기술기술

SBOM(Software Bill Of Materials)

기술기술 — Wed, 21 Feb 2024 12:10:22 +0900

1. 소프트웨어 자재명세서 SBOM의 개념

환경 파악 및 의사결정을 빠르게 하기 위해 소프트웨어의 구성에 사용된 컴포넌트 관련 메타정보를 기록한 목록표
소프트웨어 패키지 및 구성 요소 등 고유하게 식별 가능한 메타데이터, 저작권 및 라이선스 등 소프트웨어 콘텐츠에 대한 정보를 포함하는 공식 명세서

2. 소프트웨어 자재명세서 SBOM 구성도 및 구성요소

가. SBOM 구성도

나. SBOM 구성요소 - 필선 공이버식의 타어라

구분	구성요소	설명
필수요소	공급자 이름	- 구성요소를 만들고 정의하고 식별하는 주체의 이름
	컴포넌트 이름	- 최초 공급자에 의해 정의된 소프트웨어 단위의 명칭
	컴포넌트 버전	- 이전 소프트웨어 버전의 변경을 명시하기 위한 식별자
	고유 식별자	- 구성요소 식별 및 데이터베이스 조회 키 (NIST의 CPE 사전의 식별자 등)
	의존관계	- 업스트림 구성요소 X가 소프트웨어 Y에 포함된다는 관계의 명시
선택요소	타임스탬프	- SBOM 데이터 어셈블리의 날짜 및 시간 기록
	어노테이션 정보	- 컴포넌트 내 어노테이션 관련 인터페이스
	라이센스	- 각 컴포넌트별 보유 라이센스 목록

3. SW 보안 강화를 위한 SBOM 활용

- 취약점 제거, 라이선스 리스크 해소, 테스트 용이

디지털 플랫폼 정부

기술기술 — Wed, 21 Feb 2024 11:50:01 +0900

1. 정의

모든 데이터가 하나로 연결되는 플랫폼 위에서 국민,기업,정부가 함께 새로운 가치를 창출하는 모델(정부)

2. 특징 및 주요내용

가. 특징 - 디디공이생 네방규글 민혁맞창

나. 주요내용

측면	내용	설명
정부	과학적 국정운영	- 인공지능·데이터분석을 통한 일 잘하는 정부 실현 - 全부처 데이터의 공유·연계·분석을 위한 공통기반 마련 - 데이터 분석을 통한 정책효과 정밀예측 등 국정운영의 과학화 실현
국민	선제적 맞춤형 서비스	- 알아서 챙겨주는, 국민이 편안한 서비스 제공 - 개별 사이트의 정보‧서비스를 연계‧통합해 - 국민은 하나의 사이트에서 모든 서비스 신청‧이용
기업	혁신 생태계 조성	- 민·관협업으로 기업이 다양한 혁신서비스 창출과 공공서비스‧데이터를 민간에 개방 - (기업)융합‧결합으로 다양한 혁신서비스 창출, - (국민)민간 앱에서 편리하게 공공서비스 이용

- 국민에게는 통합적‧선제적‧맞춤형 행정서비스를, 기업에게는 새로운 혁신의 기회를, 정부는 과학
적으로 일할 수 있는 기반 마련

3. 주요 중점 과제 - 국선과혁이

4. 디지털 플랫폼 정부 성공방안

가. 디지털 플랫폼 정부 성공 전략

- 기존 시스템을 서비스 중심으로 재설계하며, 민관 협력 구축에 많은 노력 필요

나. 디지털 플랫폼 정부 성공을 위한 추진방안 상세

구분	상세방안	설명
추진방향	선정 기준 마련	- 선도과제 선정 기준 마련
	관리절차 수립	- 과제 선정부터 종료까지 관리절차 수립
	협업체계 구축	- 추진 체계: 주관부처, 위원회, 협업 체계
선도과제	실손보험	- 실손보험 간편청구(금융위, 복지부)
	주택청약	- 청약정보 통합조회‧신청(국토부)
	부동산 거래	- 전자계약과 마이데이터로 부동산거래 시각지대 해소(국토부)
	디지털 지갑	- 디지털지갑에 신분증, 고지서, 지원금까지(행안부, 과기정통부)
	청년 일자리	- AI로 일자리 매칭, 경력설계, 취업상담 등 민관 협업(고용부)
	기업지원	- 중소․벤처기업, 소상공인 지원정보 맞춤형 제공(중기부)

