자동 바이너리 신호

마지막 업데이트: 2022년 5월 2일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
  1. 1. P. E. Pace, "Detecting and Classifying Low Probability of Intercept Radar," Artech House, pp. 3-707, 2009.
  2. 2. J. Lunden and V. Koivunen, “Automatic Radar Waveform Recognition,” IEEE Journal of Selected Topics in Signal Processing, Vol. 1, No. 1, pp. 124-136, 2007. 상세보기
  3. 3. Z. Ming, L. Lutao, and D. Ming, "LPI Radar Waveform Recognition based on Time-Frequency Distribution," Sensor, Vol. 16, No. 10, p. 1682, 2016. 상세보기
  4. 4. Gulum, Taylan Ozgur, et al., "Parameter Extraction of FMCW Modulated Radar Signals using Wigner- Hough Transform," Computational Intelligence and Informatics(CINTI), 2011 IEEE 12th International Symposium on, pp. 465-468 IEEE, 2011.
  5. 5. N. Levanon and E. Mozeson, "Radar Signals," John Wiley & Sons, pp. 53-167, 2004.
  6. 6. H.-I. Choi and W. J. Williams, “Improved Time-Frequency Representation of Multicomponent Signals using Exponential Kernels,” IEEE Transactions on Aoustics, Speech, and Signal Processing, Vol. 37, No. 6, pp. 862-871, 1989.
  7. 7. Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based Learning Applied to Document Recognition,” Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, 1998. 상세보기
  8. 8. R. C. Gonzalez and R. E. Woods, "Digital Image Processing," Int. ed. Englewood Cliffs, p. 598, 2002.

In electronic warfare(EW), low probability of intercept(LPI) radar signal is a survival technique. Accordingly, identification techniques of the LPI radar waveform have became significant recently. In this paper, classification and extracting parameters techniques for 7 intrapulse modulated radar signals are introduced. We propose a technique of classifying intrapulse modulated radar signals using Convolutional Neural Network(CNN). The time-frequency image(TFI) obtained from Choi-William Distribution(CWD) is used as the input of CNN without extracting the extra feature of each intrapulse modulated radar signals. In addition a method to extract the intrapulse radar modulation parameters using binary image processing is introduced. We demonstrate the performance of the proposed intrapulse radar waveform identification system. Simulation results show that the classification system achieves a overall correct classification success rate of 90 % or better at SNR = -6 dB and the parameter extraction system has an overall error of less than 10 % at SNR of less than -4 dB.

키워드 열기/닫기 버튼

피인용 횟수

KCI에서 이 논문을 인용한 논문의 수는 0건 입니다.

참고문헌 (8) 열기/닫기 버튼 * 2020년 이후 발행 논문의 참고문헌은 현재 구축 중입니다.

논문 인용하기 닫기

펄스 내 변조 저피탐 레이더 신호 자동 식별 한국군사과학기술학회지

TY - JOUR
AU - 김민준
AU - 공승현
TI - 펄스 내 변조 저피탐 레이더 신호 자동 식별
T2 - 한국군사과학기술학회지
JO - 한국군사과학기술학회지
PY - 2018
VL - 21
IS - 2
PB - 한국군사과학기술학회
SP - 133
EP - 140
SN - 1598-9127
AB - In electronic warfare(EW), low probability of intercept(LPI) radar signal is a survival technique. Accordingly, identification techniques of the LPI radar waveform have became significant recently. In this paper, classification and extracting parameters techniques for 7 intrapulse modulated radar signals are introduced. We propose a technique of classifying intrapulse modulated radar signals using Convolutional Neural Network(CNN). The time-frequency image(TFI) obtained from Choi-William Distribution(CWD) is used as the input of CNN without extracting the extra feature of each intrapulse modulated radar signals. In addition a method to extract the intrapulse radar modulation parameters using binary image processing is introduced. We demonstrate the performance of the proposed intrapulse radar waveform identification system. Simulation results show that the classification system achieves a overall correct classification success rate of 90 % or better at SNR = -6 dB and the parameter extraction system has an overall error of less than 10 % at SNR of less than -4 dB.
KW - LPI Radar(저피탐 레이더), Intrapulse 자동 바이너리 신호 Modulation(펄스 내 변조), Convolutional Neural Network(콘볼루션신경망), Parameter Extraction(식별인자 추출)
DO - http://dx.doi.org/10.9766/KIMST.2018.21.2.133
ER -

김민준 and 공승현. (2018). 펄스 내 변조 저피탐 레이더 신호 자동 식별. 한국군사과학기술학회지, 21(2), 133-140.

