KR101951914B1

KR101951914B1 - Apparatus and method for detecting and displaying graph data variation

Info

Publication number: KR101951914B1
Application number: KR1020180119844A
Authority: KR
Inventors: 김명주; 이웅규
Original assignee: 넷마블 주식회사
Priority date: 2018-10-08
Filing date: 2018-10-08
Publication date: 2019-02-26

Abstract

Suggested in the present invention are a data change display device and a method thereof. According to an embodiment of the present invention, the data change display device of a program which is connected to a channel through a user terminal, includes: an input/output (I/O) interface receiving inputs from the terminal; a memory storing log data related to the inputs; and a processor analyzing the log data. The processor generates a current graph having multiple vertices with individual vertex types and multiple lines from the log data, obtains input vectors including line property information representing the properties of the individual lines and vertex property information representing the types of the individual vertices from the graph, outputs compression vectors by receiving the input vectors to a neural network learning previous graphs, and visually displays a clustered result after clustering the compression vectors.

Description

[0001] APPARATUS AND METHOD FOR DETECTING AND DISPLAYING GRAPH DATA VARIATION [0002]

아래의 설명은 데이터 변화를 검출하고 표시하는 기술에 관한 것이다.The following description relates to techniques for detecting and displaying data changes.

데이터 변화를 검출하는 방법으로 뉴럴 네트워크가 사용될 수 있다. 뉴럴 네트워크에 입력되는 데이터의 타입이 하나로 표현되는 경우, 단편적인 정보만이 분석될 수 있다. 정보를 다양화하기 위해 삼각요소(triplets)나 사각요소(quadruplets)를 사용할 경우 많은 연산량으로 제약이 있을 수 있다.A neural network may be used as a method for detecting data changes. If the type of data input to the neural network is represented as one, only fragmentary information can be analyzed. When using triplets or quadruplets to diversify information, there may be a limit on the amount of computation.

일 실시예에 따른 데이터 변화 표시 장치는, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 표시 장치에 있어서, 상기 단말기로부터의 입력을 수신하는 I/O 인터페이스, 상기 입력에 관한 로그 데이터를 저장하는 메모리 및 상기 로그 데이터를 분석하는 프로세서를 포함하고, 상기 프로세서는, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 압축 벡터를 출력하고, 상기 압축 벡터에 대해 클러스터링을 수행하고, 상기 클러스터링된 결과를 시각적으로 표시할 수 있다.According to an embodiment of the present invention, there is provided a data change display apparatus for a program connected to a channel through a user terminal and connected through a channel, the apparatus comprising: an I / O interface for receiving input from the terminal; And a processor for analyzing the log data, wherein the processor generates a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data, The input vector is input to the neural network learned by the previous graph to output a compression vector, and the input vector is input to the neural network, Performing clustering on the compressed vector, Ringdoen the result can be visually displayed.

상기 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다.The vertex type may include a program unique identification key, a channeling key, and a device identification key.

상기 프로그램 고유 식별키는 상기 프로그램이 상기 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 상기 채널링 키는 상기 프로그램이 상기 채널을 구별하기 위한 식별자를 의미하고, 상기 기기 식별키는 상기 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.Wherein the program unique identification key is an identifier for distinguishing a user connected through the channeling key by the program, the channeling key is an identifier for distinguishing the channel from the program, May be an identifier for distinguishing a user's terminal.

상기 복수의 간선 각각은 상기 복수의 정점들 사이를 연결할 수 있다.Each of the plurality of trunks may connect between the plurality of vertices.

상기 프로세서는, 상기 현재 그래프로부터 통계 데이터를 획득하고, 상기 통계 데이터로부터 상기 정점 특징 정보 및 상기 간선 특징 정보를 추출하고, 상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득할 수 있다.The processor may obtain statistical data from the current graph, extract the vertex feature information and the trunk feature information from the statistical data, and obtain an input vector composed of the extracted vertex feature information and trunk feature information have.

상기 프로세서는, 상기 정점 특징 정보를 정규화하고, 상기 간선 특징 정보를 표준화하고, 상기 정규화된 결과 및 상기 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다.The processor may normalize the vertex feature information, normalize the trunk feature information, and obtain an input vector based on the normalized result and the standardized result.

상기 프로세서는, 상기 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.Wherein the processor calculates a ratio of a vertex of each unique identification key to a ratio of a vertex of the channeling key and a vertex of the device identification key to a ratio of a trunk connected to a vertex of the entire trunk to a trunk, The standard deviation of the vertices of the entire channeling key, the vertex of the entire channeling key, the vertex of the entire channeling key, the standard deviation of the vertices of the entire device identification key, The apex of the vertex of the device identification key, and the vertex of the entire device identification key.

상기 프로세서는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다.The processor may encode the input vector using an encoder included in the neural network to output a compressed vector.

상기 프로세서는, 상기 클러스터링된 결과를 그래프로 표시할 수 있다.The processor may graphically display the clustered results.

일 실시예에 따른 데이터 변화 검출 장치는, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 검출 장치에 있어서, 상기 단말기로부터의 입력을 수신하는 I/O 인터페이스, 상기 입력에 관한 로그 데이터를 저장하는 메모리 및 상기 로그 데이터를 분석하는 프로세서를 포함하고, 상기 프로세서는, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 출력 벡터를 출력하고, 상기 입력 벡터와 출력 벡터를 비교하여 차이를 검출할 수 있다.A data change detection apparatus according to an embodiment includes an I / O interface for receiving an input from the terminal, a data change detection unit for detecting a change in data of a program connected to the channel through the channel, And a processor for analyzing the log data, wherein the processor generates a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data, The input vector is input to the neural network learned by the previous graph to output the output vector, and the input vector is input to the neural network, The difference between the input vector and the output vector can be detected All.

상기 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 상기 프로그램 고유 식별키는 상기 프로그램이 상기 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 상기 채널링 키는 상기 프로그램이 상기 채널을 구별하기 위한 식별자를 의미하고, 상기 기기 식별키는 상기 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.The vertex type may include a program unique identification key, a channeling key, and a device identification key. Wherein the program unique identification key is an identifier for distinguishing a user connected through the channeling key by the program, the channeling key is an identifier for distinguishing the channel from the program, May be an identifier for distinguishing a user's terminal.

상기 프로세서는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하고, 상기 인코딩된 결과를 상기 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 상기 출력 벡터를 출력할 수 있다.The processor may encode the input vector using an encoder included in the neural network, and decode the encoded result using a decoder included in the neural network to output the output vector.

상기 프로세서는, 상기 입력 벡터와 상기 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다.The processor may determine whether a difference between the input vector and the output vector is greater than or equal to a threshold value.

일 실시예에 따른 데이터 변화 표시 방법은, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 표시 방법에 있어서, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하는 단계, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하는 단계, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 압축 벡터를 출력하는 단계, 상기 압축 벡터에 대해 클러스터링을 수행하는 단계 및 상기 클러스터링된 결과를 시각적으로 표시하는 단계를 포함한다.According to an embodiment of the present invention, there is provided a data change display method of a program connected to a channel through a user terminal and connected via a channel, the method comprising: displaying a plurality of vertexes having respective vertex types from the log data, Obtaining an input vector including vertex feature information indicating a type of each vertex and trunk feature information indicating a feature of each trunk from the graph, generating a current graph having a trunk based on the neural network learned by the previous graph, Inputting the input vector to output a compressed vector, performing clustering on the compressed vector, and visually displaying the clustering result.

상기 입력 벡터를 획득하는 단계는, 상기 현재 그래프로부터 통계 데이터를 획득하는 단계, 상기 통계 데이터로부터 상기 정점 특징 정보 및 상기 간선 특징 정보를 추출하는 단계 및 상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하는 단계를 표시할 수 있다.The step of obtaining the input vector may further include the steps of: obtaining statistical data from the current graph; extracting the vertex feature information and the trunk feature information from the statistical data; and extracting the vertex feature information and the trunk feature information &Lt; / RTI >

상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하는 단계는, 상기 정점 특징 정보를 정규화하는 단계, 상기 간선 특징 정보를 표준화하는 단계 및 상기 정규화된 결과 및 상기 표준화된 결과를 기초로 입력 벡터를 획득하는 단계를 포함할 수 있다.Wherein the step of obtaining the input vector comprising the extracted vertex feature information and the trunk feature information comprises the steps of normalizing the vertex feature information, normalizing the trunk feature information, and performing the normalization on the basis of the normalized result and the standardized result To obtain an input vector.