- 기준,절차,체계구축 하여 빠른 선도과제 해결, 체계적 관리 필요

- 디지털 플랫폼 정부 구축으로 국민, 기업, 정부 모두 공공의 가치창출을 위한 기반 마련

PI((Process Innovation) / BPR(Business process reengineering) 비교

기술기술 — Wed, 21 Feb 2024 11:34:48 +0900

1. 정의

BPR(Business process reengineering) : one-time Chnage로, 비즈니스 프로세스를 근본적으로 재설계하여 비용, 품질, 시간을 개선하는 절차
PI(Process Innovation) : 지속적으로 전체 구성원 참여 독려하여, 고객중심 업무처리 방식으로 혁신하는 절차.

2. 절차 및 상세 비교

가. 절차

BPR 절차 - 비장대혁
1. 경영전략 및 Vision 수립
2. 프로세스 분류 및 장기 목표 설정
3. 대상 프로세스 선정 및 현상파악
4. 새 프로세스 설계 및 혁신수행
PI 절차 - 정목개점
1. 프로젝트 정의
2. 현수준 파악 및 업무 목표 설정
3. 개선 항목 도출
4. 점진적 프로세스 개선

나. 상세비교 - 목성방수빈위

비교 항목	BPR	PI
목적	장기적인 경쟁력 향상	가속화 되는 변화에 신속 대응
주요성과	비용 품질 서비스 시간	고객 인력 디지털
수행방식	ZERO-BASED 혁신	점차적 혁신
변화수준	급진적	단계적
변화빈도	ONE-TIME CHANGE	반복적 변화
위험도	높은수준	낮음

- 변화 수준, 수행방식이 급진적인 BPR과 점차적인 PI의 성공요인에서 차이가 있음

3. BPR과 PI의 의사결정 과정 비교

- BPR은 단기적인만큼 TOP-DOWN 방식의 의사결정 과정 수행, PI는 장기적으로 양방향 의사결정과정이 필요

자기 조직화 지도(Self Organizing Maps)

기술기술 — Wed, 14 Feb 2024 17:37:13 +0900

1. 정의

군집화, 차원축소 목적으로 2개의 층(입력층, 경쟁층)으로 구성된 인공신경망을 통해 사용자가 설정한 node 개수의 map에 데이터 mapping 하는 비지도 학습 알고리즘
차원축소(dimensionality reduction)와 군집화(clustering)를 동시 수행하는 머신러닝 비지도 학습기법
특징 : 승자독식 구조, 빠른 수행, 역전파 불가

2. 구성요소 및 과정

가. 개념도 및 구성요소 - 입노경가

나. 과정 - 초선유가반

- BMU(Best Matching Unit) : 가장 짧은 노드를 추적

- SOM은 역전파와 달리 단 하나의 전방패스 를 사용하여 수행 속도가 매우 빠르기에 실시간 학습처리를 할수 있는 모델

- SOM은 고차원의 데이터를 저차원의 지도 형태로 형상화 하기에 시각적으로 이해 쉽고, 패턴발견/이미지 분석 등에서 뛰어난 성능을 보임.

DBSCAN(Density-based Spatial Clustering of Applications with Noise)

기술기술 — Wed, 14 Feb 2024 15:32:13 +0900

1. 정의

특정 점을 기준으로 반경 x내에 n개 이상이 있을 경우, 하나의 군집으로 인식하는 밀도 기반의 무감독 알고리즘
[군집 인식 방식] Core point를 기준으로 epsilon(중심점으로부터의 거리) 내의 점의 수가 기준 이상 인 경우

2. 특장점 및 구성요소

가. 특장점

k-means처럼 미리 클러스터 수를 정하지 않아도 됨
밀도에 따라 클러스터 연결되므로 기하학적 모양의 군집도 발견 가능
Noise Point를 통해 이상치 검출 가능