김민준 and 공승현. 2018, "펄스 내 변조 저피탐 레이더 신호 자동 식별", 한국군사과학기술학회지, vol.21, no.2 pp.133-140. Available from: doi:http://dx.doi.org/10.9766/KIMST.2018.21.2.133

김민준, 공승현 "펄스 내 변조 저피탐 레이더 신호 자동 식별" 한국군사과학기술학회지 21.2 pp.133-140 (2018) : 133.

ScienceON Chatbot

Automatic Intrapulse Modulated LPI Radar Waveform Identification

Abstract

In electronic warfare(EW), low probability of intercept(LPI) radar signal is a survival technique. Accordingly, identification techniques of the LPI radar waveform have became significant recently. In this paper, classification and extracting parameters techniques for 7 intrapulse modulated radar signals are introduced. We propose a technique of classifying intrapulse modulated radar signals using Convolutional Neural Network(CNN). The time-frequency image(TFI) obtained from Choi-William Distribution(CWD) is used as the input of CNN without extracting the extra feature of each intrapulse modulated radar signals. In addition a method to extract the intrapulse radar modulation parameters using binary image processing is introduced. We demonstrate the performance of the proposed intrapulse radar waveform identification system. Simulation results show that the classification system achieves a overall correct classification success rate of 90 % or better at SNR = -6 dB and the parameter extraction system has an overall error of less than 10 % at SNR of less than -4 dB.

본문요약 다운로드 * AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

  • 본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다.

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다.

이 논문에서는 대략적으로 레이더 신호 펄스 부분이 탐지가 됐고, 펄스 폭을 안다고 가정한다. 또한 한 가지 종류의 레이더 신호가 수신 됐다고 가정한다.

식별 인자 추출 단계에서는 TFI와 레이더 신호 변조 방법에 대한 정보를 바탕으로 영상처리를 이용하여, 중심주파수, 대역폭, 주파수 도약 정보와 같은 식별인자(Modulation parameters)를 얻어낸다. 이 논문에서는 대략적으로 레이더 신호 펄스 부분이 탐지가 됐고, 펄스 폭을 안다고 가정한다. 또한 한 가지 종류의 레이더 신호가 수신 됐다고 가정한다.

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다.

본 논문에서 펄스 내 변조 레이더 신호를 분류하기 위해서 분류기로 CNN을 사용했다. CNN은 Convolution Layer에서 자체적으로 특징을 추출하기 때문에, 펄스 내 변조 방법 마다 특징인자를 구하는 기존 방법과는 달리, 별다른 특징인자를 구하는 과정 없이 TFI만 사용하여 펄스 내 변조 레이더 신호를 분류 할 수 있다 [7] .

CNN은 구조를 결정하는 hyper-parameter에 따라 성능이 달라진다. 본 논문에서는 CNN의 입력 크기, convolution filter의 개수 및 크기, full-connected(FC) 층을 구성하는 뉴런(Neuron)의 개수와 같은 Hyper-parameter들을 바꿔가며 최적의 CNN 구조를 찾았다. 예를 들어, 입력 크기는 64×64, 128×128, 256×256, convolution filter의 개수는 20, 30, 40, 50 크기는 3×3, 5×5, 7×7, FC의 뉴런 개수는 100, 200, 300과 같이 바꿔가면서 분류 성공률이 최대가 나오는 hyper-parameters를 찾았다.

본 논문에서는 컨볼루션 신경망(CNN, Convolutional Neural Network)을 사용하여 7가지 저피탐 펄스 내 변조 방법(LFM, 자동 바이너리 신호 자동 바이너리 신호 Costas code, Polyphase(Frank, P1, P2, P3, P4)) [1,5] 을 분류하는 기술과 TFI를 영상처리하여 펄스 내 변조 레이더 신호 식별인자를 추출해 내는 방법을 제안한다. 기존 방법은 변조 방법 별로 특징인자를 찾으려는 노력이 필요하지만 TFI와 CNN을 이용한 변조 방법 분류 기술은 시간에 따른 주파수 변화의 특징을 잘 나타내는 TFI 자체를 특징인자로 사용하여 추가적으로 특징인자를 찾아낼 필요가 없다.

