix of each user for maximizing sum capacity. It is proved that proposed algorithm can achieve the significantly improved sum capacity by computer simulation.

This paper proposes an information maximization method to extract useful informations for streaming signals. The information maximization method is to extract signals using stream partitioning function and standard normalization function. The stream partitioning function divides streaming signals into intervals. Signal coefficient and interval coefficient are used at generating a interval by using stream partitioning function. Signal coefficient determines the quantity of data included in a signal interval. Interval coefficient determines the starting point of a signal interval. The standard normalization function determines a signal range by using the probability density function for streaming signals. The information maximization method becomes resistant to outliers and missing values. A normal signal can be extracted effectively for streaming signals by the Information maximization method. The effectiveness of proposed method are also presented by several experimental results.

부족한 하천유출 관측 데이터는 모델 보정 작업을 어렵게 만들어 모델의 성능 향상을 제한한다. 위성 기반 원격탐사 자료는 수문 관련 데이터의 확보에 적극적으로 활용될 수 있으므로 새로운 대안이 될 수 있다. 최근에는 여러 연구를 통하여 기존의 개념적/물리적 모델보다는 인공지능을 이용한 해법이 더 적절하다는 평가를 받고 있다. 본 연구에서는 다양한 순환 신경망들과 의사결정나무 기반 알고리즘들을 결합한 자료 기반 접근 방식을 제안하였다. 또한 인공지능 학습을 위하여 인공위성 원격탐사 정보의 활용성을 조사하였다. 본 연구에서 위성영상은 MODIS와 SMAP의 자료가 사용된다. 공적으로 공개된 25개 유역의 자료를 사용하여 제안된 접근 방식을 검증하였다. 전통적인 지역화 접근법에 서 착안하여 모든 유역의 자료를 통합하여 하나의 자료 기반 모델을 학습하는 전략을 채택하였으며, Leave-one-out cross-validation 지역화 설정을 이용하여 하나의 모델이 다양한 유역의 하천유출을 예측함으로써 제안된 접근 방식 의 잠재력을 평가하였다. GRU + Light GBM 모델이 대상 유역에 적합한 모델 조합으로 판명되었으며(25개 미계측 유역 일 하천유량 예측 모형효율계수 평균 0.7187) 하천유출이 매우 작은 시기를 제외하면 우수한 미계측 유역의 하 천유출 예측 성능을 보여주었다. 인공위성 원격탐사 정보의 영향력은 최대 10% 정도로 파악되었으며, 위성 정보의 추가 적용이 풍수기 또는 평수기보다는 저수기 또는 갈수기의 하천유출 예측에 더 큰 영향을 미쳤다.

Lack of streamflow observations makes model calibration difficult and limits model performance improvement. Satellite-based remote sensing products offer a new alternative as they can be actively utilized to obtain hydrological data. Recently, several studies have shown that artificial intelligence-based solutions are more appropriate than traditional conceptual and physical models. In this study, a data-driven approach combining various recurrent neural networks and decision tree-based algorithms is proposed, and the utilization of satellite remote sensing information for AI training is investigated. The satellite imagery used in this study is from MODIS and SMAP. The proposed approach is validated using publicly available data from 25 watersheds. Inspired by the traditional regionalization approach, a strategy is adopted to learn one data-driven model by integrating data from all basins, and the potential of the proposed approach is evaluated by using a leave-one-out cross-validation regionalization setting to predict streamflow from different basins with one model. The GRU + Light GBM model was found to be a suitable model combination for target basins and showed good streamflow prediction performance in ungauged basins (The average model efficiency coefficient for predicting daily streamflow in 25 ungauged basins is 0.7187) except for the period when streamflow is very small. The influence of satellite remote sensing information was found to be up to 10%, with the additional application of satellite information having a greater impact on streamflow prediction during low or dry seasons than during wet or normal seasons.

분산 스트림 처리 시스템을 위한 고가용성 알고리즘에는 Passive Standby, Active Standby, Upstream Backup 알고리즘 등이 있다. 기존의 고가용성 알고리즘은 복구 시 필요한 데이터의 백업을 위한 bandwidth overhead가 크며 노드의 연산결과를 다수의 downstream 노드들이 공유하며 데이터의 유입률이 폭발적으로 증가하는 경우에 출력 큐의 오버플로우로 인한 데이터의 손실 문제가 발생 할 수 있다. 본 논문은 이러한 문제들을 해결하기 위해 데이터 스트림의 유입량과 노드들의 연산처리율 모니터링을 통해 백업 방법을 유동적으로 변경시키는 적응적 Upstream Backup 알고리즘을 제안한다.

There have been High-Availability algorithms for Distributed Stream Processing System such as Passive Standby, Active Standby and Upstream Backup. Existing High Availability Algorithms have high bandwidth overhead when they backup data needed for restoring from the system failure and data can be lost by overflow of output queue in case of explosive increasing of input data rates. In this paper, we suggest adaptive Upstream Backup algorithm which changes fluidly the way to backup using monitor input rates of data stream and throughput of operation to solve those problems.

