티스토리

아롱이 탐험대

검색하기

블로그 홈

아롱이 탐험대

ys-cs17.tistory.com/m

관심 분야: Computer vision, Anomaly detection

구독자: 21

방명록 방문하기

주요 글 목록

[Kernel-based Learning] Support Vector Machine (SVM) - Linear & Hard Margin 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다 Linear Classification SVM (Support vector Machine)은 binary classifier를 만드는 것이 목적이다. 각 알고리즘마다 분류를 만드는 절차가 다르기 때문에 아래 예시와 같이 경계면의 형태가 다르다. 우리가 아는 NN은 비선형 분류다. 오늘 알아볼 SVM은 기본적으로 선형 모형이다. $$ S=((x_{1} ,y_{1}), ..., (x_{n}, y_{n}))\in X \times \{-1,+1\} $$ 학습 데이터 $X$는 i.i.d.이고, 샘플링 되었다고 가정한다. 우리는 $n$개의 데이터 셋을 가지고 있고, binary classification.. 공감수 0 댓글수 0 2022. 9. 7.
[Kernel-based Learning] Theoretical foundation 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Kernel-based learning의 기본적인 개념에 대해 알아보자. Shatter 만약 2차원 평면에 점이 1개가 있다고 하자. 기준선을 기준으로 왼쪽이면 흰색, 오른쪽이면 파란색이라고 하면 점 1개는 아래와 같이 총 2가지 경우의 수를 갖는다. 만약 점이 2개라고 하면 다음과 같은 경우의 수를 갖는다. 모두 파란색, 흰색 또는 각 흰색, 파란색 총 4개의 가짓수를 갖는다. (모든 점은 독립) 점이 3개면 다음과 같이 8개의 경우로 나눌 수 있다. 만약 점 4개면 어떻게 될까? 점이 4개인 경우에는 xor problem으로 인해 직선 1개로는 분류를 할 수 없다. Shatter를 할 수.. 공감수 0 댓글수 0 2022. 9. 3.
[Anomaly Detection] Isolation Forest and Its Variations 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Isolation Forest Isolation forest의 motive는 기본적으로 이상치 데이터는 소수의 데이터로 구성이 되어있다고 생각하고, 이 데이터들은 특정한 속성 값들이 정상 범주의 데이터보다는 매우 다른 속성 값들을 가질 것이라는 가정을 하고 있다. 따라서 input data에 대해 isolation을 할 수 있는 tree를 만들 수 있다면, 이상치 데이터는 isolation이 쉬울 것이고, 정상 데이터는 isolation을 시키는 것이 어려울 것이다. 위 plot에서 파란색 $x_{i}$는 정상 데이터이고, $x_{0}$는 이상치 데이터이다. 우리는 각 데이터를 고립시키는 트.. 공감수 0 댓글수 0 2022. 9. 1.
[Dimensionality Reduction] Unsupervised Method (Nonlinear embedding) 2: t-SNE 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. SNE (Stochastic Neighbor Embedding) SNE에서는 local distance를 보존하는 것이 local이 아닌 객체에 대한 distance보다 중요하는 것이 핵심이다. LLE에서는 정해진 개수의 이웃들 간의 weight를 찾고, 이를 저 차원으로 축소하였다. LLE에서는 이웃의 변화가 없었다. SNE에서는 객체 두 쌍의 거리가 local인 것을 확률적으로 결정한다. 이 말은 가깝게 있는 객체뿐만이 아니라, 조금 더 멀리 있는 객체들도 확률적으로는 낮을 뿐이지 뽑힐 수도 있다는 것이다. 1개의 data point가 다른 data point를 이웃으로 뽑는 것을 확률로.. 공감수 0 댓글수 0 2022. 8. 30.
[Dimensionality Reduction] Unsupervised Method (Nonlinear embedding) 1: ISOMAP, LLE 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. ISOMAP ISOMAP은 MDS 절차 중 변환 이전에만 다른 알고리즘이다. PCA와 MDS는 계산적으로 효율적이고, global optima를 찾을 수 있다. 하지만 선형 방법론의 단점 중 하나는 원래 데이터가 선형이 아니면 데이터를 파악하기가 힘들어진다. 만약 MDS나 PCA를 적용하면 3차원에서 최단 거리를 사용하기 때문에 부정확하다. 이 말은 선형 알고리즘을 사용하면 A에서 점선과 같이 부정확한 distance를 찾는다는 뜻이다. 우리는 청록색 직선과 같은 결과를 원한다. 이를 하려면 A에서 B로 graph 형태로 변환한다. 그리고 나서 가까운 이웃들을 따라가다 보면 목적지에 도달하게.. 공감수 0 댓글수 0 2022. 8. 22.