상기 정점 특징 정보를 정규화하는 단계는, 상기 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 상기 간선 특징 정보를 표준화하는 단계는, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.The step of normalizing the vertex feature information may include calculating a ratio of a vertex of each unique identification key to a ratio of a vertex of the channeling key and a vertex of the device identification key to the total vertices, The ratio of the trunk connected to the vertices of the channeling key relative to the entire trunk, the ratio of the trunk connected to the vertices of the device identification key to the total trunk, the standard deviation of the vertices of the entire channeling key, The standard deviation of the vertex of the entire device identification key, the vertex of the entire device identification key, and the vertex of the entire device identification key can be calculated.

상기 압축 벡터를 출력하는 단계는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다.The outputting of the compressed vector may output the compressed vector by encoding the input vector using an encoder included in the neural network.

상기 클러스터링된 결과를 시각적으로 표시하는 단계는, 상기 클러스터링된 결과를 그래프로 표시할 수 있다.The step of visually displaying the clustered result may graphically display the clustered result.

일 실시예에 따른 데이터변화 검출 방법은, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 검출 방법에 있어서, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하는 단계, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하는 단계, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 출력 벡터를 출력하는 단계 및 상기 입력 벡터와 출력 벡터를 비교하여 차이를 검출하는 단계를 포함한다.According to an embodiment of the present invention, there is provided a data change detection method of a program connected to a channel through a user terminal and connected via a channel, the method comprising: detecting a plurality of vertexes having respective vertex types from the log data, Obtaining an input vector including vertex feature information indicating a type of each vertex and trunk feature information indicating a feature of each trunk from the graph, generating a current graph having a trunk based on the neural network learned by the previous graph, Inputting the input vector to output an output vector, and comparing the input vector with an output vector to detect a difference.

상기 입력 벡터를 획득하는 단계는, 상기 현재 그래프로부터 통계 데이터를 획득하는 단계, 상기 통계 데이터로부터 상기 정점 특징 정보 및 상기 간선 특징 정보를 추출하는 단계 및 상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하는 단계를 포함할 수 있다.The step of obtaining the input vector may further include the steps of: obtaining statistical data from the current graph; extracting the vertex feature information and the trunk feature information from the statistical data; and extracting the vertex feature information and the trunk feature information &Lt; / RTI >

상기 출력 벡터를 출력하는 단계는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하는 단계 및 상기 인코딩된 결과를 상기 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 상기 출력 벡터를 출력하는 단계를 포함할 수 있다.Wherein outputting the output vector comprises encoding the input vector using an encoder included in the neural network and decoding the encoded result using a decoder included in the neural network to output the output vector Step < / RTI >

상기 차이를 검출하는 단계는, 상기 입력 벡터와 상기 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다.The detecting the difference may determine whether the difference between the input vector and the output vector is greater than or equal to a threshold value.

일 실시예에 따른 컴퓨터 판독 가능한 저장 매체는 상기 방법을 실행하기 위한 인스트럭션들을 저장할 수 있다.A computer-readable storage medium according to one embodiment may store instructions for performing the method.

일 실시예에 따른 컴퓨터 프로그램은 상기 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장될 수 있다.A computer program according to an embodiment may be stored in a storage medium for executing the method through a combination with a computer.

도 1은 일 실시예에 따른 데이터 변화 표시 장치의 분석 대상이 되는 복수의 정점과 복수의 간선으로 구성되는 그래프를 도시한 도면이다.
도 2는 일 실시예에 따른 데이터 변화 표시 방법의 동작을 도시한 순서도이다.
도 3은 일 실시예에 따른 데이터 변화 표시 방법의 구체적인 동작을 도시한 순서도이다.
도 4는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 그래프의 일례를 도시한 도면이다.
도 5는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 통계 데이터의 일례를 도시한 도면이다.
도 6은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 획득하는 과정을 도시한 도면이다.
도 7은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 클러스터링한 결과를 도시한 도면이다.
도 8은 일 실시예에 따른 데이터 변화 표시 장치에 의해 표시된 그래프의 일례를 도시한 도면이다.
도 9는 일 실시예에 따른 데이터 변화 표시 장치에 의해 입력 벡터와 뉴럴 네트워크 학습을 통해 출력된 출력 벡터간의 차이를 표시한 그래프의 일례이다.
도 10은 일 실시예에 따른 데이터 변화 검출 방법의 동작을 도시한 순서도이다.
도 11은 일 실시예에 따른 데이터 변화 표시 장치의 세부 구성을 도시한 도면이다.
도 12는 일 실시예에 따른 데이터 변화 검출 장치의 세부 구성을 도시한 도면이다.FIG. 1 is a graph showing a graph composed of a plurality of vertices and a plurality of trunks to be analyzed by the data change display apparatus according to one embodiment.
2 is a flowchart illustrating an operation of the data change display method according to an exemplary embodiment.
3 is a flowchart illustrating a specific operation of the data change display method according to an exemplary embodiment.
4 is a diagram showing an example of a graph generated by the data change display apparatus according to one embodiment.
5 is a diagram showing an example of statistical data generated by the data change display apparatus according to one embodiment.
6 is a diagram illustrating a process of obtaining a compressed vector by the data change display apparatus according to an embodiment.
7 is a diagram showing a result of clustering compression vectors by a data change display apparatus according to an embodiment.
8 is a diagram showing an example of a graph displayed by the data change display apparatus according to an embodiment.
9 is an example of a graph showing a difference between an input vector and an output vector output through neural network learning by the data change display apparatus according to an embodiment.
10 is a flowchart showing the operation of the data change detection method according to one embodiment.
11 is a diagram illustrating a detailed configuration of a data change display apparatus according to an embodiment.
12 is a diagram showing a detailed configuration of a data change detection apparatus according to an embodiment.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.In the following, embodiments will be described in detail with reference to the accompanying drawings. However, various modifications may be made in the embodiments, and the scope of the patent application is not limited or limited by these embodiments. It is to be understood that all changes, equivalents, and alternatives to the embodiments are included in the scope of the right.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the examples are used for descriptive purposes only and are not to be construed as limiting. The singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, the terms "comprises" or "having" and the like refer to the presence of stated features, integers, steps, operations, elements, components, or combinations thereof, But do not preclude the presence or addition of one or more other features, integers, steps, operations, elements, components, or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this embodiment belongs. Terms such as those defined in commonly used dictionaries are to be interpreted as having a meaning consistent with the contextual meaning of the related art and are to be interpreted as either ideal or overly formal in the sense of the present application Do not.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In the following description of the present invention with reference to the accompanying drawings, the same components are denoted by the same reference numerals regardless of the reference numerals, and redundant explanations thereof will be omitted. In the following description of the embodiments, a detailed description of related arts will be omitted if it is determined that the gist of the embodiments may be unnecessarily blurred.

도 1은 일 실시예에 따른 데이터 변화 표시 장치의 분석 대상이 되는 복수의 정점과 복수의 간선으로 구성되는 그래프를 도시한 도면이다.FIG. 1 is a graph showing a graph composed of a plurality of vertices and a plurality of trunks to be analyzed by the data change display apparatus according to one embodiment.

일 실시예에 따르면, 데이터 변화 표시 장치는 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터 변화를 표시할 수 있다. 데이터 변화 표시 장치는 사용자가 인지하기 쉬운 형식으로 프로그램의 데이터 변화를 표시할 수 있다. According to one embodiment, the data change indicator may display a data change of a program that is connected to the channel through the user's terminal and is connected via the channel. The data change display device can display the data change of the program in a form that is easy for the user to recognize.

여기서, 데이터는 게임 데이터를 포함하지만 이에 한정되지 않는다. 데이터는 유저 데이터, 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 데이터는 고유 식별키, 채널링 키 및 기기 식별키 간의 연결 관계를 포함할 수 있다. 프로그램은 게임 프로그램을 포함하지만 이에 한정되지 않는다. 프로그램은 사용자의 로그인이 요구되는 프로그램을 모두 포함하며, 예를 들어, 웹사이트와 관련된 프로그램을 포함할 수 있다. 프로그램은 사용자의 로그인을 요구하지 않는 프로그램도 포함할 수 있으며, 이 경우 데이터 변화 표시 장치는 사용자의 접속 경로와 관련된 데이터 이외에 프로그램 내부 데이터에 대한 변화를 검출할 수 있다.Here, the data includes, but is not limited to, game data. The data may include user data, a unique identification key, a channeling key, and a device identification key. The data may include a connection relationship between the unique identification key, the channeling key, and the device identification key. The program includes but is not limited to a game program. The program includes all the programs for which the user's login is required, and may include, for example, programs related to the web site. The program may also include a program that does not require the user to log in. In this case, the data change display device can detect a change to the program internal data other than the data related to the user's access path.

