민준이 블로그에영

금융보안원에서 나온 CRYTOCURRENCYTHREATHUNTING 보고서를 읽고, 학습을 위해 티스토리에 자료로 정리한다.출처: https://www.fsec.or.kr/bbs/detail?menuNo=244&bbsNo=11770 금융보안원최근 가상자산거래소 공격기법 분석 침해대응부 2025-08-29https://www.fsec.or.kr/ 금융보안원금융 미래를 열어가는 금융보안 파트너 금융보안원은 금융회사 및 금융소비자와의 적극적인 소통을 통해 금융산업의 경쟁력을 높이는데 이바지 하겠습니다.www.fsec.or.kr 정리위 보고서는 최근 가상자산거래소를 대상으로 발생한 해킹 사례와 공격 기법을 분석 및 정리한 자료다. 단순히 거래소가 해킹당했다는 사실만 나열한 것이 아닌, 공격자가 어떤 방식으로 침..

금융보안원에서 나온 Campaign DOKKAEBI 보고서를 읽고, 학습을 위해 티스토리에 자료로 정리한다. 출처: https://www.fsec.or.kr/bbs/detail?menuNo=244&bbsNo=6139 금융보안원한글문서를 이용하는 악성코드 프로파일링 - 2018 사이버 위협 인텔리전스 보고서 (Cyber Threat Intelligence Report) 침해대응부 2018-08-10www.fsec.or.kr 금융보안원한글문서를 이용하는 악성코드 프로파일링 - 2018 사이버 위협 인텔리전스 보고서 (Cyber Threat Intelligence Report)침해대응부 2018-08-10https://www.fsec.or.kr/ 금융보안원금융 미래를 열어가는 금융보안 파트너 금융보안원은 금융..

금융보안원에서 나온 Operation MIDAS 보고서를 읽고, 학습을 위해 티스토리에 자료로 정리한다.출처: https://www.fsec.or.kr/bbs/detail?menuNo=244&bbsNo=11452 금융보안원불법 사설 HTS 위협그룹 프로파일링 - 사이버 위협 인텔리전스 보고서(FSI Intelligence Report) 침해대응부 2024-04-16www.fsec.or.kr 금융보안원불법 사설 HTS 위협그룹 프로파일링 - 사이버 위협 인텔리전스 보고서(FSI Intelligence Report)침해대응부 2024-04-16www.fsec.or.kr 금융보안원금융 미래를 열어가는 금융보안 파트너 금융보안원은 금융회사 및 금융소비자와의 적극적인 소통을 통해 금융산업의 경쟁력을 높이는데 이바..

1. 서론: Naive Bayes란? 왜 쓰는가Naive Bayes(나이브 베이즈)는 베이즈 정리(Bayes’ Theorem)를 기반으로, 입력 X가 주어졌을 때 각 클래스 C의 사후확률 P(C|X)를 계산하고, 가장 확률이 큰 클래스를 선택하는 확률 기반 분류기입니다.예:스팸 필터링(Spam vs Ham)문서/뉴스 주제 분류감성 분석(긍정/부정)간단한 이상 탐지/사전 분류기(빠른 베이스라인)핵심은 “정답을 맞추는 경계를 바로 학습”하는 게 아니라,클래스별로 데이터가 생성될 확률 모델을 세우고(P(X|C)), 그걸로 P(C|X)를 계산한다는 점입니다.2. 개념: 확률 기반 분류기 + Naive(독립 가정) + 생성 모델2.1 확률 기반 분류기라는 의미입력 X에 대해 “이게 클래스 C일 확률이 얼마나 되는..

1. 서론: Gradient Boosting이란? 왜 쓰는가Gradient Boosting은 여러 개의 약한 학습기(weak learner)를 순차적으로 학습시켜 강한 학습기(strong learner)를 만드는 Boosting 계열 앙상블입니다.핵심 아이디어: 현재 모델이 못 맞춘 부분(오차/잔차)을 다음 모델이 학습해서 보완주로 쓰는 base learner: 얕은 결정트리(깊이 2~5 정도)왜 강력한가: 작은 보정들을 계속 누적해 복잡한 패턴을 낮은 편향(bias)으로 학습예:구조화 데이터(tabular) 예측(수치/분류 모두)비선형 관계가 많은 데이터에서 강한 성능특성 중요도(feature importance)로 “어떤 변수가 기여했는지” 힌트를 얻고 싶을 때2. 개념: Boosting, 잔차(re..

1. 서론: SVR이란? 왜 쓰는가SVR(Support Vector Regression)은 SVM의 회귀 버전입니다. 분류용 SVM이 “클래스를 나누는 최적 경계”를 찾는다면, SVR은 “연속값을 예측하는 함수”를 찾습니다. 핵심 철학은 동일합니다.핵심 철학: 데이터를 가능한 잘 맞추면서도, 모델은 가능한 단순(평탄)하게 만든다.SVR의 시그니처: ε-무감지대(ε-insensitive tube) 안의 오차는 “오차로 취급하지 않는다”.그리고: 모델은 일부 데이터(서포트 벡터)가 결정한다.어디에 쓰나?비선형 패턴이 있는 회귀(센서값-품질, 수요-시간, 가격-특성 등)특징 차원이 높고(고차원), 데이터가 아주 크지 않을 때이상치가 조금 섞여 있어도 “완전히 끌려가진 않게” 만들고 싶을 때2. 개념: SVM(..