글

라벨이 Toy Project - Machine Learning인 게시물 표시

[ Architecture, Technology ,Web ] SSO(Single Sign On) 그리고 SAML에 대해

-
이미지
이번 프로젝트 내부에서 어쩌다보니  유저 인증 관련 업무를 담당하게 되었고, 해야하는 업무는 내부에 사용했던 적이 없던  새로운 개발 플랫폼에서  SSO의 프로토콜 중  SAML을 이용해 앱의 인증을 구현해야만 했다. SSO를 생각해본적 조차 없는 상황에 이를 새로운 개발 플랫폼에 도입해야 했기 때문에 많은 시행착오를 겪었으나 구현에 성공하였으며 덕분에 SSO에 대한 전반적인 지식을 쌓을 수 있었다. 이번에는 그러한 과정에서 나온 지식들과 경험을  공유하고자 한다. SSO에 대한 정의 먼저 사전적 정의 부터 살펴보자. 다만, 기술적인 용어다보니 자주 사용하는 옥스포드 사전에 정의를 찾을 수 없기 때문에  검색으로 찾을 수 있는 정의를 몇 가지 살펴보고 교차 검증을 해보자. 첫 번째 정의를 살펴보자. Single sign-on (SSO) is an identification method that enables users to log in to multiple applications and websites with one set of credentials.  SSO는 웹사이트에서 한 번의 인증(one set of credentials)으로 복수의 어플리케이션에 로그인 할 수 있는 인증(identification) 방법(method) 이다. 두 번째는 위키피디아의 정의이다. Single sign-on (SSO) is an authentication scheme that allows a user to log in with a single ID to any of several related, yet independent, software systems. SSO는 독립적이지만 연관되어있는 몇몇 소프트웨어에 대해 하나의 ID로 로그인을 할 수 있도록 하는 인증 구조(scheme) 세부 설명에 조금 차이가 있어 보이지만 전체적인 틀은 매우 비슷해 보인다.  몇 가지 포인트가 되는 단어를 추출해 이를 연결해보자면 아래와 같은 의미를 산출 할 수 있다. 독립적이지만 연관되어 있
자세한 내용 보기

[ Toy Project - Machine Learning, IT, Neural Network] Active Function 그리고 Cost Function과 Loss Function에 대해

-
이미지
앞선 글에서 나는 뉴런 네트워크를 설계하고,  프로세스를 정했다. 하지만, 곧 문제에 직면했는데, 내가 코세라에서 배운 이론들은 꽤 예전에 이론들이며 시간이 된다면 완수하고 싶지만 나는 그 강의를 아직 완수하지 않았기 때문에 현재 Python에서 사용하고 있는 라이브러리 들은  내가 알던 것들과는 조금 다른 용어들을 사용하고 있었으며, 그에 따른 수식들 또한 달랐다. 물론 이에 대해 다시 강의로 되돌아가  이에 대해 배우는 것이 어쩌면 빠를 수 도 있지만, 나는 먼저 강의를 다 듣는 것 보다는  하나의 토이 프로젝트를 해보는 것이 더 이득이라 판단 했다. 왜냐하면 나는 기본을 바닥에 올려놔야할 때는  바텀 업을 선호하지만, 어느 정도 기본이 쌓였다면  탑 다운 방식을 선호하기 때문이다. 따라서 프로젝트를 진행하기 앞서서  내가 배웠던 것들과 실제 라이브러리에서 사용하는  수식들이 어떻게 다른지 그러니깐 어떻게 발전했는지에 대한 비교가 필요하다고 판단했다. 이에 대한 첫 장으로 먼저  Cost Function과 Active Function에 대한 이야기를 해보려한다. Active Function? Cost Function? Loss Fuction? NN관련에 대해 검색하다보면 익히 나타나는 용어는 Cost Function, Active Function,  Loss Function이 3가지 용어가 자주 보이는 듯 하다. 여기서 Cost Function에 대해서는 학습을 했었고, 과거 포스팅에도 개재한 바 있다. 과거 포스팅에서 Cost Function에 대해  내가 정의 내린 것은 아래와 같다. ( https://nitro04.blogspot.com/2020/01/machine-learning-by-andrew-ng_10.html ) 데이터들의 집합인 가설 함수(Hypothesis Function)와  해당 데이터들의 값과 가장 오차가 작은  즉, 최소값인 θ0, θ1를 구하는 것이 비용 함수(Cost Function)이다. 비용 함수를 이용하는 이유는  수 많은
자세한 내용 보기

[ Toy Project - Machine Learning ] 오늘은 친구와 게임을 할 수 있을까?

-
이미지
python의 블로그 토이 프로젝트 이후  이번에 해보려는 것은 작은 머신 러닝 프로젝트이다. 프로젝트에 들어가면서 나는 예전부터 친구들과 게임을 즐겨하는데, 그 중 마음도 맞기도 하고  유머 코드도 잘 맞는 친구가 한 명 있다. 다만, 그 친구에게는 한 가지 단점이 있는데, 게임을 같이 하자는 약속해도 그 시점이 되면 그 친구가 돌연 사라져 버린다. 대부분 이유는 다른 게임에 열중해 하고 있거나 그 때 졸려서 잠을 자버릴 때가 많았다. 지금은 아니지만,  그 당시에는 그런 것이 지속되었고 마침 그 때 머신러닝에 대해 한창 공부하고 있던 터라 이에 대해 데이터를 축적하고, 이 후에 시간이 된다면  이에 관련한 개인 프로젝트를 하려고 생각 했다. 그리고 이제 그 차례가 되었고, 지금 까지 배운 기반으로 해 작은 머신 러닝을 설계부터 시작해 개발해보고 이에 대한 보고서를 개인 블로그에 기재하기로 했다. 제목은 오늘은 친구와 게임을 할 수 있는가에 대한  머신 러닝이다. 내가 축적한 데이터를 머신 러닝에 넣으면  할 수 있는가 없는가에 대한 답을 알려줄 것이다. 데이터는 약 반년 조금 넘는 데이터를 축적했으며, 물론 데이터의 양이 엄청나게 많지는 않고, 간단한 머신 러닝이지만  지금 까지 복습과 머신 러닝에 대한  좀 더 심도 있는 이해에 도움이 될 것이라 생각 한다. Python에 데이터 처리 관련  좋은 라이브러리가 많다고 들었기 때문에  개발은 Python으로 하기로 하겠다. 아키텍쳐 설계 머신 러닝을 만들기 이전에  우선 신경 망 설계를 해줄 필요가 있다. 먼저 목적에 맞게 Input Layer와 Output Layer의 요소의 수를 설정하고, Hidden Layer의 갯수와 요소의 갯수를 설정하도록 하겠다.  당연히 Output Layer의 요소는  할 수 없다(0),할 수 있다(1)로 단 하나 이며, 데이터의 요소는 2개로 설정해 데이터를 축적했다. 첫 번째로 당시 응답의 여부  두 번째로 실제 게임을 했는지에 대한 여부 이다. 이에 대한 설명을 조금 하
자세한 내용 보기