이번 장에서는 3장에서 얻어낸 펄스 내 변조 레이더 신호 종류에 대한 정보와 TFI를 이용하여 각 펄스 내 변조 레이더 신호의 식별인자들을 추출해 내는 과정을 소개 한다. 제안한 식별인자 추출 과정은 이진영상으로 변형 된 TFI를 사용한다.

이번 장에서는 3장에서 얻어낸 펄스 내 변조 레이더 신호 종류에 대한 정보와 TFI를 이용하여 각 펄스 내 변조 레이더 신호의 식별인자들을 추출해 내는 과정을 소개 한다. 제안한 식별인자 추출 과정은 이진영상으로 변형 된 TFI를 사용한다. 이진 영상으로 변형하는 영상 문턱처리 방법은 다음과 같다 [8] .

그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다. 학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다. 테스트 레이더 신호로는 SNR을 -8 dB부터 2 dB씩 10 dB까지 증가시켰으며, 각 SNR당 100개씩, 한 개의 펄스 내 변조 신호를 위해 1,000개를 사용했으며, 7가지 펄스 내 변조 레이더 신호 총 7,000개를 사용하여 테스트 했다.

3장에서 제안한 CNN을 이용한 펄스 내 변조 레이더 신호 분류에 대한 모의실험을 했다. Table 2는 모의실험을 위한 펄스 내 변조 레이더 신호의 변수 범위를 나타낸 것이다.

또한 U[a, b]는 최솟값이 a, 최댓값이 b인 균일 분포(uniformdistribution)를 의미한다. CNN을 학습시키기 위해, SNR이 -6 dB부터 2 dB씩 증가시켜 10 dB까지 해당하는 펄스 내 변조 레이더 신호를 각 SNR 당 300개 씩 만들어, 한 개의 펄스 내 변조 레이더 신호는 2700개의 신호가 있으며, 7개의 펄스 내 변조 레이더 신호가 있으므로 총 18,900개의 펄스 내 변조 레이더 신호를 사용했다. 그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다.

CNN을 학습시키기 위해, SNR이 -6 dB부터 2 dB씩 증가시켜 10 dB까지 해당하는 펄스 내 변조 레이더 신호를 각 SNR 당 300개 씩 만들어, 한 개의 펄스 내 변조 레이더 신호는 2700개의 신호가 있으며, 7개의 펄스 내 변조 레이더 신호가 있으므로 총 18,900개의 펄스 내 변조 레이더 신호를 사용했다. 그 중 70 %인 13,230개의 펄스 내 변조 레이더 신호는 CNN을 직접 학습하는데 사용하고 30 %인 5,670개는 학습 도중 알맞게 학습이 되고 있나 확인하는 용도로 사용하였다. 학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다.

학습한 CNN을 이용하여 펄스 내 변조 레이더 신호를 잘 분류하는지 테스트를 했다. 테스트 레이더 신호로는 SNR을 -8 dB부터 2 dB씩 10 dB까지 증가시켰으며, 각 SNR당 100개씩, 한 개의 펄스 내 변조 신호를 위해 1,000개를 사용했으며, 7가지 펄스 내 변조 레이더 신호 총 7,000개를 사용하여 테스트 했다. 테스트 한 결과는 SNR 별 7가지 신호의 총 분류 성공률(pcc, percentage of correct classification)을 나타낸 Fig.

수신한 레이더 신호에 대하여 시간에 따른 주파수 에너지 분포 특징을 얻기 위해서, 시간 주파수 분석 단계에서는 TFA 기법을 이용하여 2D-TFI를 얻는다. 본 논문에서는 각 레이더 신호의 변조형태 특징을 잘 나타내는 TFA기법으로 CWD를 사용했다. 얻어진 TFI는 분류기 구조에 맞게 영상 크기를 줄이는 영상처리과정이 필요하다.