이를 위하여, 데이터 변화 표시 장치는 단말기로부터의 입력을 수신하는 I/O 인터페이스, 입력에 관한 로그 데이터를 저장하는 메모리 및 로그 데이터를 분석하는 프로세서를 포함한다. To this end, the data change display device includes an I / O interface for receiving input from the terminal, a memory for storing log data relating to the input, and a processor for analyzing the log data.

데이터 변화 표시 장치는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 그래프를 생성한다. 예를 들어, 데이터 변화 표시 장치는 여러 게임을 수행하는 한 명의 유저를 식별하기 위해 게임마다 유저를 표현하는 고유한 정보들을 엮어서 하나의 그래프로 표현할 수 있다.The data change display device generates a graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data. For example, in order to identify one user who plays a plurality of games, the data change display device may combine unique information expressing a user for each game and express the same in a single graph.

데이터 변화 표시 장치는 게임마다 유저를 표현하는 고유 식별키, 채널링 키 및 기기 식별키를 엮어서 하나의 그래프로 표현할 수 있다. 도 1을 참조하면, 그래프(101)는 기기 실별키 타입의 정점 (111), 고유 식별키 타입의 정점 (121, 122, 123, 124) 및 채널링 키 타입의 정점 (131, 132)을 포함할 수 있다. 각 정점들 사이는 간선으로 이어질 수 있다. 그래프(102)는 기기 실별키 타입의 정점 (112, 113, 114), 고유 식별키 타입의 정점 (125, 126, 127, 128, 129) 및 채널링 키 타입의 정점 (133, 134, 135)을 포함할 수 있다.The data change display device may display a unique graph of a unique identification key, a channeling key, and a device identification key that represent a user for each game. Referring to FIG. 1, a graph 101 includes vertices 111 and 132 of a device real key type, vertices 121, 122, 123 and 124 of a unique identification key type, and vertices 131 and 132 of a channeling key type . Between each vertex can lead to trunk. The graph 102 includes vertices 112, 113 and 114 of a device real key type, vertices 125, 126, 127, 128 and 129 of a unique identification key type and vertices 133, 134 and 135 of a channeling key type .

데이터 변화 표시 장치는 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득한다. 데이터 변화 표시 장치는 그래프를 분석하여 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득할 수 있다. 입력 벡터는 뉴럴 네트워크의 입력에 적합한 형태일 수 있다.The data change display device obtains an input vector including vertex feature information indicating a type of each vertex and trunk feature information indicating a feature of each trunk from a graph. The data change display device may analyze the graph and obtain an input vector including vertex feature information and trunk feature information indicating the feature of each trunk. The input vector may be in a form suitable for the input of the neural network.

데이터 변화 표시 장치는 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 압축 벡터를 출력한다. 압축 벡터는 입력 벡터보다 데이터 량이 적을 수 있다. 예를 들어, 압축 벡터의 차원의 수는 입력 벡터의 차원의 수보다 작을 수 있다. 이처럼, 압축 벡터를 사용함으로써 데이터 변화 표시 장치는 적은 양의 연산으로 데이터 변화를 관제할 수 있다.The data change display device inputs the input vector to the neural network learned by the previous graph and outputs a compression vector. The compressed vector may have a smaller amount of data than the input vector. For example, the number of dimensions of the compression vector may be less than the number of dimensions of the input vector. As described above, by using the compression vector, the data change display apparatus can control the data change with a small amount of operation.

데이터 변화 표시 장치는 압축 벡터에 대해 클러스터링을 수행한다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터를 군집화할 수 있다.The data change display device performs clustering on the compression vector. The data change display device may perform clustering on one or more compression vectors to cluster data having similar characteristics.

데이터 변화 표시 장치는 클러스터링된 결과를 시각적으로 표시한다. 예를 들어, 데이터 변화 표시 장치는 클러스터링된 결과를 그래프 등으로 표시하여 사용자가 시각적으로 쉽게 인지하도록 표시할 수 있다.The data change display visually displays the clustered result. For example, the data change display device can display the clustered result as a graph or the like so that the user can visually recognize the change easily.

데이터 변화 표시 장치는 다양한 정점의 타입과 간선의 연결관계로 구성된 그래프를 생성하고 이를 분석하여 데이터 변화를 표시함으로써, 하나의 타입의 데이터만 분석하는 경우보다 더욱 다양하고 정교한 정보를 획득할 수 있다. 데이터 변화 표시 장치는 다양한 정점의 타입과 간선의 연결관계로 구성된 그래프를 생성하고 이를 분석하여 데이터 변화를 표시함으로써, 보다 적은 양의 데이터를 처리하면서도 데이터 변화를 비교적 정확하게 검출할 수 있다.The data change display device can generate more various and sophisticated information than a case of analyzing only one type of data by generating a graph composed of connection types of various vertices and edges and displaying the data change by analyzing the graph. The data change display device can generate a graph composed of various vertex types and connection relationships between the various vertices and display the data change by analyzing the graph. Thus, the data change can be detected relatively accurately while processing a smaller amount of data.

도 2는 일 실시예에 따른 데이터 변화 표시 방법의 동작을 도시한 순서도이다.2 is a flowchart illustrating an operation of the data change display method according to an exemplary embodiment.

도 2를 참조하면, 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터 변화 표시 방법이 도시된다.Referring to FIG. 2, there is shown a data change display method of a program connected to a channel through a user terminal and connected through a channel.

일 실시예에 따르면, 단계(201)에서, 데이터 변화 표시 장치는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성할 수 있다. 복수의 간선 각각은 복수의 정점들 사이를 연결하는 구조일 수 있다.According to one embodiment, at step 201, the data change display device may generate a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data. Each of the plurality of trunk lines may be a structure connecting a plurality of vertices.

정점은 하나 이상의 타입으로 표현될 수 있기 때문에, 하나의 데이터 타입만 표현하는 그래프에 비해 보다 많은 양의 정보가 그래프에 반영될 수 있다. 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 다만, 이들은 예시일 뿐이며 다양한 데이터 타입의 정보가 정점 타입에 포함될 수 있다.Because vertices can be represented by more than one type, a larger amount of information can be reflected in the graph than a graph representing only one data type. The vertex type may include a program unique identification key, a channeling key, and a device identification key. However, these are merely examples, and information of various data types may be included in the vertex type.

일 실시예에 따르면, 단계(203)에서, 데이터 변화 표시 장치는 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득할 수 있다. 데이터 변화 표시 장치는 정점의 특징 정보 및 간선의 특징 정보 각각을 차원으로 하는 입력 벡터를 생성할 수 있다. 여기서, 입력 벡터는 뉴럴 네트워크의 입력에 적합한 형태일 수 있다.According to one embodiment, in step 203, the data change display device may obtain an input vector including vertex feature information indicating a type of each vertex from the graph and trunk feature information indicating a feature of each trunk. The data change display device can generate an input vector having dimensions of feature information of the vertex and feature information of the trunk respectively. Here, the input vector may be in a form suitable for input to the neural network.

데이터 변화 표시 장치는 현재 그래프로부터 통계 데이터를 획득할 수 있다. 통계 데이터는 그래프에 표시된 정점 정보와 간선 정보를 정렬한 결과일 수 있다. 데이터 변화 표시 장치는 통계 데이터를 통하여 데이터의 특징을 보다 효율적으로 추출할 수 있다.The data change display device can obtain statistical data from the current graph. The statistical data may be the result of aligning the vertex information and the trunk information shown in the graph. The data change display device can extract the characteristics of the data more efficiently through the statistical data.

데이터 변화 표시 장치는 통계 데이터로부터 정점 특징 정보 및 간선 특징 정보를 추출할 수 있다. 간선 특징 정보는 정점과 정점 간의 관계와 관련된 특징을 의미할 수 있다. The data change display device can extract vertex feature information and trunk feature information from the statistical data. The trunk feature information may refer to a feature related to the relationship between vertices and vertices.

데이터 변화 표시 장치는 정점 특징 정보를 정규화할 수 있다. 정점 특징 정보는 정점 자체의 특징을 의미한다. 데이터 변화 표시 장치는 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산할 수 있다.The data change display device can normalize the vertex feature information. The vertex feature information means the feature of the vertex itself. The data change display device can calculate the ratio of the vertices of each unique identification key to the total vertices, the ratio of the vertices of the channeling key, and the ratio of the vertices of the device identification key.

데이터 변화 표시 장치는 간선 특징 정보를 표준화할 수 있다. 데이터 변화 표시 장치는 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.The data change display device can standardize the trunk feature information. The data change display device displays the ratio of the edge connected to the vertices of the channeling key relative to the entire trunk, the ratio of the trunk connected to the vertices of the device identification key to the total trunk, the standard deviation of the vertices of the entire channeling key, The distortion of the vertex of the channeling key, the standard deviation of the vertices of the entire device identification key, the vertex of the entire device identification key, and the vertex of the entire device identification key can be calculated.

