프로그래밍을 할 경우 위와 같은 순서로 프로그래밍 언어는 어셈블리언어, 기계언어로 변환된다. 해킹을 하는데 있어서 단순코드가 아닌 기계언어를 바꿀 경우 해당 파일이 정상적으로 컴파일되거나 실행되지 않을 것이다. 시스템해킹에서 특히 사용되는 기계언어와 컴퓨터구조를 공부해 보려고 한다. 오늘은 각각의 단계에서 언어가 어떤식으로 변환되는지 살펴보려고 한다. 자세한 C언어와 어셈블리언어에 대한 설명은 다음 포스팅에서 진행하려고 한다. 시작하기 앞서 각각의 단계마다 변환된 파일을 리눅스환경에서 쉽게 접근하기 위해 GCC Compiler를 사용하였다. 파일 변환 순서는 main.c -> main.i -> main.s -> main.o 순서이다. main파일은 이전 포스팅에서 사용한 비트연산파일을 재사용했다. gcc..

[목차] 1. 자료형 크기 확인 [1] 2. 오버플로우 재현 [1] 3. 비트연산 c언어 프로그램 작성 [1] 4. 특정 위치의 비트를 끄는 코드 만들기[1] 5. GCC Compiler [2] 6. GDB Debuger를 이용한 디버깅 [1] [2] 데이터 표현 실습 - 자료형 크기 확인 (sizeof) 각각의 자료형의 크기를 알아보았다. MSDN, cplusplus를 통해서도 자료크기를 확인할 수 있다. - 오버플로우 재현 Char형은 -127~126, 256개의 숫자가 표현 가능하다. CHAR_MAX보다 1큰수를 출력하였더니 오플러우 되어 -128의 값이 나왔다. 다음으로는 리눅스 커널에서 해당 파일을 실행했을 때 각각의 명령어에서 나오는 결과값을 적어보았다. Gdb란? GNU에서 나온 디버깅 프로..

SVM이란 데이터 분류를 위해 마진(margin)이 최대가 되는 결정 경계선(decision boundary)를 찾아내는 머신러닝 방법입니다. SVM은 크게 5가지의 구성요소로 나누어 생각해 불 수 있습니다. 결정 경계선(Decision Boundary) 서포트 벡터(Support Vector) 마진(Margin) 비용(Cost) 커널 트릭(Kernel Trick) 1. 결정 경계선 : 서로 다른 분류 값을 결정하는 경계 2. Support Vector : 2차원 공간 상 데이터 포인트 3. Margin : Support Vector과 Decision Boundary간 사이 거리 ***마진을 최대로 하는 결정 경계선을 찾는 것이 중요하다 4. Cost :얼마나 많은 데이터 샘플이 다른 클래스에 놓이는 것..

의사결정트리(Decision Tree): 어떤 항목에 대한 관측 값과 목표 값을 연결시켜주는 예측 모델로써 결정 트리를 사용하는 머신러닝 방법 ***직관적이고 효율적인 질문을 사용하여 트리의 효율을 높이는 것이 중요하다. ***영향력이 큰 특징을 상위 노드로, 영향력이 작은 특징은 하위 노드로 선택! ***의사결정 트리는 특징별 영향력이 크고 작음을 비교하기 위해 두 가지 방법 중 하나를 사용함 (이진선택) 의사결정트리는 수치데이터, 범주데이터 모두 사용 가능하고 정확도가 높은 편이지만 과대적합의 위험성이 높다. -> 여러 트리를 사용하는 앙상블기법을 보완하여 사용함

보호되어 있는 글입니다.

오늘은 비정형데이터 중 txt파일을 이용하여 wordcloud를 나타내었습니다! 정형데이터 위주로 공부를 하다보니 실제 텍스트&언어를 직접적으로 분석하는 방법이 궁금해서 시도해 보았는데 생각보다 많이 까다로웠습니다. 비정형데이터 분석의 장점과 단점(주관적인 의견입니다 :)은 아래 추가로 적어놓았습니다. 실행 과정 1. 저작권이 만료된 gutenberg에서 txt파일을 가져옵니다. import requests url = 'https://www.gutenberg.org/files/71496/71496-0.txt' res = requests.get(url) res.status_code 2. re library의 findall 메소드를 통해 txt파일에서 영단어만 추출하여 words에 저장합니다. (영어는 띄어..