위상 변조(PM: phase modulation)의 경우, f[k]가 상수이고 Φ[k]가 변수이다. 수신한 레이더 신호에 대하여 시간에 따른 주파수 에너지 분포 특징을 얻기 위해서, 시간 주파수 분석 단계에서는 TFA 기법을 이용하여 2D-TFI를 얻는다. 본 논문에서는 각 레이더 신호의 변조형태 특징을 잘 나타내는 TFA기법으로 CWD를 사용했다.

저피탐 펄스 내 변조 방법을 분류하기 위해서 대표적으로 시간 주파수 분석(TFA, Time Frequency Analysis)과 인공 신경망(ANN, Artificial Neural Network) 기술이 사용됐다. 시간 주파수 분석 방법 중에 WVD(Wiger-Ville Distribution), CWD(Choi-Williams Distribution), QMFB(Quadrature Mirror Filtering Bank), CSA(Cyclostationary Spectral Analysis)이 있으며, TFA로부터 얻은 영상(TFI, Time Frequency Image)의 픽셀(pixel) 값들을 특징인자로 사용하여 다층 퍼셉트론(MLP, Multi-Layer Perceptron)으로 픽셀 값들을 입력시켜 변조 방법을 분류하는 연구가 있었다 [1] .

CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.

SNR = -4 dB까지는 10 % 이하의 오차를 보이며 더 낮아 질 경우 오차가 더 큰 폭으로 증가하는 것을 확인 할 수 있다. 이진 영상로 -4 dB 이하 SNR에서 식별인자를 추출 할 경우 SNR이 낮아질수록 크게 감소하는 경향을 보였다.

7을 보면, -2 dB까지는 거의 100 %에 가까운 분류 성공률을 보이다가 SNR이 낮아질수록 분류 성공률도 낮아지는 것을 볼 수 있다. 제안한 펄스 내 변조 신호 분류 방법은 SNR이 -6 dB 일 때, 90 % 이상 성공률을 보인다. 레이더 신호와 TFI로부터 특징인자를 추출하여, 추출한 특징인자를 분류기 넣어 분류 한 방법인 [3]의 경우 -2 dB까지는 성능이 비슷하나, SNR이 더 낮아지면서 분류 성공률이 급격하게 낮아지는 것을 확인 할수 있다.

또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.

CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다

본 논문에서는 7가지 펄스 내 변조 레이더 신호 식별과정을 소개했다. CNN을 이용한 펄스 내 변조 신호 분류 방법과, 분류된 정보와 TFI를 바탕으로 식별 인자까지 추출하는 방법을 제안했다. 또한 제안한 방법을 시뮬레이션을 통해 검증한 결과, 제안한 분류 방법은 -6 dB에서 90 % 이상의 분류 성공률을 보이고 식별인자 추출 알고리즘은 -4 dB에서 오차율이 10 % 이하로 높은 레이더 신호 분류성공률과 낮은 식별인자 추출 오차율을 보인다. 제안한 기술은 향후 전자전에서 저피탐 레이더 신호 식별 알고리즘 개발에 유용하게 활용될 것으로 기대 된다.

저피탐 펄스 내 변조 방법을 분류하기 위해서 대표적으로 시간 주파수 분석(TFA, Time Frequency Analysis)과 인공 신경망(ANN, Artificial Neural Network) 기술이 사용됐다. 시간 주파수 분석 방법 중에 WVD(Wiger-Ville Distribution), CWD(Choi-Williams Distribution), QMFB(Quadrature Mirror Filtering Bank), CSA(Cyclostationary Spectral Analysis)이 있으며, TFA로부터 얻은 영상(TFI, Time Frequency Image)의 픽셀(pixel) 값들을 특징인자로 사용하여 다층 퍼셉트론(MLP, Multi-Layer Perceptron)으로 픽셀 값들을 입력시켜 변조 방법을 분류하는 연구가 있었다[1].

전자전(EW, Electronic Warfare) 분야에서 전자 지원(ES, Electronic Support)은 의도적 또는 비의도적으로 방사하는 각종 전자파를 수신, 탐지, 분석 및 식별하고 위치확인을 위해 취해지는 제반활동으로, 전자 지원으로부터 획득한 정보들은 전자 공격(EA, Electronic Attack) 또는 전자 보호(EP, Electronic Protection) 대책 수립에 중요한 자료가 된다. 다양한 펄스 내 변조(Intrapulse modulation) 기법을 사용하여 저피탐(LPI, Low Probability of Intercept) 능력을 갖춘 레이더들이 증가하면서, 전자전 지원 시스템에서 레이더 신호 식별은 점점 더 어려워지고 있다.