나. 구성요소 - 엡클 코보컨노

K-평균 알고리즘(K-Means Algorithm)

기술기술 — Wed, 7 Feb 2024 16:50:53 +0900

1. 정의

n개의 데이터를 K개의 군집으로 분류하기 위해 K로부터의 거리 기반(유클리드 거리)으로 반복적 계산하는 비지도 학습 알고리즘

2. 절차 및 K-NN (K-Nearest Neighbor) , K-means 비교

가. 절차 - 최유레단N

나. K-최 근접 알고리즘(K-Nearest Neighbor) , K-평균 알고리즘(K-means) 비교

데이터 레이블링

기술기술 — Wed, 7 Feb 2024 16:44:37 +0900

1. 정의

고객이 원하는 음성, 시각, 언어 등 데이터 전반을 수집해 인공지능 학습을 위한 고품질 데이터셋을 빠르게 구축하는 서비스
유형: 음성인식 라벨링(대화내용 받아 적기), 시각인식 라벨링(이미지, CCTV), 텍스트 라벨링(서적)

KNN(K-Nearest Neighbor/k-최근접 이웃 알고리즘)

기술기술 — Tue, 6 Feb 2024 18:13:49 +0900

1. 정의

신규 데이터(fingerprint)의 군집 할당을 위해 기존 모든 데이터와 신규 데이터 거리를 측정하여 최고 인접 다수결에 의해 군집에 할당하는 감독 학습 알고리즘

2. 특징 및 동작원리

가. 특징 - 최유레단N

최고인접 다수결 : 기존 데이터 중 가장 유사한 k개의 데이터를 측정하여 분류
유사도(거리) 기반 : 유클리디안 거리, 마할라노비스 거리, 코사인 유사도 등 활용
Lazy Learning 기법 :
- 새로운 입력 값이 들어온 후 분류 시작
- 데이터 셋을 저장만 하고 일반화된 모델을 능동적으로 만들거나 하지는 않음
- 데이터가 들어온 후 분류 및 처리한다는 의미
단순 유연성 : 모형이 단순하며 파라미터의 가정이 거의 없음
NN(Nearest Neighbors) 개선 :
- KNN은 가장 근접한 k개의 데이터에 대한 다수결 내지 가중합계 방식으로 분류
- NN의 경우는 새로운 항목을 분류할때 가잦ㅇ 유사한 instance를 찾아서 그와 같은 class에 일방적으로 분류 했기 때문에 잡음 섞인 데이터에는 성능이 좋지 못함

나. 동작원리 - 핑목거선클

3. 거리기반 알고리즘 개념 - 유마코

4. 활용방안 - 측선필고

서포트 벡터 머신-SVM(Support Vector Machine)

기술기술 — Tue, 6 Feb 2024 17:30:46 +0900

1. 정의

데이터가 사상 된 공간에서 여백(Margin)을 최대화하고 일반화 능력을 극대화하여 결정 직선을 찾는 두 범주를 갖는 객체들을 분류(이진 분류, Binary classification) 하는 알고리즘
데이터 사상공간 경계선과 최근접 데이터(Support Vector)간 최대거리 경계 식별 알고리즘(MMH :Miximum Margin Hyperplane, 초평면)
활용 : 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석 비확률적 이진 선형 분류 모델 생성, 지지도 이용, 벡터 이용, 기계학습

2. 구성도 및 구성요소

가. 구성도

나. 구성요소 - 서마초커

- 주어진 많은 데이터들을 가능한 멀리 두 개의 집단으로 분리시키는 최적의 초평면(hyperplane)을 Training data에서 두 클래스의 어떤 Point로부터도 최대한 멀리 떨어져 있는 Decision boundary 확보

- 서포트 벡터 머신(Support Vector Machine)은 마진(margin)의 허용 정도에 따라 소프트 마진 SVM(Soft
Margin SVM)과 하드 마진 SVM(Hard Margin SVM)으로 분류

