DevSecOps DevSecOps(Development, Security, and Operations)는 소프트웨어 개발 생명주기(SDLC) 전반에 걸쳐 보안(Security)을 통합하는 문화, 자동화, 프로세스의 집합을 의미합니다. 전통적으로 보안은 개발 과정의 마지막 단계에서 수행되는 사후 점검 활동이었으나, DevSecOps는 "보안은 모든 개발자의…
검색 결과
"False Positive"에 대한 검색 결과 (총 73개)
레이블의 분포 (Label Distribution) 개요 레이블의 분포(Label Distribution)는 기계 학습(Machine Learning) 및 데이터 과학 분야에서 분류(Classification) 문제의 타겟 변수(Target Variable)가 데이터셋 내에서 어떻게 할당되어 있는지를 나타내는 통계적 특성입니다. 특히 지도 학습(Superv…
머신러닝(Machine Learning) 머신러닝은 명시적인 프로그래밍 없이 컴퓨터가 데이터를 통해 스스로 학습하고 패턴을 인식하여 예측 또는 결정을 내리는 인공지능(AI)의 핵심 하위 분야입니다. 머신러닝의 개요와 정의 머신러닝은 아서 사무엘(Arthur Samuel)이 1959년 "컴퓨터가 특정 작업을 수행하기 위해 명시적인 명령어 없이 학습할 수 있는…
재현율 (Recall) 재현율(Recall)은 머신러닝과 데이터 과학 분야에서 분류(Classification) 모델의 성능을 평가하는 핵심 지표 중 하나입니다. 특히 불균형 데이터(Imbalanced Data)가 존재하거나, 거짓 음성(False Negative)의 비용이 매우 높은 상황에서 모델의 민감도(Sensitivity)를 파악하는 데 필수적인 개…
총제1종오류율 개요 총제1종오류율(Familywise Error Rate, 이하 FWER)은 다중 가설 검정(multiple hypothesis testing) 상황에서 발생할 수 있는 통계적 오류를 관리하기 위한 핵심 개념이다. 단일 가설 검정에서는 제1종오류(Type I error)의 확률을 유의수준(예: α = 0.05)로 제어하지만, 여러 개의 가설…
정밀도 정밀도(Precision)는 인공지능, 특히 머신러닝 모델의 성능을 평가하는 핵심 지표 중 하나로, 모델이 긍정으로 예측한 샘플 중 실제로 긍정인 비율을 의미합니다. 주로 분류 문제, 특히 이진 분류(Binary Classification)에서 사용되며, 모델의 예측 결과가 얼마나 신뢰할 수 있는지를 판단하는 데 중요한 역할을 합니다. 정밀도는 단순…
F1 score 개요 F1 score(F1 점수)는 머신러닝과 데이터 과학 분야에서 분류 모델의 성능을 평가하는 데 널리 사용되는 지표입니다. 특히 정밀도(Precision)와 재현율(Recall) 사이의 균형을 중요시할 때 유용하며, 두 지표의 조화 평균(Harmonic Mean)으로 정의됩니다. F1 score는 불균형한 데이터셋(Imbalanced D…
위험 기반 인증 개요 위험 기반 인증(Risk-Based Authentication, RBA)은 사용자의 로그인 시도나 시스템 접근 요청에 대해 보안 위험 수준을 실시간으로 평가하고, 그에 따라 인증 강도를 동적으로 조절하는 지능형 인증 기술입니다. 전통적인 고정된 인증 방식(예: ID/비밀번호 또는 2단계 인증)과 달리, 위험 기반 인증은 사용자 행동, …
Alert Rules 개요 Alert Rules(경고 규칙)은 시스템 운영 환경에서 시스템의 상태, 성능, 보안, 가용성 등에 이상이 발생했을 때 이를 사전에 감지하고 사용자 또는 운영 팀에게 알리는 기능을 정의하는 규칙 집합입니다. Alert Rules는 모니터링 시스템의 핵심 구성 요소로, 시스템 장애, 성능 저하, 보안 위협 등을 조기에 식별하여 신속…
부정 클래스 개요 머신러닝, 특히 분류(Classification) 작업에서 "부정 클래스(Negative Class)"는 특정 관심 있는 사건(또는 객체)이 발생하지 않았음을 나타내는 범주를 의미합니다. 이는 "양성 클래스(Positive Class)"와 대조되는 개념으로, 이진 분류(Binary Classification)에서 가장 흔히 사용됩니다. 예…