저자의 다른 논문

참고문헌 (8)

  1. 1. P. E. Pace, "Detecting and Classifying Low Probability of Intercept Radar," Artech House, pp. 3-707, 2009.
  2. 2. J. Lunden and V. Koivunen, “Automatic Radar Waveform Recognition,” IEEE Journal of Selected Topics in Signal Processing, Vol. 1, No. 1, pp. 124-136, 2007. 상세보기
  3. 3. Z. Ming, L. Lutao, and D. Ming, "LPI Radar Waveform Recognition based on Time-Frequency Distribution," Sensor, Vol. 16, No. 10, p. 1682, 2016. 상세보기
  4. 4. Gulum, Taylan Ozgur, et al., "Parameter Extraction of FMCW Modulated Radar Signals using Wigner- Hough Transform," Computational Intelligence and Informatics(CINTI), 2011 IEEE 12th International Symposium on, pp. 465-468 IEEE, 2011.
  5. 5. N. Levanon and E. Mozeson, "Radar Signals," John Wiley & Sons, pp. 53-167, 2004.
  6. 6. H.-I. Choi and W. J. Williams, “Improved Time-Frequency Representation of Multicomponent Signals using Exponential Kernels,” IEEE Transactions on Aoustics, Speech, and Signal Processing, Vol. 37, No. 6, pp. 862-871, 1989.
  7. 7. Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based Learning Applied to Document Recognition,” Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, 1998. 상세보기
  8. 8. R. C. Gonzalez and R. E. Woods, "Digital Image Processing," Int. ed. Englewood Cliffs, p. 598, 2002.

이 논문을 인용한 문헌

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

  • DOI : 10.9766/KIMST.2018.21.2.133 [무료]

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

인프라 에이전트 동작

인프라 에이전트를 사용하면 개별 서버를 모니터링할 수 있을 뿐만 아니라 서비스가 전체적으로 어떻게 수행되는지 이해할 수 있습니다. 에이전트는 Amazon Linux, CentOS, Debian, RHEL 및 Ubuntu와 Windows Server 를 지원합니다. 이러한 모든 에이전트 버전은 공통된 동작 집합을 나타냅니다.

인프라 에이전트 v1.5.59 부터 에이전트는 newrelic-infra-service 이라는 바이너리를 번들로 제공합니다. 이 바이너리는 OS 서비스 관리자가 관리할 수 있습니다.

서비스 시작 시 이 바이너리는 일반적인 newrelic-infra 프로세스를 생성(실행)하고 하위 실행을 감독합니다. 따라서 에이전트 서비스 프로세스는 OS 서비스 관리자를 통해 트리거되지 않는 한 절대로 다시 시작해서는 안됩니다.

시작하는 동안 에이전트는 다음을 수행합니다.

  • 신호 처리기를 등록합니다.
  • 로거를 설정합니다.
  • 파일, 환경 변수 및 호출 인수에서 구성을 로드합니다.
  • 인벤토리, 샘플러 및 통합 수집을 위한 플러그인을 등록합니다.
  • http_server_enabled 과의 StatsD 통합 " 데이터 수신을 위해 http 포트(기본값: 8001)를 엽니다.

데이터 수집 및 전송 전 시작 시간은 일반적으로 6초 미만입니다.

기본적으로 인프라 에이전트는 단일 코어에서 실행됩니다. 매초 보낼 이벤트가 있는지 확인하고 이벤트가 있으면 New Relic 수집기 로 보냅니다. 보낼 수 있는 이벤트는 다음과 같습니다.

  • 기본 인프라 이벤트 으로 기록된 이벤트 .

기본 인프라 이벤트 및 해당 수집 빈도에 대한 설명은 인프라 이벤트 를 참조하십시오.

통합 모니터링은 지정된 간격(구성 파일에 설정됨)으로 통합 명령을 실행하고 stout/err 을(를) 읽어서 수행됩니다. 더 많은 통합을 활성화할수록 에이전트의 공간이 커집니다. 자세한 내용 은 특정 통합에 대한 설명서를 참조하십시오.