3. 선형 서포트 벡터 머신의 마진(Margin) 분류 방법 - 하소

가. 하드 마진(예외X)

최대 마진(maximum margin)안에 어떠한 데이터 혹은 아웃 라이어(outlier)를 허용하지 않는 서포트 벡터 머신(SVM) 기법

- 개별적인 학습 데이터를 모두 정확하게 분류하려고 할 경우 마진(margin)이 급격하게 작아지고 오버피팅
(Overfitting)이 발생하며 이를 보완하는 기법으로 소프트 마진(Soft Margin)이 존재

나. 소프트 마진(예외허용)

최대 마진(maximum margin)안에 이상치(outlier)를 허용하도록 분류하는 서포트 벡터 머신(SVM) 기법

GRU(Gated Recurrent Unit/게이트 순환 유닛)

기술기술 — Tue, 6 Feb 2024 16:59:39 +0900

1. 정의

LSTM의 은닉 상태를 업데이트하는 계산을 줄인 장단기 메모리 순환 신경망
LSTM의 장기 의존성 문제에 대한 해결책을 유지하면서, 은닉 상태를 업데이트하는 계산을 줄임
성능은 LSTM과 유사하면서 복잡했던 LSTM의 구조를 간단화
데이터 양이 적을 때는 매개 변수의 양이 적은 GRU가 조금 더 낫고, 데이터 양이 더 많으면 LSTM이 더 나음

기술기술

SBOM(Software Bill Of Materials)

1. 소프트웨어 자재명세서 SBOM의 개념

2. 소프트웨어 자재명세서 SBOM 구성도 및 구성요소

가. SBOM 구성도

나. SBOM 구성요소 - 필선 공이버식의 타어라

3. SW 보안 강화를 위한 SBOM 활용

- 취약점 제거, 라이선스 리스크 해소, 테스트 용이

디지털 플랫폼 정부

1. 정의

2. 특징 및 주요내용

가. 특징 - 디디공이생 네방규글 민혁맞창

나. 주요내용

3. 주요 중점 과제 - 국선과혁이

4. 디지털 플랫폼 정부 성공방안

가. 디지털 플랫폼 정부 성공 전략

나. 디지털 플랫폼 정부 성공을 위한 추진방안 상세

PI((Process Innovation) / BPR(Business process reengineering) 비교

1. 정의

2. 절차 및 상세 비교

가. 절차

나. 상세비교 - 목성방수빈위

3. BPR과 PI의 의사결정 과정 비교

자기 조직화 지도(Self Organizing Maps)

1. 정의

2. 구성요소 및 과정

가. 개념도 및 구성요소 - 입노경가

나. 과정 - 초선유가반

DBSCAN(Density-based Spatial Clustering of Applications with Noise)

1. 정의

2. 특장점 및 구성요소

가. 특장점

나. 구성요소 - 엡클 코보컨노

K-평균 알고리즘(K-Means Algorithm)

1. 정의

2. 절차 및 K-NN (K-Nearest Neighbor) , K-means 비교

가. 절차 - 최유레단N

나. K-최 근접 알고리즘(K-Nearest Neighbor) , K-평균 알고리즘(K-means) 비교

데이터 레이블링

1. 정의

KNN(K-Nearest Neighbor/k-최근접 이웃 알고리즘)

1. 정의

2. 특징 및 동작원리

가. 특징 - 최유레단N

나. 동작원리 - 핑목거선클

3. 거리기반 알고리즘 개념 - 유마코

4. 활용방안 - 측선필고

서포트 벡터 머신-SVM(Support Vector Machine)

1. 정의

2. 구성도 및 구성요소

가. 구성도

나. 구성요소 - 서마초커

3. 선형 서포트 벡터 머신의 마진(Margin) 분류 방법 - 하소

가. 하드 마진(예외X)

나. 소프트 마진(예외허용)

GRU(Gated Recurrent Unit/게이트 순환 유닛)

1. 정의

2. 구성도 및 구성요소

가. 구성도 - 화살표 좌중우위위, 시시탄 X1-XX+

나. 구성요소 - 리업캔히