[Dimensionality Reduction] Unsupervised Method (Linear embedding) 2: Multi-dimensional scaling (MDS) 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. MDS의 목적은 D차원 공간 상에 객체들이 존재할 때, 이 객체들의 distance가 저차원에서도 최대한 많이 보존되도록 하는 축을 찾는 것이다. MDS에서 데이터들의 특징은 개별적인 객체들의 거리이고, 이 거리들을 보존하는 것이 최종 목표이다. PCA vs MDS 1. Data PCA는 다차원에 존재하는 $N$개의 object가 데이터이다. $(N \times D)$ MDS는 해당하는 객체들 사이의 유사도 또는 비 유사도를 측정할 수 있는 지표가 데이터이고, 이는 $N \times N$ metrix로 구성된다. 2. Purpose PCA는 원 데이터의 분산을 최대한 보존하는 bases를 찾.. 공감수 0 댓글수 0 2022. 8. 12.
[Dimensionality Reduction] Unsupervised Method (Linear embedding) 1: Principal component analysis (PCA) 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. 차원 축소의 목적은 특정한 머신 러닝 모델을 만들기 위해 특성을 보존하면서 compact 한 데이터를 유지하는 것이다. 이전 챕터까지는 변수 선택에 대해 알아보았고, 이번 챕터부터는 변수 추출에 대해 알아보자. 변수 추출의 목적은 데이터의 속성을 최대한 보존하는 방향으로 새로운 변수들을 생성하는 것이다. 주성분 분석의 목적은 서로 직교하는 기저를 찾는 것이다. 즉, 원 데이터의 분산을 최대한 보존하는 기저를 찾는 것에 초점을 잡는다. 주성분 분석을 하면 원 데이터보다 차원은 무조건 작아져야 한다. 위 그림과 같이 만약 데이터가 있고, PC (Principal Component)가 2개라고 할.. 공감수 0 댓글수 0 2022. 8. 9.
[Dimensionality Reduction] Supervised Methods 2: Genetic algorithm 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Meta-heuristic 유전 알고리즘은 이전 FS, BE, SS 알고리즘보다는 시간이 조금 더 소요되지만, 성능은 더 높다. 이 알고리즘은 meta-heuristic 기반이고, 이는 굉장히 복잡한 문제들에 대해 trial과 error를 해결해가면서 효율적으로 solution을 찾는다. 이 접근법을 기반으로 만들어진 알고리즘은 neural network, ant colony algorithm, particle swarm optimization 등이 있다. 이러한 알고리즘들은 자연에서 motive가 되어 연구되었다. Genetic Algorithm 유전 알고리즘에서 가장 중요한 3가지 ste.. 공감수 0 댓글수 0 2022. 8. 5.
[Dimensionality Reduction] Supervised Methods 1: Forward selection, Backward elimination, Stepwise selection 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Feature selection Feature selection은 가지고 있는 변수 중 의미 있는 일부분의 변수를 추출하는 것이다. 원본의 변수를 치환 또는 변환을 하지 않는다. Exhaustive Search 가장 쉽게 생각할 수 있는 feature selection 기법은 exhaustive search가 있다. 이는 가능한 모든 조합에 대해 탐색을 하여 feature selection을 진행하는 방법이다. $$ x_{1}, x_{2},x_{3} $$ 만약 위와 같이 3개의 변수가 있다면, 이에 해당하는 모든 조합은 아래와 같이 총 7가지가 된다. $$ (x_{1}), (x_{2}),(x.. 공감수 0 댓글수 0 2022. 7. 31.