데이터 변화 표시 장치는 추출된 정점 특징 정보 및 간선 특징 정보를 기초로 입력 벡터를 획득할 수 있다. 데이터 변화 표시 장치는 정규화된 결과 및 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다. 입력 벡터의 각 엘레먼트는 각각의 정점 특징 정보 및 간선 특징 정보로 구성될 수 있다. 입력 벡터는 정점 특징 정보 및 간선 특징 정보의 개수와 같은 차원으로 구성될 수 있다.The data change display device can obtain the input vector based on the extracted vertex feature information and the edge feature information. The data change indicator may obtain an input vector based on the normalized and standardized results. Each element of the input vector may be composed of respective vertex feature information and trunk feature information. The input vector may be composed of dimensions such as the number of vertex feature information and the number of edge feature information.

일 실시예에 따르면, 단계(205)에서, 데이터 변화 표시 장치는 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 압축 벡터를 출력할 수 있다. 여기서, 압축 벡터의 차원은 입력 벡터의 차원에 비해 축소된 것일 수 있다. 압축 벡터를 분석함으로써 데이터 변화 표시 장치는 보다 적은 데이터 처리량을 달성할 수 있다.According to one embodiment, at step 205, the data change display device may output the compression vector by inputting the input vector to the neural network learned by the previous graph. Here, the dimension of the compression vector may be reduced compared to the dimension of the input vector. By analyzing the compression vector, the data change indicator can achieve less data throughput.

데이터 변화 표시 장치는 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다. 뉴럴 네트워크는 이전 그래프에 의해 미리 학습될 수 있다. 여기서, 학습의 방향은 이전 그래프로부터 획득된 입력 벡터와 뉴럴 네트워크의 출력 벡터의 차이가 최소화되는 것일 수 있다. 뉴럴 네트워크는 이전 그래프에 적응될 수 있다.The data change display apparatus can encode an input vector using an encoder included in a neural network to output a compressed vector. The neural network can be learned in advance by the previous graph. Here, the direction of learning may be such that the difference between the input vector obtained from the previous graph and the output vector of the neural network is minimized. The neural network can be adapted to the previous graph.

일 실시예에 따르면, 단계(207)에서, 데이터 변화 표시 장치는 압축 벡터에 대해 클러스터링을 수행할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터를 하나의 그룹으로 분류할 수 있다. According to one embodiment, in step 207, the data change indicator may perform clustering on the compression vector. The data change display apparatus may perform clustering on one or more compression vectors to classify data having similar characteristics into one group.

일 실시예에 따르면, 단계(209)에서, 데이터 변화 표시 장치는 클러스터링된 결과를 시각적으로 표시할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터가 가까운 위치에 존재하는 그래프를 생성할 수 있다.According to one embodiment, in step 209, the data change indicator may visually display the clustered result. The data change display apparatus may perform clustering on one or more compression vectors to generate a graph in which data having similar characteristics exist in a close position.

데이터 변화 표시 장치는 클러스터링된 결과를 그래프 형태로 표현함으로써 시각적으로 표시할 수 있다. 뉴럴 네트워크는 이전 그래프의 입력 벡터로 학습된 상태이므로, 만일 현재 그래프가 이전 그래프와 큰 차이를 보이는 경우에, 현재 그래프로부터 출력된 압축 벡터는 원래의 그래프에 비해 변화를 나타낼 수 있다.The data change display device can visually display the clustering result in the form of a graph. Since the neural network is learned by the input vector of the previous graph, if the current graph shows a large difference from the previous graph, the compression vector output from the current graph can show a change compared to the original graph.

도 3은 일 실시예에 따른 데이터 변화 표시 방법의 구체적인 동작을 도시한 순서도이다.3 is a flowchart illustrating a specific operation of the data change display method according to an exemplary embodiment.

일 실시예에 따르면, 단계(301)에서, 데이터 변화 표시 장치는 서버가 저장하고 있는 데이터로부터 현재 그래프를 생성할 수 있다. 여기서, 현재 그래프는 이전 그래프를 이용하여 미리 학습된 뉴럴 네트워크의 입력으로서 제공되는 그래프를 의미할 수 있다. 현재 그래프와 이전 그래프는 모두 복수의 정점과 복수의 간선으로 구성된 그래프의 일종으로, 정점의 데이터 타입의 집합은 동일할 수 있다.According to one embodiment, at step 301, the data change indicator may generate a current graph from the data the server is storing. Here, the current graph may refer to a graph provided as an input of a neural network previously learned using the previous graph. Both the current graph and the previous graph are a kind of graph composed of a plurality of vertices and a plurality of edges, and the set of data types of vertices can be the same.

일 실시예에 따르면, 단계(302)에서, 데이터 변화 표시 장치는 통계 데이터를 획득할 수 있다. 통계 데이터는 그래프에 표시된 정점 정보와 간선 정보를 정렬한 결과일 수 있다. 데이터 변화 표시 장치는 통계 데이터를 통하여 데이터의 특징을 보다 효율적으로 추출할 수 있다.According to one embodiment, at step 302, the data change indicator may obtain statistical data. The statistical data may be the result of aligning the vertex information and the trunk information shown in the graph. The data change display device can extract the characteristics of the data more efficiently through the statistical data.

일 실시예에 따르면, 단계(303)에서, 데이터 변화 표시 장치는 특징 정보를 추출할 수 있다. 특징 정보는 정점 특징 정보와 간선 특징 정보를 포함할 수 있다. 특징 정보는 그래프가 포함하는 정보들을 가공하여 그래프 상의 모든 정보를 포함하지 않고도 그래프의 특징을 잘 표현하는 정보일 수 있다. 특징 정보는 보다 적은 양의 정보를 이용하여 그래프의 특징을 잘 표현할 수 있다.According to one embodiment, at step 303, the data change indicator may extract feature information. The feature information may include vertex feature information and trunk feature information. The feature information may be information that expresses the characteristics of the graph without including all the information on the graph by processing the information included in the graph. The feature information can represent the characteristics of the graph with a smaller amount of information.

일 실시예에 따르면, 단계(304)에서, 데이터 변화 표시 장치는 인코딩할 수 있다. 일 실시예에 따르면, 단계(305)에서, 데이터 변화 표시 장치는 압축 벡터를 획득할 수 있다. 뉴럴 네트워크에는 인코더와 디코더가 포함될 수 있다. 인코더와 디코더는 각각 뉴럴 네트워크의 일종일 수 있다. 인코더는 입력 벡터를 인코딩하여 압축 벡터를 출력할수 있다. 디코더는 압축 벡터를 디코딩하여 출력 벡터를 출력할 수 있다. 여기서, 현재 그래프가 미리 학습된 뉴럴 네트워크에 잘 맞는다면 출력 벡터는 입력 벡터와 유사할 수 있다. 현재 그래프가 이전 그래프에 비해 큰 변화가 있는 경우, 이전 그래프에 의해 학습된 뉴럴 네트워크에 현재 그래프가 잘 맞지 않을 수 있고, 입력 벡터와 출력 벡터는 큰 차이를 가질 수 있다.According to one embodiment, at step 304, the data change indicator may be encoded. According to one embodiment, at step 305, the data change indicator may obtain a compression vector. The neural network may include an encoder and a decoder. The encoder and decoder may each be a part of a neural network. The encoder can encode the input vector and output the compressed vector. The decoder can decode the compression vector and output the output vector. Here, the output vector may be similar to the input vector if the current graph fits well into the previously learned neural network. If the current graph is larger than the previous graph, the current graph may not fit well in the neural network learned by the previous graph, and the input vector and the output vector may have a large difference.

일 실시예에 따르면, 단계(306)에서, 데이터 변화 표시 장치는 압축 벡터를 클러스터링할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터를 하나의 그룹으로 분류할 수 있다. According to one embodiment, at step 306, the data change indicator may cluster the compression vectors. The data change display apparatus may perform clustering on one or more compression vectors to classify data having similar characteristics into one group.

일 실시예에 따르면, 단계(307)에서, 데이터 변화 표시 장치는 클러스터링 결과를 시각적으로 표시할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터가 가까운 위치에 존재하는 그래프를 생성할 수 있다.According to one embodiment, in step 307, the data change indicator may visually display clustering results. The data change display apparatus may perform clustering on one or more compression vectors to generate a graph in which data having similar characteristics exist in a close position.