본 연구는 Kingdon의 다중흐름모형을 적용하여 한국의 ‘빅데이터 정책’의 형성과정을 실 증분석하였다. 다중흐름모형을 적용한 다수의 선행연구들은 정치인‧선출직 관료‧시민단체 등을 정책혁신가(policy entrepreneur)로 분석하고 있다. 그러나 본 연구는 선행연구 분석 을 바탕으로 정책혁신가를 ‘정책혁신가의 전문적 특성’과 ‘정책의 변화 정도’를 기준으로 4 개의 유형으로 새롭게 제시하였다. 이를 바탕으로 이명박‧박근혜‧문재인 정부의 ‘빅데이터 정책’ 변동 과정을 살펴보고, 특히 문재인 정부의 ‘빅데이터 정책’의 변동과정을 분석하고, 정책혁신가의 특성과 유형을 설명하였다. 사례 분석 방법은 한국의 ‘빅데이터 정책’과 관련된 주요 정부 부처 및 준정부기관의 의 사결정과정에 관한 주요 문헌자료를 분석하였다. 분석데이터는 주요 정책자료, 연구보고서, 홈페이지 데이터 등 문헌데이터와 뉴스DB 빅카인즈(BIG KINDS)를 활용해 16만5837건의 기사를 빅데이터 분석하였다. 분석 결과는 ‘빅데이터 정책’ 형성 과정에서 문재인 정부의 정책혁신가는 높은 전문성을 앞세워 과거의 전자정부를 비롯해 점진적이고 연속적인 정책을 혁신하여 추진하는 ‘회복적 정책혁신가(rehabilitative policy entrepreneur)’로 설명되었다. 즉, 선행연구들에서 정책혁 신가로 주목받지 못했던 준정부기관장이 ‘빅데이터 정책’과 관련된 전문성을 바탕으로 지난 정부에서 추진되었던 정책들을 점진적이면서도 성공적인 브랜드로 전환하는 데 주도적 역 할을 하였음을 확인할 수 있었다.

This paper is an empirical analysis of the formation of ‘Big data policy’ in Korea by drawing on Kingdon′s multiple stream framework. Many studies on the multiple stream framework identified policy entrepreneurs as politicians, elected officials, and civic groups. However, through analyzing past literature, this study newly suggests four categorizations of policy entrepreneurs based on ‘policy attributes’ and ‘degrees of policy changes.’ This paper investigates ‘Big data policy’ changes across Lee Myung-Bak, Park Geun-Hye, and Moon Jae-in governments. Specifically, we examined the changes in ‘Big data policy’ during the Moon Jae-in government and explained the features and types of policy entrepreneurs. To do so, we conducted a case analysis by examining the literature on the decision-making processes of ‘Big data policy’ from major government departments and quasi-governmental institutions in Korea. We found that the type of a policy entrepreneur in ‘Big data policy’ formation during the Moon Jae-in government is a ‘Rehabilitative policy entrepreneur’ who pursues high professionalism and gradual and continuous policies. Particularly, this study highlights the often-overlooked importance of a head of a quasi-governmental institution as a policy entrepreneur. We found a leading role of the head of a quasi-governmental institution who gradually converted the policies, prosecuted during the last governments, into successful brands based on the high level of policy-related expertise.

본 연구는 안성천 상류유역에서 관측된 강우량 및 유출량을 근거로 하여 단위도와 침투능 곡선식을 결정하고 유역내 침투량 측정에 의한 침투능 곡선과 비교하였다. 누가침투량 곡선식은 단위도와 밀접한 관계가 있다. 침투량 곡선식을 유도하기 위하여 다음 두가지 방법을 적용하였다. 첫 번째 방법은 안성천 공도수위관측소에서 계측된 유량과 유역에서 계측된 강우량을 근거로 하여 침투지표법에 의한 유역의 평균침투능 및 Kostiakov 형 누가침투량 곡선을 산정하였다. 두 번째 방법은 유역내 4개지점을 선정하고 더블링 침투계를 이용하여 시간별 누가침투량을 측정하고 누가침투량 곡선식을 산정하였다. 두가지 방법으로 구한 Kostiakov 형 누가침투량 곡선에 의한 침투량 양상을 비교하였다.

In this study unit hydrograph and infiltration capacity curves have been determined based on rainfall-runoff data for the upper Ansung stream basin. Infiltration capacity curve also has been computed based on measurements of accumulated infiltration. Accumulated infiltration curve which has close relationship with unit hydrograph has been found in adopting the following two approach methods. In the first method the mean infiltration capacity with infiltration index method and the Kostiakov accumulation infiltration curves have been computed based on hydrological data for the GongDo gauging station of the upper Ansung stream basin. In the second method the accumulation curve has been determined through directly observed infiltration data for four points in the upper basin and has been compared with the infiltration capacity curves by three observed rainfall-runoff event.