종료 신호가 수신되면 에이전트는 등록된 모든 플러그인 및 통합 프로세스를 중지합니다.

에이전트는 서비스로 실행됩니다. 설치 시 systemD. 서비스 파일과 같은 모든 서비스 관리자 필수 파일을 설정합니다. 치명적인 오류가 발생한 경우 서비스 관리자 구성이 에이전트를 다시 시작합니다.

에이전트에 대한 자동 업데이트는 없습니다. 새 에이전트 버전을 설치하려면:

  • Linux: 적절한 패키지 관리자(apt, yum, zypper)를 통해 에이전트 버전을 수동으로 설치합니다.
  • Windows: msi 패키지를 수동으로 다운로드하고 msiexec.exe 로 설치합니다.
  • macOS: HomeBrew를 통해 에이전트 버전을 수동으로 설치합니다.

수집 서비스에 대한 요청이 실패하면 페이로드가 삭제됩니다. 후속 요청은 성공할 때까지 지수 백오프 패턴을 따릅니다. 인벤토리의 경우 시스템 상태 간의 델타를 캐시 파일에 저장합니다. 실패 시 이러한 델타는 삭제되지 않지만 후속 요청에서 재사용됩니다.

옵션 로봇 : 바이너리 옵션 자동 거래 소프트웨어 검토

옵션 로봇은 가장 인기있는 거래 소프트웨어 중 하나로 자리 매김했습니다. 가장 좋은 점은 거래자에게 선택적으로 선택된 두 개의 바이너리 옵션 브로커와 연결할 수있는 옵션을 제공한다는 것입니다.

대부분의 인기있는 트레이딩 봇은 시장의 과대 광고에 따라 살지만이 경우 옵션 로봇은 다릅니다. 효과적인 거래 지표와 전략을 활용하여 고객에게 유익한 결과를 제공하는 능력이 있습니다.

Option Robot은 또한 트레이더가 커스터마이즈 할 수있어 주변의 다른 트레이딩 봇과 다릅니다. 최대 83%의 승률이 있다고 주장합니다. 따라서 여기에서는 바이너리 옵션 자동 거래 소프트웨어 리뷰 또는 옵션 로봇 리뷰를 제공하여 자세히 살펴볼 수 있습니다.

옵션 로봇이란?

옵션 로봇은 고도로 숙련 된 익명 개발자가 만든 소프트웨어입니다. 바이너리 옵션 자동 거래 소프트웨어입니다. 2014 년에 출시되었습니다.

거래를 모니터링하고 식별하여 거래자를 돕는 스마트 기술입니다. 또한 상인을 대신하여 거래를합니다. 소프트웨어 거래를보고 스스로 거래하는 방법을 배울 수 있기 때문에 초보자 수준의 거래자에게 매우 도움이 될 수 있습니다.

또한 다양한 자산을 보유하고 있지 않지만 거래 할 의사가있는 숙련 된 거래자에게도 도움이됩니다.

옵션 로봇 : 바이너리 옵션 자동 거래 소프트웨어 검토

옵션 로봇 살펴보기

언급했듯이 자동 거래 모드에서 정확도가 매우 높지만, 그것이 확실히 당신을 이길 수있는 마법의 물약과 함께 제공된다는 것을 의미하지는 않습니다. 실제로 몇 가지 효과적인 거래 지표와 영리한 전략을 기반으로 거래 신호를 제공하여 승리를 보장합니다.

인터넷을 통해 사용할 수있는 대부분의 자동 거래 봇에는 큰 결점이 있습니다. 즉, 거래자가 필요에 따라 거래 매개 변수를 변경하도록 할 수 없습니다. 하지만 옵션 로봇으로이 작업을 쉽게 수행 할 수 있습니다.

Option Robot은 사용하고자하는 거래 지표를 선택하여 즉시 가장 좋아하는 거래 로봇이 될 것입니다! 선택할 수있는 6 가지 종류의 거래 지표가 있으며 그 이름은 다음과 같습니다. CCI, RSI, MACD, 확률 적, 윌리엄스, 및 경향.