일 실시예에 따르면, 단계(308)에서, 데이터 변화 표시 장치는 변화 유무를 확인할 수 있다. 데이터 변화 표시 장치는 그래프로부터 시각적인 해석을 통하여 현재 그래프로부터 출력된 결과 그래프와 이전 그래프로부터 출력된 결과 그래프 사이의 변화를 검출할 수 있다. According to one embodiment, at step 308, the data change indicator may check for a change. The data change display device can detect a change between a result graph output from the current graph and a result graph output from the previous graph through a visual analysis from the graph.

다른 실시예에 따르면, 데이터 변화 표시 장치는 클러스터링된 결과를 결과 그래프로 표현하고, 사용자가 결과 그래프를 기초로 변화 여부를 분석할 수도 있다.According to another embodiment, the data change display device may represent the clustered result as a result graph, and may analyze whether the user changes based on the result graph.

일 실시예에 따르면, 단계(309)에서, 데이터 변화 표시 장치는 뉴럴 네트워크를 학습시킬 수 있다. 변화의 정도가 일정한 기준을 만족하는 경우, 데이터 변화 표시 장치는 현재 그래프를 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 뉴럴 네트워크는 현재 그래프로부터 획득된 입력 벡터와 출력 벡터가 유사하도록 학습될 수 있다.According to one embodiment, in step 309, the data change indication device may learn a neural network. When the degree of change satisfies a certain criterion, the data change display apparatus can learn the neural network using the current graph. The neural network can be learned such that the input vector obtained from the current graph is similar to the output vector.

일 실시예에 따르면, 단계(310)에서, 데이터 변화 표시 장치는 학습된 뉴럴 네트워크로 기존의 뉴럴 네트워크를 갱신할 수 있다. 데이터 변화 표시 장치는 갱신된 뉴럴 네트워크를 이용하여 다음 그래프의 변화 유무를 확인할 수 있다.According to one embodiment, in step 310, the data change indicator may update an existing neural network with the learned neural network. The data change display apparatus can confirm whether or not the next graph is changed by using the updated neural network.

도 4는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 그래프의 일례를 도시한 도면이다. 4 is a diagram showing an example of a graph generated by the data change display apparatus according to one embodiment.

데이터 변화 표시 장치는 서버가 저장하고 있는 데이터로부터 현재 그래프를 생성할 수 있다. 현재 그래프와 이전 그래프는 모두 복수의 정점과 복수의 간선으로 구성된 그래프의 일종으로, 정점의 데이터 타입의 집합은 동일할 수 있다. 도 4를 참조하면, 그래프(410)와 그래프(402)가 도시된다. 두 그래프 모두 복수의 정점과 각 정점 사이를 잇는 간선으로 구성된다. 정점들은 각각 정점의 타입을 가질 수 있다. 정점의 타입과 정점과 연결되는 다른 정점의 수, 즉 간선의 수는 해당 그래프의 특징을 나타낼 수 있다.The data change display device can generate a current graph from the data stored in the server. Both the current graph and the previous graph are a kind of graph composed of a plurality of vertices and a plurality of edges, and the set of data types of vertices can be the same. Referring to FIG. 4, a graph 410 and a graph 402 are shown. Both graphs consist of a plurality of vertices and an edge connecting each vertex. Vertices can each have a type of vertex. The type of vertex and the number of other vertices connected to the vertex, ie the number of edges, can represent the characteristics of the graph.

도 5는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 통계 데이터의 일례를 도시한 도면이다.5 is a diagram showing an example of statistical data generated by the data change display apparatus according to one embodiment.

데이터 변화 표시 장치는 통계 데이터를 획득할 수 있다. 통계 데이터는 그래프에 표시된 정점 정보와 간선 정보를 정렬한 결과일 수 있다. 데이터 변화 표시 장치는 통계 데이터를 통하여 데이터의 특징을 보다 효율적으로 추출할 수 있다.The data change display device can obtain statistical data. The statistical data may be the result of aligning the vertex information and the trunk information shown in the graph. The data change display device can extract the characteristics of the data more efficiently through the statistical data.

도 5를 참조하면, 그래프에 포함된 다양한 정보들은 통계 데이터에 정리된 형태로 포함될 수 있다. 예를 들어, 통계 데이터에는 자연인 별 정점 정보 및 간선 정보에 대한 통계 데이터가 포함될 수 있다. 정점의 타입에 따른 차이가 있을 뿐, 기본적인 통계 데이터 생성 방식은 모든 도메인에 공통될 수 있다. Referring to FIG. 5, the various information included in the graph may be included in the statistical data in an organized form. For example, statistical data may include statistical data on natural star vertex information and trunk information. The basic statistical data generation method can be common to all domains only with the difference depending on the type of the vertex.

도 5에서, Person ID는 그래프를 식별하는 식별자를 나타내고, Origin ID는 각각의 정점을 나타내며, Origin ID Type은 정점의 타입을 나타낸다. Pid는 고유 식별키, cid는 채널링 키, adid는 기기 식별키를 나타낸다. Origin ID Game Code는 게임의 식별 정보를 나타낸다. 예를 들어, "penta", "lineageii", "tera" 등의 게임이 표시될 수 있다. Origin ID Channel Type은 게임에 접속하기 위한 중간 채널을 나타낸다. Linked ID type은 연결된 정점의 타입을 나타낸다. Linked ID Game Code는 연결된 정점의 게임 식별 코드를 나타낸다. Linked ID Channel Type은 연결된 정점의 채널 정보를 나타낸다. Linked Count는 연결된 간선의 수를 나타낸다.In FIG. 5, Person ID represents an identifier for identifying a graph, Origin ID represents each vertex, and Origin ID Type represents a vertex type. Pid is a unique identification key, cid is a channeling key, and adid is a device identification key. The Origin ID Game Code indicates the identification information of the game. For example, games such as "penta "," lineageii ", "tera" The Origin ID Channel Type represents the intermediate channel for accessing the game. The Linked ID type indicates the type of the connected vertex. The Linked ID Game Code represents the game identification code of the connected vertex. Linked ID Channel Type indicates the channel information of connected vertices. Linked Count represents the number of connected trunks.

도 6은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 획득하는 과정을 도시한 도면이다.6 is a diagram illustrating a process of obtaining a compressed vector by the data change display apparatus according to an embodiment.

데이터 변화 표시 장치는 인코딩할 수 있다. 데이터 변화 표시 장치는 압축 벡터를 획득할 수 있다. 뉴럴 네트워크에는 인코더와 디코더가 포함될 수 있다. 인코더와 디코더는 각각 뉴럴 네트워크의 일종일 수 있다. 인코더는 입력 벡터를 인코딩하여 압축 벡터를 출력할수 있다. 디코더는 압축 벡터를 디코딩하여 출력 벡터를 출력할 수 있다. The data change indication may be encoded. The data change display device can obtain a compression vector. The neural network may include an encoder and a decoder. The encoder and decoder may each be a part of a neural network. The encoder can encode the input vector and output the compressed vector. The decoder can decode the compression vector and output the output vector.

도 6을 참조하면, 입력 벡터(603)는 인코더(601)에 입력되고, 인코더(601)는 압축 벡터(604)를 출력할 수 있다. 압축 벡터(604)는 디코더(602)에 입력되고, 출력 벡터(605)를 출력할 수 있다. 여기서, 현재 그래프가 미리 학습된 뉴럴 네트워크에 잘 맞는다면 출력 벡터(605)는 입력 벡터(603)와 유사할 수 있다. 현재 그래프가 이전 그래프에 비해 큰 변화가 있는경우, 이전 그래프에 의해 학습된 뉴럴 네트워크에 현재 그래프가 잘 맞지 않을 수 있고, 입력 벡터(603)와 출력 벡터(605)는 큰 차이를 가질 수 있다.6, the input vector 603 is input to the encoder 601, and the encoder 601 can output the compression vector 604. [ The compression vector 604 is input to the decoder 602 and may output the output vector 605. [ Here, the output vector 605 may be similar to the input vector 603 if the current graph fits well into the previously learned neural network. If the current graph is larger than the previous graph, the current graph may not fit well in the neural network learned by the previous graph, and the input vector 603 and the output vector 605 may have a large difference.

도 7은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 클러스터링한 결과를 도시한 도면이다.7 is a diagram showing a result of clustering compression vectors by a data change display apparatus according to an embodiment.

데이터 변화 표시 장치는 변화 유무를 확인할 수 있다. 데이터 변화 표시 장치는 그래프로부터 시각적인 해석을 통하여 현재 그래프로부터 출력된 결과 그래프와 이전 그래프로부터 출력된 결과 그래프 사이의 변화를 검출할 수 있다. The data change display device can confirm whether there is a change. The data change display device can detect a change between a result graph output from the current graph and a result graph output from the previous graph through a visual analysis from the graph.