연구목적: 이상기후와 도시화로 인한 침수 피해 증가에 따라 드론 기반 고해상도 지형 모델이 홍수 예측 의 핵심 기술로 주목받고 있다. 본 연구는 용인 금학천에서 0.1m급 DSM을 구축하여 공간 해상도가 침 수 범위와 양상에 미치는 영향을 분석하고, 예측 정확성 향상을 위한 기초 자료를 제공하는 것을 목표로 한다. 연구방법: 드론과 첨단 기술을 활용해 금학천의 고해상도 DSM과 정사영상을 구축하고, 다양한 해상도의 DSM을 생성해 침수 범위를 정밀 분석하였다. 이를 위해 항공사진측량, 지상기준점 설정, 3D 모델링을 적용하고 리샘플링 기법으로 다중 해상도 데이터를 확보하였다. 연구결과: 7단계 공간 해상 도의 DSM을 기반으로 하천 수위 상승에 따른 침수면적 변화를 분석한 결과, 해상도가 낮아질수록 침수 면적 차이가 커지는 경향을 확인하였다. 결론: 이를 통해 침수 해석에서 공간 해상도 선택 시 계산 효율 성과 오차율 간의 균형을 고려해 최적의 해상도를 선정하는 것이 중요함을 제안하였다.

Purpose: With increasing flood damage from climate change and urbanization, drone-based highresolution terrain models are crucial for urban flood prediction. This study builds a 0.1m-resolution DSM of Geum-Hak stream, Yongin, analyzing the impact of spatial resolution on flood patterns to improve prediction accuracy and applications. Method: Using drones and advanced technologies, high-resolution DSMs and orthophotos were created for the Geum-Hak cheon area. Various DSM resolutions were generated to analyze flood damage, applying aerial photogrammetry, GCP setting, 3D modeling, and resampling techniques for accurate terrain data. Result: The analysis of inundated area changes based on the rise in river water level, using DSMs with seven different spatial resolutions, revealed that as the resolution decreased, the differences in the flooded area increased. Conclusion: Based on these findings, it is suggested that when selecting spatial resolution for flood analysis, a balance between computational efficiency and error rate should be carefully considered to determine the optimal resolution.

Nowadays with the rapid development of wireless sensor networks, and network traffic monitoring, stream data gradually becomes one of the most popular data models. Stream data is different from the traditional static data. Clustering analysis is an important technology for data mining, so that many researchers pay their attention to the clustering of stream data. In this paper, MSFS algorithm is proposed. By means of the experimental verification analysis, based on biologically inspired computational model, higher clustering purity on both the real dataset and the simulation datasets existence is demonstrated for the proposed algorithm. In other words, the cluster result of MSFS algorithm is advantageous over previous method.

This study proposed an encoding scheme of sensing data for efficient data stream mining the environment which takes into account the frequency analysis and association rule mining of data stream. In this research, sensing data was encoded in the ways of presenting the features of the events detected by sensors and of including the changes of the sensing data stream. Therefore, it was found that the proposed scheme reached the point of reasoning a situation which will be detected and recognized through sensing of multiple sensors.

Streaming data are potentially infinite sequence of incoming data at very high speed and may evolve over the time. This causes several challenges in mining large scale high speed data streams in real time. Hence, this field has gained a lot of attention of researchers in previous years. This paper discusses various challenges associated with mining such data streams. Several available stream data mining algorithms of classification and clustering are specified along with their key features and significance. Also, the significant performance evaluation measures relevant in streaming data classification and clustering are explained and their comparative significance is discussed. The paper illustrates various streaming data computation platforms that are developed and discusses each of them chronologically along with their major capabilities. This paper clearly specifies the potential research directions open in high speed large scale data stream mining from algorithmic, evolving nature and performance evaluation measurement point of view. Finally, Massive Online Analysis (MOA) framework is used as a use case to show the result of key streaming data classification and clustering algorithms on the sample benchmark dataset and their performances are critically compared and analyzed based on the performance evaluation parameters specific to streaming data mining.

Data analytics and machine learning has always been of great importance in almost every field especially in business decision making and strategy building, in healthcare domain, in text mining and pattern identification on the web, in meteorological department, etc. The daily exponential growth of data today has shifted the normal data analytics to new paradigm of Big Data Analytics and Big Data Machine Learning. We need tools to perform online data analysis on streaming data for achieving faster learning and faster response in data analytics as well as maintaining scalability in terms of huge volume of data. SAMOA (Scalable Advanced Massive Online Analysis) is a recent framework in this reference. This paper discusses the architecture of this SAMOA framework and its directory structure. Also it expresses a practical experience of configuring and deployment of the tool for handling massive online analysis on Big Data.