공정성(Fairness) 개요 인공지능(AI) 시스템이 사회 전반에 걸쳐 의사결정 과정에 깊숙이 관여하게 되면서, 공정성(Fairness)은 AI 개발 및 운영의 핵심 윤리적 원칙 중 하나로 부상하고 있습니다. 공정성은 AI 시스템이 개인이나 집단에 대해 차별적이거나 편향된 방식으로 작동하지 않도록 보장하는 개념을 의미합니다. 특히 알고리즘이 채용, 금융 …
제1종 오류 개요 제1종 오류(Type I Error)는 통계학에서 가설 검정을 수행할 때 발생할 수 있는 두 가지 주요 오류 중 하나로, 귀무가설(null hypothesis)이 실제로 참임에도 불구하고 이를 기각하는 오류를 의미합니다. 이는 "거짓 양성"(False Positive)이라고도 불리며, 통계적 의사결정에서 중요한 개념 중 하나입니다. 제1종…
F1 스코어 개요 F1 스코어(F1 Score)는 기계학습과 데이터과학 분야에서 분류 모델의 성능을 평가하는 데 널리 사용되는 지표 중 하나입니다. 특히 정밀도(Precision)와 재현율(Recall)이 모두 중요한 상황에서 두 지표의 조화 평균(Harmonic Mean)을 계산하여 모델의 균형 잡힌 성능을 평가하는 데 유용합니다. F1 스코어는 불균형 …
거짓 음성 개요 거짓 음성(False Negative, FN)은 분류 모델의 예측 결과와 실제 정답 사이의 불일치를 나타내는 중요한 평가 지표 중 하나로, 특히 이진 분류(binary classification) 문제에서 핵심적인 개념입니다. 거짓 음성은 실제 긍정 클래스(Positive)에 속하는 사례를 모델이 부정 클래스(Negative)로 잘못 예측했…
정적 분석 요 정적 분석Static Analysis)은 소스 코드 바이너리를 실행하지 않고도프트웨어의조, 품질, 보안성 등을 평가하는 기술입니다. 특히 보안야에서는 소프트웨어 개발 초기 단계에서 잠재적인 보안 취약점을 조기에 발견하고 수정할 수 있어, 취약점 스캐닝 도구로서 매우 중요한 역할을 합니다. 정적 분석은 소스 코드를 기반으로 하거나, 컴파일된 바…
정밀도 정밀도(Precision)는 인공능, 특히 머신러닝 모의 성능을 평가하는심 지표 중 하나로, 모델이 '긍정'으로 예측한 샘플 중 실제로 긍정인 비율을 의미합니다. 주로 분류 문제에서 사용되며, 특히 불균형 데이터셋(imbalanced dataset)에서 모델의 신뢰도를 평가하는 데 중요한 역할을 합니다. 정밀도는 모델이 긍정 예측을 할 때 얼마나 정…
정밀도 균형 정밀도 균형(Precision Balance은 데이터과학, 머신러닝 모델 평가에서 중요한 중 하나로, 정밀도(Precision)와 재현(Recall) 사이의 균형을 의미합니다. 이는 모델이 얼마나 정하게 긍정 클래스를 예측하는지(정밀도), 그리고 실제 긍정 샘플 중 얼마나 많은 비율을 올바르게 찾아내는지(재현율)를 고려하여 모델의 성능을 종합적…
Mock Object 개요 Mock Object(목 오브젝트)는 소프트어 테스트, 특히 단위 테스트(Unit Testing)에서 외부 의존성을 제어하기 위해 사용되는 가짜 객체. 실제 객체를신하여 테스트 환에서 동작하며, 시템의 특정 부분이 예상대로 작하는지 검증하는 데 중요한 역할을 합니다. Mock Object는 외부 시스템(예: 데이터베이스, 웹 서비…
유방암 선별 진단 유방암은 전 세계 여성에게 가장 흔한 악성 종양 중 하나이며, 조기 발견과 치료가존율 향상에 결정적인 역할을 한다. 유방암 선별 진단(Breast Cancer Screening)은 증상이 없는 건강한 여성군에서 조기에 유방암을 발견하기 위한 체계적인 검사 절차를 의미한다. 이 문서에서는 유방암 선별 진단의 주요 방법, 대상자 기준, 검사의…
OpenVAS 요 OpenVAS(Open Vulner Assessment System)는 오픈소스반의 보안 취약점 스캐닝 도구로, 네트워크, 시스템, 애플리케이션 등에서 존재 수 있는 보안 취약 자동으로 탐지하고 평가하는 데 사용됩니다. 이 도구는 기업, 정부 기관, 보안 전문가들이 정보 시스템의 보안 상태를 진단하고 보안 정책을 강화하는 데 중요한 역할을…