또 다른 추가 보너스가 있습니다. 사용자가 여러 거래 지표를 활용할 수 있습니다. 기본적으로 두 지표가 모두 북쪽으로 갈 때만 거래를 확인합니다. 여러 지표를 사용하기 때문에 더 적은 거래 신호를 제공하지만 결과는 더 정확할 가능성이 높습니다!

장점과 단점

가장 큰 장점은 데모 또는 평가판 계정으로 귀하를 증명한다는 것입니다. 25,000 유로! 따라서 위험을 감수하지 않고 데모 계정으로 거래를 연습 할 수 있습니다!

매우 쉽습니다. 가입하면 몇 분만에 할 수 있습니다!

또 다른 주요 이점은 완전히 무료라는 것입니다! 무료로 액세스하고 사용할 수 있습니다.

실제 계정을 사용하기 위해 가입하면 첫 번째 거래를하고 계정에 돈을 입금하기 위해 선택할 수있는 통합 브로커 목록이 제공됩니다!

세 가지 스마트 거래 전략을 사용하여 높은 승률을 제공하며,이 비율은 시장의 다른 바이너리 거래 봇보다 높습니다!

로그에 추적 기록이 없지만 데모 계정을 사용할 수있는시기입니다. 얼마나 많은 거래를 잃는 지와 반대로 얼마나 많은 거래를 이길 수 있는지 직접 확인하십시오!

소프트웨어는 매우 사용자 정의가 가능하므로 필요에 따라 수정할 수 있습니다!

다음과 같은 많은 선택을 제공합니다.

  • 거래 전략 모음에서 선택할 수 있습니다.
  • 선택한 통화에서 원하는 통화를 선택할 수 있습니다.
  • 60 초 저격수 거래와 같은 기간을 선택하는 옵션도 있습니다!

또한 선택할 수있는 다양한 브로커를 제공합니다. 그러나 누가 추가 서비스로 최고의 플랫폼을 제공 할 것인지 알아 내기 위해 브로커에 대해 먼저 조사를했다면 도움이 될 것입니다.

웹 사이트에서 사용할 수있는 모든 브로커에 대한 자세한 리뷰를 제공하므로 현명하게 선택할 수 있습니다.

앞서 언급했듯이 소프트웨어 또는 웹 사이트의 함정 중 하나는 추적 기록의 로그를 유지하지 않는다는 것입니다. 또한 검증 된 거래 결과를 제공하지 않습니다. 따라서 어떻게 작동하는지 확인하려면 데모 계정을 사용해야합니다.

또 다른 주요 단점은 고객 지원 헬프 라인이 없기 때문에 전화하거나 불만을 제기하거나 도움을 요청할 수있는 전화 번호가 없다는 것입니다. 그러나 라이브 채팅 상자에서 도움을 요청하고 이메일을 보내면 즉시 도움을받을 수 있습니다.

또 다른 단점은 확신을 가지고 거래 할 수있는 충분한 정보 나 확실한 증거를 제공하지 않는다는 것입니다.

클릭 한 번으로 당신을 부자로 만들 수있는 방법이 아닙니다.

옵션 로봇은 사기가 아닐 가능성이 높으며이를 증명할 충분한 증거와이를 욕하는 사용자가 충분합니다. 대부분의 사기 검사기 웹 사이트는 합법적이라고 주장합니다. 이제 옵션 로봇의 사용 여부는 귀하와 귀하의 거래 선호도에 달려 있습니다.

초보자 거래자에게는 충분한 거래 기술이 없기 때문에이 경우 옵션 로봇이 구세주가 될 수 있습니다. 그러나 프로 트레이더는 수년간의 경험에서 수집 한 자신의 거래 지식을 활용하고 수동으로 거래를 운영하고 기술 시장 분석을 스스로 수행하기를 원할 수 있습니다.

제 생각에 옵션 로봇은 거래가 어떻게 배치되어야하는지에 대한 확실한 제어를 제공하기 때문에 나머지 바이너리 옵션 자동 거래 소프트웨어보다 낫습니다. 이 바이너리 옵션 자동 거래 소프트웨어 검토를 읽은 후 옵션 로봇에 대해 현명하게 결정을 내릴 수 있기를 바랍니다.


0 개 댓글

답장을 남겨주세요