Detailed Information

Cited 0 time in webofscience Cited 0 time in scopus
Metadata Downloads

기계학습 기반 토르 핑거프린팅 공격 기술의 분류 feature 중요도 비교 분석

Full metadata record
DC Field Value Language
dc.contributor.author정재원-
dc.contributor.author방준석-
dc.contributor.author이주형-
dc.date.accessioned2023-02-14T10:40:12Z-
dc.date.available2023-02-14T10:40:12Z-
dc.date.created2023-02-14-
dc.date.issued2023-01-
dc.identifier.issn2287-5026-
dc.identifier.urihttps://scholarworks.bwise.kr/gachon/handle/2020.sw.gachon/86867-
dc.description.abstract본 논문은 웹사이트 핑거프린팅에 대한 선행 연구 조사와 웹사이트 핑거프린팅 기법 사용 시 웹사이트 분류에 기여하는 feature 중요도를 정량적으로 분석한다. 이를 위해, 기존 연구에서 주로 사용하는 특징들을 트리 기반 앙상블 알고리즘 학습에 사용하며, 해당 feature 요소들이 웹사이트 분류에 기여하는 정도에 따른 중요도 및 상관관계를 실험적으로 분석한다. 또한, 해당 feature들의 조합에 따른 연산시간도 분석함으로써 핑거프린팅 공격에 효과적으로 활용될 수 있는 중요 feature 조합에 대해 제시한다.-
dc.language한국어-
dc.language.isoko-
dc.publisher대한전자공학회-
dc.relation.isPartOf전자공학회논문지-
dc.title기계학습 기반 토르 핑거프린팅 공격 기술의 분류 feature 중요도 비교 분석-
dc.title.alternativeComparative Analysis of Classification Feature Importance for Machine Learning based Tor Fingerprinting Attacks-
dc.typeArticle-
dc.type.rimsART-
dc.description.journalClass2-
dc.identifier.bibliographicCitation전자공학회논문지, v.60, no.1, pp.76 - 79-
dc.identifier.kciidART002926113-
dc.description.isOpenAccessN-
dc.citation.endPage79-
dc.citation.startPage76-
dc.citation.title전자공학회논문지-
dc.citation.volume60-
dc.citation.number1-
dc.contributor.affiliatedAuthor정재원-
dc.contributor.affiliatedAuthor방준석-
dc.contributor.affiliatedAuthor이주형-
dc.subject.keywordAuthorTor browser-
dc.subject.keywordAuthorWebsite Fingerprinting-
dc.description.journalRegisteredClasskci-
Files in This Item
There are no files associated with this item.
Appears in
Collections
IT융합대학 > 소프트웨어학과 > 1. Journal Articles

qrcode

Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.

Related Researcher

Researcher Lee, Joo Hyung photo

Lee, Joo Hyung
College of IT Convergence (Department of Software)
Read more

Altmetrics

Total Views & Downloads

BROWSE