도 7을 참조하면, 데이터 변화 표시 장치는 압축 벡터를 이용해 군집화를 수행할 수 있다. 여기서, 클러스터링은 군집화로 지칭될 수 있다. 클러스터링된 결과(701, 702, 703, 704)는 그래프를 통해 시각적으로 표시될 수 있다. 이처럼, 데이터 변화 표시 장치는 클러스터링된 결과를 결과 그래프로 표현하고, 사용자가 결과 그래프를 기초로 변화 여부를 분석할 수도 있다. Referring to FIG. 7, the data change display apparatus can perform clustering using a compression vector. Here, clustering may be referred to as clustering. The clustered results 701, 702, 703, and 704 can be visually displayed through a graph. As described above, the data change display apparatus can display the clustered result as a result graph, and analyze whether the user changes based on the result graph.

도 8은 일 실시예에 따른 데이터 변화 표시 장치에 의해 표시된 그래프의 일례를 도시한 도면이다. 8 is a diagram showing an example of a graph displayed by the data change display apparatus according to an embodiment.

일 실시예에 따른 데이터 변화 표시 장치는 입력 데이터의 특성들을 압축하여 시각적으로 표시할 수 있다. 도 8의 결과 그래프(801)는 시각적으로 표시된 결과의 예시이다. The data change display apparatus according to one embodiment can compress and visually display characteristics of input data. The result graph 801 of FIG. 8 is an example of a result visually displayed.

데이터 변화 표시 장치는 시각적 표시 결과를 클러스터링할 수 있다. 그래프(811, 812, 813, 814, 815, 816, 817)는 시각적으로 표시된 결과 그래프(801)을 클러스터링하여 분류된 7 가지 그룹에 대한 것이다. The data change display device can cluster the visual display results. The graphs 811, 812, 813, 814, 815, 816, and 817 are for seven groups classified by clustering the graphically displayed result graph 801.

그래프(811)을 참조하면, cid, adid 영향도가 매우 낮고, pid 집중 현상이 뚜렷하게 나타나는 형태를 보인다. 이는 공장형 리세마라가 다수 포진됨을 의미하며, 전체 데이터의 5%를 차지한다.Referring to the graph (811), the influence of cid and adid is very low and pid concentration phenomenon appears clearly. This means that there is a large number of factory-type ryeemalas, accounting for 5% of the total data.

그래프(812)를 참조하면, pid의 집중 현상이 발하면서 cid의 영향도가 다소 높은 클러스터의 형태를 보인다.Referring to the graph 812, when the concentration phenomenon of the pid occurs, the shape of the cluster having the influence of the cid is rather high.

그래프(813)를 참조하면, 복합 유형으로서 cid, adid가 골고루 퍼져있으며 와이드한 형태로 구성되는 형태를 보인다. Pid에 집중되는 경향성은 그대로 유지하고 있다.Referring to the graph (813), the composite type cid and adid are spread evenly and have a wide type configuration. The tendency to concentrate on the Pid remains intact.

그래프(814)를 참조하면, Pid-cid 집중 형상 데이터가 많이 분포하고 있는 특징을 보인다. 리니지 류의 게임의 공장들이 다수 포진된 것을 추정될 수 있다.Referring to the graph 814, Pid-cid concentrated shape data is characterized by a large distribution. It can be presumed that a large number of factories of the game of the Lineage game are spearheaded.

그래프(815)는 다소 특이점이 발견되지 않은 클러스터로서 그래프(814)와 그래프(816)의 중간적인 형태가 발견된다.The graph 815 is found as an intermediate form of the graph 814 and the graph 816 as a cluster in which some singularity is not found.

그래프(816)를 참조하면, Adid 집중현상 데이터가 많이 분포하고 있는 형태를 보인다. 대부분 세븐나이츠 류 게임의 자연인과 관련된 그래프가 이런 형태를 나타낼 수 있다. 세븐나이츠 류 데이터의 공장형 리세마라가 다수 포진된 것으로 추정될 수 있다.Referring to the graph 816, a large amount of Adid concentrated phenomenon data is distributed. Most of the graphs related to natural persons in the Seven Nights game can represent this form. It can be presumed that there are a lot of factory-type ryeemara of Seven Nyquates data.

그래프(817)을 참조하며, 특이한 유형의 형태를 나타낸다. 환형 자연인이 출몰되는 것으로 추정될 수 있다.Referring to graph 817, it shows a distinct type of form. It can be assumed that a ring-shaped natural person appears.

도 9는 일 실시예에 따른 데이터 변화 표시 장치에 의해 입력 벡터와 뉴럴 네트워크 학습을 통해 출력된 출력 벡터간의 차이를 표시한 그래프의 일례이다.9 is an example of a graph showing a difference between an input vector and an output vector output through neural network learning by the data change display apparatus according to an embodiment.

도 9를 참조하면, 뉴럴 네트워크는 B데이터를 기준으로 미리 학습될 수 있다. 데이터 변화 표시 장치는 A 데이터 및 C 데이터 각각에 대하여 데이터 변화량을 감지할 수 있다. B 데이터는 특정 기준이 되는 날짜의 데이터 모델의 결과를 나타낼 수 있다. A 데이터는 B데이터와 유사한 날의 데이터 모델의 결과를 나타낼 수 있다. C 데이터는 B데이터에 특정 이벤트가 있던 날의 모델의 결과를 나타낼 수 있다. 예를 들어, 신규 게임 론칭이나 팀내에서 특정 간선 정보를 제거하는 Filter를 개발한 경우 데이터 변화량의 차이가 크게 나타날 수 있다.Referring to FIG. 9, the neural network can be pre-learned based on the B data. The data change display device can detect a data change amount for each of the A data and the C data. B data can represent the results of a data model of a date that is a specific criterion. A data can represent the result of a data model similar to B data. The C data can represent the result of the model on the day when the B event has a specific event. For example, when a new game launching or a filter that removes specific trunk information from within a team is developed, there may be a large difference in data variation.

도 10은 일 실시예에 따른 데이터 변화 검출 방법의 동작을 도시한 순서도이다.10 is a flowchart showing the operation of the data change detection method according to one embodiment.

일 실시예에 따르면, 데이터 변화 검출 장치는 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터 변화를 검출할 수 있다.According to one embodiment, the data change detection apparatus can detect a data change of a program that is connected to a channel through a user's terminal and is connected via a channel.

일 실시예에 따르면, 단계(1001)에서, 데이터 변화 검출 장치는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성할 수 있다. 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 복수의 간선 각각은 복수의 정점들 사이를 연결할 수 있다.According to one embodiment, at step 1001, the data change detection device may generate a current graph having a plurality of vertices and a plurality of edges, each vertex type having logarithmic data from the log data. The vertex type may include a program unique identification key, a channeling key, and a device identification key. Each of the plurality of trunks can connect between a plurality of vertices.

프로그램 고유 식별키는 프로그램이 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 채널링 키는 프로그램이 채널을 구별하기 위한 식별자를 의미하고, 기기 식별키는 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.The program unique identification key is an identifier for identifying a user connected through a channeling key, the channeling key is an identifier for distinguishing a channel from a program, the device identification key is an identifier for identifying a user terminal, . &Lt; / RTI >

일 실시예에 따르면, 단계(1003)에서, 데이터 변화 검출 장치는 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득할 수 있다.According to one embodiment, in step 1003, the data change detection apparatus may obtain an input vector including vertex feature information indicating a type of each vertex from the graph and trunk feature information indicating a feature of each trunk.

일 실시예에 따르면, 단계(1005)에서, 데이터 변화 검출 장치는 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 출력 벡터를 출력할 수 있다.According to one embodiment, at step 1005, the data change detection device may input an input vector to the neural network learned by the previous graph to output an output vector.

일 실시예에 따르면, 단계(1007)에서, 데이터 변화 검출 장치는 입력 벡터와 출력 벡터를 비교하여 차이를 검출할 수 있다.According to one embodiment, in step 1007, the data change detection device may detect the difference by comparing the input vector with the output vector.

데이터 변화 검출 장치는 입력 벡터를 획득하기 위해, 현재 그래프로부터 통계 데이터를 획득하고, 통계 데이터로부터 정점 특징 정보 및 간선 특징 정보를 추출하고, 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득할 수 있다.The data change detection apparatus acquires statistical data from the current graph to obtain an input vector, extracts vertex feature information and trunk feature information from the statistical data, and calculates an input vector composed of the extracted vertex feature information and trunk feature information Can be obtained.

데이터 변화 표시 장치는 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하기 위하여, 정점 특징 정보를 정규화하고, 간선 특징 정보를 표준화하고, 정규화된 결과 및 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다.The data change display device normalizes the vertex feature information, normalizes the edge feature information, and outputs the input vector based on the normalized result and the standardized result, in order to obtain an input vector composed of the extracted vertex feature information and the trunk feature information. Can be obtained.