[Anomaly Detection] SVDD 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Support Vector Data Description based Anomaly detection (SVDD) SVDD는 앞서 살펴본 SVM과 동시대에 만들어진 알고리즘이다. SVDD는 SVM과는 달리 hyper sphere를 찾는 것이 목표이고, 이를 위해 sphere의 중심점인 $a$와 반지름인 $R$을 찾아, 정상 데이터를 해당 sphere안에 몰아넣는 것을 목적으로 한다. 여기서 sphere 밖에 있는 데이터에 대해서는 $\xi$라는 패널티를 줄 것이다. 위 그림 오른쪽을 통해 1-SVM과 SVDD의 차이를 볼 수 있다. Optimization function $$ \min_{R, .. 공감수 0 댓글수 0 2022. 7. 24.
[Anomaly Detection] Auto-Encoder, One class SVM 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Auto-Encoder for Anomaly Detection Auto-Encoder 기법은 이미지에서는 CNN을 사용하고, time-series나 text 데이터에 대해서는 RNN 기반으로 사용한다. 이를 모두 관통하는 원칙은 Neural Net을 학습하는 데 있어 input data를 최대한 reconstruction 하여 output data와 비슷하게 만드는 것이다. $$l(f(\mathbf{x})) = \frac{1}{2}\sum_{k}(\hat{x}_{k}-x_{k})^{2} $$ AE (Auto-Encoder)의 basic loss function은 위와 같이 정의되고, 여기서 .. 공감수 0 댓글수 0 2022. 7. 16.
[Anomaly Detection] Distance, Clustering, PCA-based Methods 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. 1. Distance-based anomaly detection Distance 기반 anomaly detection은 outlier에 해당하는 객체들은 이웃들과의 거리가 멀 것이라고 가정한다. 이 말은 즉슨 정상 데이터는 근처에 다른 데이터들이 많을 것이라는 것이다. 여기서 핵심은 Normal class에 대해 확률 분포를 가정하지 않는다. 오직 객체 간의 거리만 계산해서 anomaly socre를 측정한다. KNN based Anomaly Detection을 알아보기 전 KNN에 대해 알아보자. KNN traing set에서 주어진 test input $x$와 가장 가까운 $K$개의 po.. 공감수 0 댓글수 0 2022. 7. 11.
[Anomaly Detection] Parzen Window Density Estimation 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Kernel density estimation 앞서 설명한 Gaussian density estimation, MOG density estimation은 parametric appoach이다. 이는 특정한 parameter를 갖는 distribution을 가정한 상태에서 주어진 data를 해당 distribution에 끼어 맞추는 방법이다. 이를 통해 data들에 대한 평균과 공분산 행렬을 추정한다. Kernel density estimation은 data가 특정한 distribution으로부터 estimation 되었다는 가정을 하지 않고, Data 자체로부터 sampling 될 확률을 추.. 공감수 0 댓글수 0 2022. 7. 10.
[Anomaly Detection] Gaussian Density Estimation & Mixture of Gaussian Density Estimation 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. Gaussian Density Estimation Density 기반의 anomaly detection의 목적은 abnormal data의 2번째 관점에 맞춰져 있다. 이는 먼저 정상에 대한 데이터의 분포를 먼저 추정한 후 이 분포에 대해 새로운 데이터가 들어오는데, 해당 데이터가 생성될 확률이 높으면 정상으로 판별하고, 낮으면 비정상으로 판별한다. 위 그림에서는 데이터의 생성 확률 분포가 Gaussian이라고 가정한다. 새로운 데이터가 들어왔을 때, Gaussian distribution의 $\mu$와 가깝게 생성이 된 경우라면 정상이라고 가정하고, 빨간색 데이터와 같이 일정 확률 이하에서.. 공감수 1 댓글수 0 2022. 7. 8.
[Anomaly Detection] Local Outlier Factor (LOF) 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. LOF (Local Outlier Factor)는 밀도 기반 이상치 탐지의 방법론 중 하나이다. 위 plot을 보면 $C_{1}$ 부근 영역은 상대적으로 밀도가 낮은 영역이고, $C_{2}$ 부근 영역은 상대적으로 높은 밀도를 가지고 있다. 여기서 $o_{1}$의 경우는 누가 봐도 이상치에 해당하는 값이다. 하지만 $o_{2}$의 경우에는 neighborhood와의 거리가 짧은 곳에 위치해 있다. 초록색 원이 $o_{3}$라고 할 때 $o_{2}$의 neighborhood 간 거리가 $o_{3}$의 neighborhood 거리보다 더 클 것이다. 따라서 이 2개만 비교하면 $o_{2}$는 a.. 공감수 0 댓글수 0 2022. 7. 7.