데이터 변화 표시 장치는 정점 특징 정보를 정규화하기 위하여, 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산할 수 있다. 데이터 변화 표시 장치는 간선 특징 정보를 표준화하기 위하여, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.In order to normalize the vertex feature information, the data change display apparatus can calculate the ratio of the vertices of each unique identification key to the total vertices, the ratio of the vertices of the channeling key, and the ratio of the vertices of the device identification key. In order to standardize the trunk feature information, the data change display apparatus displays, in order to standardize the trunk feature information, the ratio of the trunk connected to the vertices of the entire trunk channel, the ratio of the trunk connected to the vertices of the apparatus identification key to the trunk trunk, It is possible to calculate the kurtosis of the channeling key, the degree of the vertex of the entire channeling key, the standard deviation of the vertices of the entire device identification key, the vertex of the entire device identification key, and the vertex of the entire device identification key.

데이터 변화 표시 장치는 출력 벡터를 출력하기 위하여, 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하고, 인코딩된 결과를 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 출력 벡터를 출력할 수 있다. The data change display apparatus may encode the input vector using an encoder included in the neural network and output the output vector by decoding the encoded result using a decoder included in the neural network in order to output the output vector.

데이터 변화 표시 장치는 차이를 검출하기 위하여, 입력 벡터와 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다.The data change display apparatus can determine whether the difference between the input vector and the output vector is equal to or greater than a threshold value in order to detect a difference.

도 11은 일 실시예에 따른 데이터 변화 표시 장치의 세부 구성을 도시한 도면이다. 11 is a diagram illustrating a detailed configuration of a data change display apparatus according to an embodiment.

일 실시예에 따른 데이터 변화 표시 장치(1100)는 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램과 관련된 데이터를 분석할 수 있다. 이를 위하여 데이터 변화 표시 장치(1100)는 단말기로부터의 입력을 수신하는 I/O 인터페이스(1101), 입력에 관한 로그 데이터를 저장하는 메모리(1103) 및 로그 데이터를 분석하는 프로세서(1105)를 포함한다.The data change display 1100 according to an exemplary embodiment may analyze data associated with a program that is connected to a channel through a user's terminal and is connected via a channel. To this end, the data change display device 1100 includes an I / O interface 1101 for receiving input from a terminal, a memory 1103 for storing log data related to the input, and a processor 1105 for analyzing log data .

프로세서(1105)는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 압축 벡터를 출력하고, 압축 벡터에 대해 클러스터링을 수행하고, 클러스터링된 결과를 시각적으로 표시한다.The processor 1105 generates a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data, extracts vertex feature information indicating a type of each vertex from the graph, and trunk feature information And inputs the input vector to the neural network learned by the previous graph to output a compressed vector, perform clustering on the compressed vector, and visually display the clustering result.

정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 프로그램 고유 식별키는 프로그램이 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 채널링 키는 프로그램이 채널을 구별하기 위한 식별자를 의미하고, 기기 식별키는 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다. 복수의 간선 각각은 복수의 정점들 사이를 연결할 수 있다.The vertex type may include a program unique identification key, a channeling key, and a device identification key. The program unique identification key is an identifier for identifying a user connected through a channeling key, the channeling key is an identifier for distinguishing a channel from a program, the device identification key is an identifier for identifying a user terminal, . &Lt; / RTI > Each of the plurality of trunks can connect between a plurality of vertices.

프로세서(1105)는 현재 그래프로부터 통계 데이터를 획득하고, 통계 데이터로부터 정점 특징 정보 및 간선 특징 정보를 추출하고, 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득할 수 있다. 프로세서(1105)는 정점 특징 정보를 정규화하고, 간선 특징 정보를 표준화하고, 정규화된 결과 및 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다.The processor 1105 acquires statistical data from the current graph, extracts vertex feature information and trunk feature information from the statistical data, and obtains an input vector composed of extracted vertex feature information and trunk feature information. The processor 1105 may normalize the vertex feature information, normalize the edge feature information, and obtain an input vector based on the normalized and standardized results.

프로세서(1105)는 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.The processor 1105 calculates the ratio of the vertices of each unique identification key to the total vertices, the ratio of the vertices of the channeling key and the vertices of the device identification key, and calculates the ratio of the trunk connected to the vertices of the entire trunk to the trunk, The standard deviation of the vertices of the entire channeling key, the vertex of the entire channeling key, the vertex of the entire channeling key, the standard deviation of the vertices of the entire device identification key, The apex of the vertex of the device identification key, and the vertex of the entire device identification key.

프로세서(1105)는 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다. 프로세서(1105)는 클러스터링된 결과를 그래프로 표시할 수 있다.The processor 1105 may encode the input vector using an encoder included in the neural network to output a compressed vector. The processor 1105 may graphically display the clustered results.

도 12는 일 실시예에 따른 데이터 변화 검출 장치의 세부 구성을 도시한 도면이다.12 is a diagram showing a detailed configuration of a data change detection apparatus according to an embodiment.

데이터 변화 표시 장치(1200) 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터를 분석할 수 있다. 이를 위하여, 데이터 변화 표시 장치(1200)는 단말기로부터의 입력을 수신하는 I/O 인터페이스(1201), 입력에 관한 로그 데이터를 저장하는 메모리(1203) 및 로그 데이터를 분석하는 프로세서(1205)를 포함한다.The data change display apparatus 1200 can analyze data of a program connected to the channel through the user's terminal and connected through the channel. To this end, the data change display device 1200 includes an I / O interface 1201 for receiving input from a terminal, a memory 1203 for storing log data related to the input, and a processor 1205 for analyzing log data do.

프로세서(1205) 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 출력 벡터를 출력하고, 입력 벡터와 출력 벡터를 비교하여 차이를 검출할 수 있다.Processor 1205 generates a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data, extracts vertex feature information indicating the type of each vertex from the graph, and trunk feature information indicating characteristics of each trunk The output vector is input to the neural network learned by the previous graph, and the difference is detected by comparing the input vector and the output vector.

정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 프로그램 고유 식별키는 프로그램이 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 채널링 키는 프로그램이 채널을 구별하기 위한 식별자를 의미하고, 기기 식별키는 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.The vertex type may include a program unique identification key, a channeling key, and a device identification key. The program unique identification key is an identifier for identifying a user connected through a channeling key, the channeling key is an identifier for distinguishing a channel from a program, the device identification key is an identifier for identifying a user terminal, . &Lt; / RTI >

프로세서(1205)는 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하고, 인코딩된 결과를 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 출력 벡터를 출력할 수 있다. 프로세서(1205)는 입력 벡터와 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다. The processor 1205 may encode the input vector using an encoder included in the neural network, decode the encoded result using a decoder included in the neural network, and output the output vector. The processor 1205 can determine whether the difference between the input vector and the output vector is equal to or greater than a threshold value.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to an embodiment may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. The computer readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions to be recorded on the medium may be those specially designed and configured for the embodiments or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of the foregoing, and may be configured to configure the processing device to operate as desired or to process it collectively or collectively Device can be commanded. The software and / or data may be in the form of any type of machine, component, physical device, virtual equipment, computer storage media, or device , Or may be permanently or temporarily embodied in a transmitted signal wave. The software may be distributed over a networked computer system and stored or executed in a distributed manner. The software and data may be stored on one or more computer readable recording media.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described with reference to the drawings, various technical modifications and variations may be applied to those skilled in the art. For example, it is to be understood that the techniques described may be performed in a different order than the described methods, and / or that components of the described systems, structures, devices, circuits, Lt; / RTI > or equivalents, even if it is replaced or replaced.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

[1] [One]

Claims

A data change display apparatus of a program connected to a channel through a user terminal and connected via the channel,
An I / O interface for receiving input from the terminal;
A memory for storing log data relating to the input; And
And a processor for analyzing the log data,
The processor comprising:
Generating a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from log data,
Obtaining an input vector including vertex feature information indicating a type of each vertex and trunk feature information indicating a feature of each trunk from the graph,
The input vector is input to the neural network learned by the previous graph to output a compressed vector,
Performing clustering on the compressed vector,
Wherein the clustered result is visually displayed,
Data change display.

The method according to claim 1,
Wherein the vertex type includes a program unique identification key, a channeling key, and a device identification key.

3. The method of claim 2,
Wherein the program unique identification key is an identifier for distinguishing a user connected through the channeling key by the program, the channeling key is an identifier for distinguishing the channel from the program, Means an identifier for distinguishing a user's terminal,
Data change display.

The method according to claim 1,
Each of said plurality of trunks connecting between said plurality of vertices,
Data change display.