NBC (Naive Bayes Classification 구현 (only numpy) CODE (1) main.py import numpy as np import warnings from dataloader import DataLoader from model import get_GaussianNBC, predict, get_ACC warnings.filterwarnings("ignore", category=RuntimeWarning) if __name__ == "__main__": train_path = './data/train/' test_path = './data/test/' train_setting = DataLoader(train_path, 'train') # 60000 * 28 * 28 * 3 test_setting = DataLoader(test_path, 'test') # 1.. 공감수 0 댓글수 0 2022. 7. 6.
Gaussian models (MVN, QDA, LDA) Gaussian models Multivariate Gaussian 또는 MVN (Multivariate Normal)은 연속적인 데이터에 대한 joint probability density function에서 사용하며, D 차원의 MVN에 대한 PDF는 다음과 같이 정의한다. $$ \mathcal N(x|{\mu,\Sigma})\triangleq\frac{1}{(2\pi)^{D/2}|\Sigma|^{1/2}}\exp\left[-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu)\right] $$ exponential 안 수식은 featrue $x$와 mean vector $\mu$ 사이의 차이를 나타내는 mahalanobis distance로, $\Sigma$에 대해 eigen dec.. 공감수 0 댓글수 0 2022. 7. 2.
Naive Bayes Classifiers Naive Bayes Classifiers 이제부터는 discrete-valued feature인 $x\in\{1,\dots,K\}^D$를 어떻게 분류할 것인지 알아보자. 어기서 $K$는 각 feature의 value 개수이고, $D$는 feature의 개수이다. 우리는 generative approach를 사용할 것이고, 이를 위해 class conditional distribution인 $p(x|y=c)$를 지정해야 한다. 가장 간단한 approach는 feature들이 주어진 class label에 대해 conditionally independent라고 가정하는 것이다. 이를 통해 class conditional density를 다음과 같이 1-D density의 곱으로 쓸 수 있다. $$ p(x|.. 공감수 0 댓글수 0 2022. 6. 21.
Online Learning, Overfitting and Black Swan Paradox Online Learning Machine learning에는 크게 batch learning과 online learning이 존재한다. 만약 데이터 1000만 개가 존재할 때 batch learning은 이를 한 번에 넣어서 학습을 진행하는 반면, online learning은 1~5000, 5001 ~ 10000 이런 식으로 나누어 학습을 진행한다. online learning에서 고려해야하는 점은 항상 결과가 같은지 다른지 이다. batch learning의 posteior는 위에서 정의한 수식과 같다. 하지만 online learning의 경우에는 약간의 차이가 있다. 데이터가 $D_{a}, D_{b}$로 나뉘었다고 가정을 하면 posterior는 아래 수식으로 표현된다. $$ p(\theta \.. 공감수 0 댓글수 0 2022. 6. 5.
Bayesian Concept Learning Introduction Discrete classification은 크게 Discriminative approach와 Generative approach로 나뉜다. Discrimitive approach $$ p(y = c \mid x, \theta) $$ 어떠한 model $\theta$가 주어졌을 때, feature vector $x$를 통해 $y=c$인 class를 추론하는 것으로 대표적으로 Linear regression과 Logistic regression이 있다. Generative approach $$ p(y=c|x,\theta)\propto p(x|y=c,\theta)p(y=c|\theta) $$ 수식은 discrimitive approach와 같지만, 해당 식을 이용하여 바로 추론하는 것.. 공감수 0 댓글수 0 2022. 6. 5.
ICMP (Internet Control Message Protocol Version 4) 네트워크에 무슨일이 생겨 router에 packet을 전달하지 못하는 상황이 생기면, 이를 보고하는 역할이 필요하게 된다. 이 역할을 ICMP가 진행한다. Source-A-B-C-Destination 순서로 전달이 된다고 가정하자. 알파벳은 router이다. 만약 B와 C 사이에서 연결이 끊겼을 때는 B에서 source로 이 상황을 알려줘야한다. source에 알려주기 위해서는 IP가 필요한다. 이러한 이유로 ICMP는 IP header가 필요하고, ICMP에는 error에 대한 종류를 적고 source의 IP 주소를 IP header에 넣어서 전송한다. 위 테이블은 ICMP의 message에 대한 유형별 정리이다. 크게 Error-reporting message, Query message로 나뉜다. I.. 공감수 0 댓글수 0 2022. 5. 27.
Internet Protocol Version4 (IPv4) 이전에 살펴본 내용과 동일하게 IP는 network layer에 속해 있다. 이전에 설명한 UDP 헤더는 위 이미지와 같이 구성이 되어 있고, 시작 포트 번호, 도착 포트 번호, 전체 길이, checksum으로 구성되어 있다. network layer에 있는 얘는 datagram이라고 부르고, 이는 가변적인 옵션을 가지고 있다. IP datagram 위 그림은 IP 헤더이다. 하나하나 씩 알아보자. VER 버전 넘버를 의미하고, 4비트로 구성되어 있다. HLEN IP 헤더의 경우 옵션을 사용하게 되면 20 바이트부터 60 바이트까지 길이가 가변적으로 변하게 된다. 이를 HLEN을 통해서 알려준다. 4비트로 구성이 되어 있다. IP 헤더의 최대 바이트는 60인데, 최대 바이트가 할당되려면 4로 나누어서 1.. 공감수 0 댓글수 0 2022. 5. 24.
MLE를 활용한 Log-Likelihood Linear Regression 구현 (only numpy) Data load를 제외한 모든 Linear Regression의 과정들을 python과 numpy만을 사용하여 구현해보았습니다. 개념에 대한 전체적인 내용은 아래 포스트를 참고하시기 바랍니다. https://ys-cs17.tistory.com/73 Code implementation Normalization weight-height.csv 파일을 DataFrame으로 만든 후 해당 함수를 통해 normalization을 진행합니다. 1. Min max normalization def min_max_normalize(df): x = (df['Weight'] - min(df['Weight'])) / (max(df['Weight']) - min(df['Weight'])) y = (df['Height'] - .. 공감수 0 댓글수 0 2022. 5. 18.
Delivery and Forwarding of IP Packets Direct delivery Direct delivery는 최종 목적지가 보내는 쪽과 같은 네트워크에 있는 경우이다. 다른 컴퓨터도 만약 연결이 되어 있다면 가운데 육면체인 스위치는 연결되어 있는 모든 컴퓨터에게 데이터를 전송한다. 아니면 테이블을 확인하여 보낸다. 라우터가 같은 네트워크에 있는 컴퓨터에게 바로 보내는 것도 direct delivery이다. Indirect delivery 위 그림과 같이 라우터를 거쳐서 다른 네트워크로 가는 것을 indirect delivery라고 한다. 라우터에는 실질적인 모든 경로를 알고 있다. 위 그림 R1처럼 테이블에 경로를 저장한다. (a) 같은 방식을 경로 중심 경로라고 하고, Route table에 모든 경로를 저장한다. 하지만 미국에 데이터를 보내는 경우와.. 공감수 0 댓글수 0 2022. 5. 14.
IPv4 Addresses (2) Subnet도 mask가 존재한다. 이를 subnetid를 가지고 mask를 결정한다. 만약 주소 class B에 속하는 주소 1개에 대해 4개의 subnet을 나눈다고 가정을 하면 총 $16 + log {2^{4}} = 18$ 개의 bit까지 확인을 해야 한다. 주소가 주어지면 subnet mask와 AND 연산을 하면 네트워크의 주소가 나온다. Supernet Class A, B, C에 속하는 주소들의 gap은 너무 큰데, 이를 해결하고자 supernet이라는 것이 제안되었다. 이는 class를 묶어서 하나로 표현한 것이다. 예를 들어 class C 주소가 200.3.128.0이고, 다음 주소가 200.3.129.0, 200.3.130.0,...이라고 가정하면 이를 이진수로 200.3.10000000.. 공감수 0 댓글수 0 2022. 5. 14.