The method according to claim 1,
The processor comprising:
Obtaining statistical data from the current graph,
Extracting the vertex feature information and the trunk feature information from the statistical data,
Obtaining an input vector composed of the extracted vertex feature information and the trunk feature information,
Data change display.

6. The method of claim 5,
The processor comprising:
Normalizing the vertex feature information,
Standardizing the trunk feature information,
Obtaining an input vector based on the normalized result and the normalized result,
Data change display.

The method according to claim 6,
The processor comprising:
Calculating a ratio of a vertex of each unique identification key to a total vertex, a ratio of a vertex of a channeling key, and a vertex ratio of a device identification key,
The ratio of the edges connected to the vertices of the channeling key relative to the entire trunk, the ratio of the trunk connected to the vertices of the device identification key versus the total trunk, the standard deviation of the vertices of the entire channeling key, the vertex of the entire channeling key, The standard deviation of the vertices of the entire device identification key, the vertex of the entire device identification key, the degree of the vertex of the entire device identification key,
Data change display.

The method according to claim 1,
The processor comprising:
Encoding the input vector using an encoder included in the neural network to output a compressed vector,
Data change display.

The method according to claim 1,
The processor comprising:
Graphically displaying the clustered result,
Data change display.

A data change detection apparatus of a program connected to a channel through a user's terminal and connected via the channel,
An I / O interface for receiving input from the terminal;
A memory for storing log data relating to the input; And
And a processor for analyzing the log data,
The processor comprising:
Generating a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from log data,
Obtaining an input vector including vertex feature information indicating a type of each vertex and trunk feature information indicating a feature of each trunk from the graph,
The input vector is input to the neural network learned by the previous graph to output an output vector,
Comparing the input vector with an output vector to detect a difference,
A data change detection device.

11. The method of claim 10,
Wherein the vertex type includes a program unique identification key, a channeling key, and a device identification key.

12. The method of claim 11,
Wherein the program unique identification key is an identifier for distinguishing a user connected through the channeling key by the program, the channeling key is an identifier for distinguishing the channel from the program, Means an identifier for distinguishing a user's terminal,
A data change detection device.

11. The method of claim 10,
Each of said plurality of trunks connecting between said plurality of vertices,
A data change detection device.

11. The method of claim 10,
The processor comprising:
Obtaining statistical data from the current graph,
Extracting the vertex feature information and the trunk feature information from the statistical data,
Obtaining an input vector composed of the extracted vertex feature information and the trunk feature information,
A data change detection device.

15. The method of claim 14,
The processor comprising:
Normalizing the vertex feature information,
Standardizing the trunk feature information,
Obtaining an input vector based on the normalized result and the normalized result,
A data change detection device.

16. The method of claim 15,
The processor comprising:
Calculating a ratio of a vertex of each unique identification key to a total vertex, a ratio of a vertex of a channeling key, and a vertex ratio of a device identification key,
The ratio of the edges connected to the vertices of the channeling key relative to the entire trunk, the ratio of the trunk connected to the vertices of the device identification key versus the total trunk, the standard deviation of the vertices of the entire channeling key, the vertex of the entire channeling key, The standard deviation of the vertices of the entire device identification key, the vertex of the entire device identification key, the degree of the vertex of the entire device identification key,
A data change detection device.

11. The method of claim 10,
The processor comprising:
Encoding the input vector using an encoder included in the neural network,
Decoding the encoded result using a decoder included in the neural network, and outputting the output vector;
A data change detection device.

11. The method of claim 10,
The processor comprising:
Determining whether a difference between the input vector and the output vector is greater than or equal to a threshold value,
A data change detection device.

1. A data change display method of a program connected to a channel through a user's terminal and connected via the channel,
Generating a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data;
Obtaining an input vector including vertex feature information indicating a type of each vertex and trunk feature information indicating a feature of each trunk from the graph;
Inputting the input vector to a neural network learned by the previous graph and outputting a compressed vector;
Performing clustering on the compressed vector; And
Visually displaying the clustered result
And displaying the changed data.

20. The method of claim 19,
Wherein the vertex type comprises a program unique identification key, a channeling key, and a device identification key.

21. The method of claim 20,
Wherein the program unique identification key is an identifier for distinguishing a user connected through the channeling key by the program, the channeling key is an identifier for distinguishing the channel from the program, Means an identifier for distinguishing a user's terminal,
Data change indication method.

20. The method of claim 19,
Each of said plurality of trunks connecting between said plurality of vertices,
Data change indication method.

20. The method of claim 19,
Wherein obtaining the input vector comprises:
Obtaining statistical data from the current graph;
Extracting the vertex feature information and the trunk feature information from the statistical data; And
Acquiring an input vector composed of the extracted vertex feature information and trunk feature information
And displaying the changed data.

24. The method of claim 23,
Wherein the step of acquiring the input vector including the extracted vertex feature information and the edge feature information comprises:
Normalizing the vertex feature information;
Standardizing the trunk feature information; And
Obtaining an input vector based on the normalized result and the normalized result
/ RTI >

25. The method of claim 24,
Wherein normalizing the vertex feature information comprises:
Calculating a ratio of a vertex of each unique identification key to a total vertex, a ratio of a vertex of a channeling key, and a vertex ratio of a device identification key,
Wherein the step of standardizing the trunk feature information comprises:
The ratio of the edges connected to the vertices of the channeling key relative to the entire trunk, the ratio of the trunk connected to the vertices of the device identification key versus the total trunk, the standard deviation of the vertices of the entire channeling key, the vertex of the entire channeling key, The standard deviation of the vertices of the entire device identification key, the vertex of the entire device identification key, the degree of the vertex of the entire device identification key,
Data change indication method.

20. The method of claim 19,
Wherein the step of outputting the compression vector comprises:
Encoding the input vector using an encoder included in the neural network to output a compressed vector,
Data change indication method.

20. The method of claim 19,
The step of visually displaying the clustered result comprises:
Graphically displaying the clustered result,
Data change indication method.

A method of detecting a change in data of a program connected to a channel through a user's terminal and connected through the channel,
Generating a current graph having a plurality of vertices and a plurality of trunks having respective vertex types from the log data;
Obtaining an input vector including vertex feature information indicating a type of each vertex and trunk feature information indicating a feature of each trunk from the graph;
Inputting the input vector to a neural network learned by the previous graph and outputting an output vector; And
Comparing the input vector with an output vector to detect a difference
/ RTI >

29. The method of claim 28,
Wherein the vertex type comprises a program unique identification key, a channeling key, and a device identification key.

30. The method of claim 29,
Wherein the program unique identification key is an identifier for distinguishing a user connected through the channeling key by the program, the channeling key is an identifier for distinguishing the channel from the program, Means an identifier for distinguishing a user's terminal,
Data change detection method.

29. The method of claim 28,
Each of said plurality of trunks connecting between said plurality of vertices,
Data change detection method.

29. The method of claim 28,
Wherein obtaining the input vector comprises:
Obtaining statistical data from the current graph;
Extracting the vertex feature information and the trunk feature information from the statistical data; And
Acquiring an input vector composed of the extracted vertex feature information and trunk feature information
/ RTI >

33. The method of claim 32,
Wherein the step of acquiring the input vector including the extracted vertex feature information and the edge feature information comprises:
Normalizing the vertex feature information;
Standardizing the trunk feature information; And
Obtaining an input vector based on the normalized result and the normalized result
/ RTI >

34. The method of claim 33,
Wherein normalizing the vertex feature information comprises:
Calculating a ratio of a vertex of each unique identification key to a total vertex, a ratio of a vertex of a channeling key, and a vertex ratio of a device identification key,
Wherein the step of standardizing the trunk feature information comprises:
The ratio of the edges connected to the vertices of the channeling key relative to the entire trunk, the ratio of the trunk connected to the vertices of the device identification key versus the total trunk, the standard deviation of the vertices of the entire channeling key, the vertex of the entire channeling key, The standard deviation of the vertices of the entire device identification key, the vertex of the entire device identification key, the degree of the vertex of the entire device identification key,
Data change detection method.

29. The method of claim 28,
Wherein the step of outputting the output vector comprises:
Encoding the input vector using an encoder included in the neural network; And
Decoding the encoded result using a decoder included in the neural network, and outputting the output vector
/ RTI >

29. The method of claim 28,
Wherein the detecting the difference comprises:
Determining whether a difference between the input vector and the output vector is greater than or equal to a threshold value,
Data change detection method.

36. A computer-readable storage medium storing instructions for performing the method of any one of claims 19 to 36.

36. A computer program stored in a storage medium for executing the method of any one of claims 19 to 36 through a combination with a computer.