Machine learning: Logistic Regression (MLE ~ Multi-class Logistic Regression) Introduction Probabilistic classifier의 목적은 어떠한 label에 대해 확률 적으로 추론하는 것이다. Generative approach는 $p(y,x)$의 joint model을 찾은 후, vector $x$의 조건에 따라 $p(y \mid x)$를 구했다. Discriminative approach는 $p(y \mid x)$를 바로 구하기 위해 model을 fitting 하는 과정이다. 이번 챕터에서는 parameter인 $w^{T}, x$가 linear한 discrimitive model이라는 것을 가정할 것이다. 이렇게 하면 model fitting 과정을 단순화할 수 있다. Model specification 본격적으로 logistic regression formu.. 공감수 0 댓글수 0 2022. 5. 9.
[Anomaly detection] Overview 본 포스트는 고려대학교 산업경영공학부 강필성 교수님의 Business Analytics 강의를 정리한 내용입니다. OVERVIEW Anomaly detection의 목표는 비슷하게 생긴 객체들 사이에서 다른 객체를 탐지하는 것이다. 고전 적인 machine learning의 개념에서 기계가 학습이 가능하다고 말하는 것은 어떠한 task T에 대해 얼마나 학습을 잘하는지를 측정하는 performance measure P가 있을 때, 충분한 경험, 즉 데이터 E를 제공해주면 P가 상승된다는 것이다. Unsupervised learning에서 우리는 주어지는 데이터에 대한 distribution을 추정하거나, 데이터 간 cluster를 찾거나, 데이터 간 association을 분석하는 것들을 각각의 node.. 공감수 0 댓글수 0 2022. 4. 29.
Machine learning: Linear Regression (MLE) Linear regression은 supervised learning에서 많이 사용되고, 앞에서 살펴보았던 kernel이나 basis expansion 등을 이용해 Non-linear relationship을 가진 model을 만들 수 있었다. 우리는 아래 수식과 같이 parameter들을 주로 Gaussian을 사용하여 modeling을 진행했었다. $$ \text{Linear regression model:}\ \ p(y\mid {x}, {\theta}) = \mathcal{N}(y\mid w^{T}x, \sigma^{2}) $$ $$ \text{Non-linear regression model:}\ \ p(y\mid {x}, {\theta}) = \mathcal{N}(y\mid w^{T}x\phi(.. 공감수 0 댓글수 0 2022. 4. 28.
IPv4 Addresses (1) 우리가 주로 쓰는 ip 주소는 ipv4이다. 이는 32비트로 이루어져있고, 우리는 이를 10진법으로 변환하여 표현한다. 네트워크 상에서 ip 주소는 몇 가지 예외를 제외하고 전 세계에 딱 1개이다. 사설망 구축 주소 192.168. ... . ... 또는 127로 시작하는 루프백 주소를 제외하고는 ip 주소는 unique하다. 밑에 Dotted decimal에 써있는 숫자가 우리가 주로 보는 ip 주소이다. ip는 사실 32비트짜리 숫자 1개라고 생각하면 된다. 하지만 사람들끼리 의사 소통하는 것이 불편하여 8비트씩 끊고 10진법으로 쉽게 풀어서 사용한다. 10진수를 2진수로 변경하는 과정이다. 위 문항들에서 각 틀린 부분을 찾아보자. a. 첫 번째 부분은 0이 될 수 없다. 따라서 045를 45로 바꿔.. 공감수 0 댓글수 0 2022. 4. 27.
Transmission Control Protocol (TCP) (6) WiFi Channels 데이터를 보낼 때는 특정 대역폭을 사용해야 한다. 이 대역폭을 bandwith라고 하고, 만약 channel 1을 통해 데이터를 보내려고 하면, 위 위 그림과 같이 2.4 ~ 2.422 GHz까지의 주파수 영역이 필요하다. 각 채널끼리 간섭을 주지 않으려고 대역폭마다 간격이 존재한다. 하지만 초기 와이파이를 설계했을 당시 채널 간 대역폭을 겹치게 만들었다. 이렇게 겹치는 대역폭 때문에 데이터가 깨지게 되었다. 결과론적으로 1번, 6번 등으로 서로 중첩되게 하면 안된다. 따라서 한 공간에서 대역폭 중첩이 일어나지 않게 하는 경우의 수는 총 3개이다. 1 - 6 - 11 또는 2 -7 - 12, 3 - 8 - 13,... TCP timers TCP에 있는 timers에 대해 살펴보자.. 공감수 0 댓글수 0 2022. 4. 27.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.